基于麻雀搜索算法優化BP神經網絡的光伏系統最大功率點追蹤的研究

楊書恒

（武漢理工大學船海與能源動力工程學院，湖北 武漢 430063）

隨著全球各國對新能源利用研究的大量投入，未來幾十年，能源的產出消費方式以及能源使用層級將發生調整變革，技術進步也同樣成為推動太陽能發電技術發展的根本動力[1]。因此，怎樣高效化利用光伏發電成為研究重點，盡管光伏發電技術日益成熟，但受地理環境因素的影響引用中仍存在許多問題。外部環境溫度以及承受光照強度影響了光伏陣列的發電情況，因此光伏輸出特性曲線存在非線性，呈現多峰現象，不合理利用將導致大部分功率被損失[2]。麻雀搜索算法（Sparrow Search Algorithm，SSA）中根據麻雀的覓食和反捕食行為，令改算法可以滿足優化算法所需的全局探索能力和全局搜索能力，而SSA在多峰測試函數的收斂精度、速度及穩定性均優于其他群智能優化算法[3]。

1 對光伏電池輸出特性進行仿真研究分析

太陽能光伏發電系統由多個串并聯連接的光伏電池板塊構成，其等效電路模型如圖1所示[4]。

圖1 光伏電池等效模型

由等效模型可計算出光伏電池的工作電壓與輸出電流關系為：

式（1）中：I為輸出電流；Iph為光伏特性生成電流；I0為反向飽和電流；q為電子電荷；U為光伏系統輸出電壓；RS為光伏電池串聯總電阻；A為電路內部二極管品質因子；K為玻爾茲曼常數；T為開氏溫度；RSh為并聯電阻。

理想狀態下，RS可近似為0，RSh接近于無窮大，可將式（1）精簡為：

2 光伏輸出特性

在不同光照強度、環境溫度條件下，光伏陣列的輸出電壓與對應的光伏功率點非線性相關。不同的環境條件下連續的輸出特性曲線中呈現多個峰值[5]，如圖2所示。

圖2 遮蔭下功率與電壓的輸出特性曲線

3 SSA原理

麻雀搜索算法是利用自然界麻雀群體生存的社會化特征進行模擬優化的群體智能算法，通過模擬麻雀覓食和反捕食行為、基于個體能量高低不斷地更新麻雀種群中不同身份個體的位置，通過不依賴梯度信息構建較少的系統參數就可以實現較強的局部搜索能力，易于控制，擁有良好的并行性與較快的收斂速度。

3.1 發現者位置更新

發現者位置更新方式如下：

式（4）中：t為迭代次數；j=1，2，3，…，d；xi，j為第i個個體于群體中第j維中的位置；itermax為種群最大迭代次數；α∈（0，1]；R2（R2∈[0，1]）、ST（ST∈[0.5，1]）分別為覓食預警值與安全值；Q為一個隨機數且服從正態分布；L為一個1×d的矩陣，矩陣中所有因素全為1。

3.2 跟隨者位置更新

跟隨者位置更新方式如下：

式（5）中：xworst為呈現當前全局所處最差個體生存環境位置；xp為發現者當前所占據的最優覓食位置；A的表現形式為1×d的矩陣，陣中數值隨機賦為1或－1，且A+=AT（AAT）-1。

3.3 警戒者位置更新

警戒者位置更新方式如下：

式（6）中：β為系統步長控制參數，為均值為0且方差為1的服從正態分布的隨機數；xbest為目前全局最優位置；fi為個體適應值；fg為全局最佳適應度值；k∈[﹣1，1]；fw為全局最差適應度值；ε為常數，以防止分母為0。

4 基于SSA優化BP神經網絡的光伏系統MPPT模型

4.1 MPPT影響因素分析

由光生伏特效應原理可知光伏電池可將接收到的光能轉發為能夠使用的電能，由光伏電池工作原理可知光伏電池的輸出特性與照射在光伏電池板上的光子數有關[6]，輸出特性曲線受到光照和溫度的影響，因此，需要在不同的條件下追蹤光伏電池的最大功率點，提高光電轉化效率。

4.2 BP神經網絡模型的構建

在分析MPPT影響因素的基礎上，將光照強度和環境這2個最大功率點有重大影響的因素作為輸入層節點，特定環境下的光伏電池最大功率點電壓作為輸出層，利用經驗公式可以確定隱含層為8，構建2-8-1的BP神經網絡預測模型。

4.3 SSA-BP神經網絡預測模型

對數據預處理并將參數初始化，利用適應度公式計算每只麻雀的適應度值，找出當前具有最優適應度值的麻雀和最差適應度值的麻雀及與之相對應的位置，根據上述3個個體的位置更新公式依次更新發現者、加入者、警戒者位置，計算輸出具有最高適應度的最優麻雀個體的位置，即實現對BP神經網絡權值和閾值的優化。

5 實例預測及分析

5.1 實驗樣本選擇

本文設計的SSA優化BP神經網絡的光伏系統MPPT模型選取235組仿真數據進行測試，于235組數據中隨機選取190組數據作為訓練樣本，剩余45組仿真數據作為測試樣本進行光伏系統最大功率點預測。

5.2 SSA-BP參數設置

對系統預測模型進行參數設置，麻雀種群個體數量為20，迭代進化次數為20，發現者占種群總數比例為0.7，剩下為跟隨者，警戒者所占總群總數比例為0.2，警戒值為0.6，權值閾值上下邊界分別為5與－5。BP神經網絡學習率為0.1，迭代次數為5 000次，訓練目標為0.000 05。

5.3 預測結果分析

SSA-BP預測結果如圖3所示。如收斂曲線所示，該系統誤差整體趨勢是向下的，證明利用麻雀搜索算法可優化BP神經網絡并且具有較高精度，同時該模型的線性回歸擬合優度較好，模型擬合程度高，可靠性高。

圖3 SSA-BP預測結果