基于優化的模糊神經模型的光伏發電預測的研究

2020-10-13 09:37:40沈璐璐

微型電腦應用 2020年9期

沈璐璐

摘要：采用模糊神經網絡模型實現對不同環境條件下光伏發電系統電氣特性進行預測，并使用粒子群優化算法對模糊神經模型地結構和參數進行優化訓練。實驗證明所提出的優化模糊神經模型具有更優的準確性、緊湊性和可解釋性，可以在線估計和預測單個光伏模塊電氣特性以及最大功率點，且具有較好的計算性能。

關鍵詞：光伏發電預測; 模糊神經網絡模型; 粒子群優化

中圖分類號： TP 399 ? ? ?文獻標志碼： A

Abstract： In this paper， the fuzzy neural network model is used to predict the electrical characteristics of the photovoltaic power generation system under different environmental conditions， and the particle swarm optimization algorithm is used to optimize the structure and parameters of the fuzzy neural model. Experiments prove that the proposed optimized fuzzy neural model has better accuracy， compactness and interpretability. It can estimate and predict the electrical characteristics and maximum power point of a single photovoltaic module online， and it has good computing performance.

Key words： photovoltaic power generation prediction; fuzzy neural network model; particle swarm optimization

0 引言

光伏（PV）發電系統的最大輸出功率點（MPP）水平隨環境條件和氣候條件的不同而變化，因此需要對不同條件下PV系統的電氣特性進行準確和高效地預測，從而獲得其MPP[1-2]。現有的PV系統電氣特性預測方法主要有三大類：間接預測方法、直接測量方法和基于人工智能算法的預測方法。

間接預測方法包括使用預先確定的參數和數據，這些參數和數據是通過對PV模塊進行事先實驗評估獲得。這種方法的主要缺點之一是模型需要大量內存來存儲模型參數的值[3]。直接測量方法是基于電壓和電流的在線測量值。直接測量方法的關鍵概念是對PV電壓進行調節，直到PV功率和電壓變化之間的比率獲得零值為止。這種方法的缺點在于最佳工作點附近連續振蕩以及控制器的電路復雜性較高[4-5]。

為了避免上述方法的弊端，基于人工智能算法的預測技術越來越受到關注。已有研究提出使用布谷鳥搜索優化算法[6]、人工蜂群算法[7]以及人工魚群算法[8]實現在實際環境條件下的PV模塊電氣特性預測和最大功率點的估計，但是這些算法在計算效率和預測精度等方面存在不足。為此本研究提出了一種改進的基于神經模糊模型來表示PV電氣特性。使用粒子群優化算法（PSO）對模型參數進行訓練。在PSO訓練時使用加速度系數和慣性因子以避免訓練過程中會出現明顯波動，同時可以將過程結束時預測電流與其實際值之間的誤差最小化。實驗表明所提出的模型可以在短時間內以最小的誤差和零振蕩來預測和跟蹤PV系統在變化環境條件下的電氣特性。

1 PV建模

建模對象為以np×ns個太陽能電池的PV陣列，np為串聯面板塊數，ns為串聯面板塊數。Vpv和Ipv分別表示PV陣列的輸出電壓和電流。如果忽略內部并聯電阻和串聯電阻，則PV面板陣列的輸出電流[9]，如式（1）。

對于上述訓練算法，有四個PSO參數，即Ω（0）、Ω（Nk）、ξ1和ξ2，都需要正確選擇，以使模型訓練準確且計算效率高。

本研究使用常規初始化模式來確保初始粒子更均勻地覆蓋搜索空間。即在實踐中，這20個粒子被初始化為盡可能彼此遠離并且盡可能遠離搜索空間的邊界。粒子的初始化范圍是[-15，15]。

調整完所有模型參數后，必須使用公式（8）重新計算規則權重，并更新線性參數，以便獲得另一組新的適應度函數值。迭代執行訓練算法，以便連續生成具有更好解的一組粒子，直到達到最大迭代為止。在此過程結束時，將使用適應度函數最高的粒子來確定PV模型的最終結構。

上述算法流程，如圖4所示。

3.3 使用PSO算法更新模型參數

通過初步的模擬研究，選擇了四個PSO參數設置，即ξ1、ξ2、Ω（0）和Ω（Nk）。在初始階段，按照Kennedy和Eberhart最初的算法設計，設置參數值為ξ1=ξ2=2且Ω（0）=Ω（Nk）=1。使用這些參數設置，可以分別生成十個不同的PV模型。每個模型都從20組不同的粒子中選擇。每個模型調整的迭代總數設置為30。在每次迭代中，均記錄了采樣的PV電流與總體最佳粒子所預測的PV電流之間的均方根誤差，如式（18）所示。

4 實驗結果

實驗電路和算法流程，如圖5所示。

實驗電路和平臺包括：用于PIC18F452和PV模擬器編程的計算機、MPPT控制器、PICKIT2調試器、示波器、SEPIC（DC/DC變流器）、電流探頭和負載電阻器。PV模塊、SEPIC和MPPT控制器在MATLAB / Simulink中實現。

PV模塊的電氣參數，如表4所示。

神經模糊算法參數，如表5所示。

最大粒子數、最大迭代數C1、C2、Wmin和Wdamp分別為2 000、150、1、2、0.5和0.99。運行PSO-NF模型的計算時間為1分鐘04 秒。

通過對三個輸入參數V（電壓）、G（日照）和T（溫度）的解析計算和輸出數據Ipv的采集，以進行神經模糊算法參數的學習。學習過程如下。首先完成了由V、G、T和Ipv組成的學習數據收集，下一步就是使用混合PSO-NF算法的學習過程來調整前饋網絡和后饋網絡的參數。模型的平均平方誤差結果如圖6所示。可以看出，在迭代53次時算法實現了收斂，此時穩態誤差等于0.3%，該數值非常低，證實了所提算法的良好性能。最后一步是對實驗結果進行檢查和驗證。

上述計算過程與模型訓練中的計算過程相同。使用式（1）計算解析Ipv，以構造包括三輸入和一輸出的檢查向量。因此，使用開發的算法估算光伏陣列Ipvis的發電電流。包含在集合V、G、T和Ipv中的數據稱為檢查數據。由于在PSO-NF算法中調用了檢查數據選項，因此最終選擇的模糊推理結構（FIS）具有最小檢查錯誤。因此，最終模型的均方誤差如圖6所示。

可以發現穩態誤差等于0.4%，顯然這個數值已經足夠小。

圖7表明，對于變化的日照度和電池溫度，預測曲線非常接近原始曲線，顯示了所提出算法的良好性能。

一旦使用本研究所提算法估算了PV電池輸出電流I ^pv，就可以通過式（4）計算出PV的MPP。如圖7（a）和圖7（b）所示。

實驗結果表明，所提算法可在僅知道PV模塊電氣參數的情況下，基于針對任何照度和電池溫度精確預測PV陣列的電氣特性。

5 總結

本文提出了一種基于PSO-NF的PV系統電氣特性的模型。為了獲得模型算法所輸出結果的準確性，緊湊性和高解釋性，提出了模型參數和模型結構一起優化的思路。為了使模型參數在整個訓練過程中不出現明顯的波動，同時使預測電流與訓練結束時的實際值之間的誤差最小化，本研究選擇了用于PSO-NF訓練方案的加速度系數和慣性因子。仿真實驗結果表明，本研究所提算法能夠準確預測不同氣候條件下PV系統的電氣特性，且計算性能較好。

參考文獻

[1] 竇曉波，蔡超，段向梅，等.計及模型誤差的分布式光伏配電網優化調控方法[J].電力自動化設備，2019，39（12）：41-48.

[2] 王建山，楊奕，楊元培，等.基于混合邏輯動態的MPPT建模仿真[J].太陽能學報，2019，40（11）：3046-3053.

[3] 趙泰祥，廖華，馬遜，等.局部陰影下光伏組件的Matlab/Simulink仿真模擬與特性分析[J].太陽能學報，2019，40（11）：3110-3118.

[4] 蔣建東，余灃，董存，等.基于PSO與ELM組合算法的短期光伏發電功率預測模型[J].鄭州大學學報（理學版），2019，51（3）：120-126.

[5] 王碩禾，鄭俊觀，陳祖成，等.基于改進粒子群優化算法光伏陣列多峰值MPPT的研究[J].可再生能源，2019，37（6）：879-885.

[6] 文立.基于Takagi-Sugeno模糊神經網絡的光伏發電功率預測研究[J].智能計算機與應用，2019，9（3）：118-121.

[7] 張海洲，張正江，胡桂廷，等.準最小二乘的神經網絡在光伏MPPT中的應用[J].控制工程，2018，25（12）：2257-2262.

[8] 代莎，董秀成，夏焰坤，等.光伏陣列多峰最大功率點優化跟蹤算法[J].電力系統及其自動化學報，2018，30（12）：48-52.

[9] 劉瑞，呂瑋，張昊，等.基于人工蜂群算法提高光伏陣列多峰的功率輸出[J].信息技術，2018（11）：143-147.

[10] 趙劍飛，盧航宇，丁朋飛.基于T-S模型的模糊神經網絡光伏MPPT控制[J].電機與控制應用，2018，45（11）：116-120.

[11] 吳玥，行鴻彥.基于SA-BP神經網絡算法的光伏陣列MPPT研究[J].計算機仿真，2018，35（10）：270-273.