GAN-CNN-GRU在光伏最大功率點跟蹤中的應用

王冉冉 高慧敏

摘? 要： 光伏陣列在復雜光照強度條件下，出現局部遮蔭現象，導致輸出特性曲線呈現多峰值狀態，造成光伏系統能量轉化率低下。本文提出一種基于生成對抗網絡（GAN）、卷積神經網絡（CNN）和門控循環單元（GRU）的混合預測模型，預先使用GAN對光伏發電原始環境數據進行數據擴充，再用CNN提取不同光伏太陽能板的環境數據特征，最后利用GRU進行最大功率點電壓的預測。仿真結果表明，該混合預測模型可避免陷入局部極值的情況，可以有效提高復雜光照強度條件下的最大功率點跟蹤效率。

關鍵詞： 光伏電池； 最大功率點跟蹤； GRU神經網絡； CNN神經網絡； 生成對抗網絡； 仿真

中圖分類號：TM615? ? ? ? ? 文獻標識碼：A? ? ?文章編號：1006-8228（2023）06-119-05

Application of GAN-CNN-GRU in photovoltaic maximum power point tracking

Wang Ranran1， Gao Huimin2

（1. School of Computer Science and Technology， Zhejiang University of Technology， Hangzhou， Zhejiang 310018， China;

2. School of Information Science and Engineering， Jiaxing University）

Abstract： The local shading in photovoltaic （PV） arrays under complex light intensity conditions leads to a multi-peak state in the output characteristic curve， resulting in low energy conversion rate of PV systems. A hybrid prediction model based on GAN， CNN and GRU is proposed. Firstly， GAN is used for data expansion of the original environmental data of PV power generation， then CNN is used to extract the environmental data features of different PV solar panels， and finally GRU is used to predict the maximum power point voltage. The simulation results show that the hybrid prediction model can avoid the situation of falling into local extremes and can effectively improve the maximum power point tracking efficiency under complex light intensity conditions.

Key words： photovoltaic cell; maximum power point tracking; gated recurrent unit （GRU）; convolutional neural network （CNN）; generative adversarial network （GAN）; simulation

0 引言

在理想情況中，光伏陣列接受均勻光照，輸出特性曲線為單峰值，僅有一個最大功率點（maximum power point，MPP）。然而現實情況中，光伏陣列難免遇到一些特殊情況，例如云彩，落葉，塵土，建筑物的影響，造成光伏陣列接受光照不均，導致輸出特性曲線呈現多峰值現象，產生多個局部最大功率點（local maximum power point，LMPP）和一個全局最大功率點（global maximum power point，GMPP）[1]。

傳統方法例如擾動觀察法[2]、電導增量法[3]與恒定電壓法[4]，在復雜光照條件下，容易受到LMPP影響，陷入局部最優解的情況，無法跟蹤到GMPP，造成光伏系統能量轉化率較低。

近年來，神經網絡算法廣泛地應用于光伏系統中。如文獻[5]利用BP神經網絡預測最大功率點電壓，結合自適應模糊控制，但其BP神經網絡預測精度還待進一步提升[5]。文獻[6]提出用ANN來預測局部遮蔭條件下的全局最大功率點，但訓練數據還不夠多，導致預測效果不太精確[6]。

對于以上算法存在的不足，本文引入GAN-CNN-GRU-MPPT混合預測模型。通過GAN進行光伏環境數據的擴充，增加訓練數據，以提高模型的預測精度；加入CNN神經網絡，對不同光伏太陽能板的環境數據進行輸入特征的提取，最后由GRU神經網絡實現復雜光照條件下的最大功率點電壓預測。該混合預測模型的預測精度更高，能夠更好地提高光伏系統的MPPT效率。

1 局部遮蔭光伏陣列輸出特性分析

光伏陣列在局部遮蔭條件下會呈現多峰狀態，本文以3×1的光伏組件在Simulink中搭建局部遮蔭的仿真模型，各陣列參數選擇一致，光伏陣列結構如圖1。

假設光伏組件溫度均為25℃，三個太陽能板所受光照強度分別為1000W/m?，800W/m?，600W/m?，此時光伏陣列的輸出特性為多峰值狀態，光伏陣列的I-V、P-V曲線如圖2所示。

2 GAN-CNN-GRU-MPPT算法的設計

本文所建立最大功率點電壓預測模型如圖3。先利用GAN神經網絡對光伏陣列的環境數據進行擴充；再利用CNN神經網絡提取光伏陣列的環境數據特征，得到序列特征向量；最后將特征序列向量輸入到GRU神經網絡中，完成該情況下最大功率點電壓的預測。

本文提出GAN-CNN-GRU混合神經網絡結構如圖4所示。先經過Flod層將輸入reshape為指定形狀；通過CNN對輸入數據進行特征提取，設置兩層一維卷積層（Conv1D），卷積數均為64，卷積核大小1×N，N為輸入數據的維度，移動步長為1；兩層池化層（Maxpooling1D）進行下采樣，對特征向量進行降維，壓縮；激活函數選用Relu；Unfold層實現與Flod互逆的操作；Flatten層將數據扁平化處理，將數據變為一維向量，處理成為GRU神經網絡要求的輸入格式；設置3層GRU層，在層與層之間加入Dropout層，防止訓練過程中出現的過擬合現象；最后連接全連接層（Dense），輸出最大功率點電壓值預測值。

GAN-CNN-GRU混合神經網絡進行復雜光照強度下光伏最大功率點跟蹤的具體步驟如下：

⑴ 數據預處理，將獲得的環境數據進行歸一化處理，消除數據間差異較大的影響，加快模型收斂速度；

⑵ 使用GAN進行數據擴充，將擴充后的數據按照8：2的比例劃分為訓練集和測試集；

⑶ 訓練CNN-GRU模型，訓練過程使用Adam優化器調整模型參數，直至損失（loss）不再降低；

⑷ 得到訓練好的網絡模型，用測試集對網絡進行測試，將輸出結果進行反歸一化處理，得到預測的最大功率點電壓值；

⑸ 將訓練好的網絡模型轉化為可在Simulink中應用的模塊；

⑹ 將氣象站獲得的氣象數據輸入到訓練好的網絡模型中，預測該情況下的最大功率點電壓；

⑺ 根據⑹中獲得的最大功率點電壓值調節抗阻變換器，使光伏系統工作在最大功率點處。

3 GAN-CNN-GRU-MPPT算法的驗證與仿真

3.1 實驗數據

本文所需的氣象數據從2021～2022年，采集自xx集團光伏云平臺，自凌晨4：00不間隔采樣至晚上20：00，時間間隔為6分鐘。

3.2 評價指標

本文采用平均絕對誤差（MAE）、均方根誤差（RMSE）和平均絕對誤差率（MAPE）來評估模型，來直觀的表現本文提出模型與其他模型性能的區別。三個指標值越小，表示預測值與真實值差距越小，預測精度越高。

[MAE=1Nn=1N|Vn-Vn|] ⑴

[RMSE=1Nn=1NVn-Vn2] ⑵

[MAPE=1Nn=1N|Vn-VnVn|×100%] ⑶

上式中，[Vn]為光伏陣列實際最大功率點電壓，[V∧n]混合神經網絡預測電壓值，N為測試樣本數量。

3.3 GAN-CNN-GRU神經網絡的測試與驗證

本文采用了GAN、CNN、GRU三個網絡的混合模型，為驗證GAN-CNN-GRU混合模型的有效性，分別與不同擴充量的數據進行對比，與不同神經網絡模型進行對比，包括BP、RNN、LSTM、GRU。通過實驗結果對比分析，驗證了模型的性能優勢。

3.3.1 GAN數據擴充有效性驗證

本文將采樣獲得環境因素，包括三個光伏陣列受到不同的光照強度以及溫度作為原始數據，利用GAN神經網絡進行擴充，分別擴充20%，40%，60%，80%，100%。采用不用擴充比例的數據分別對模型進行訓練、預測。預測結果對比如圖5所示，誤差對比如表1所示。

根據圖5和表1可知，對光伏陣列原始數據進行擴充，能夠提高復雜光照強度下最大功率點電壓的預測精度，擴充比例越大，預測結果更加貼近實際電壓值，預測精度更高。當對原始數據擴充100%數據量時，測試集的RMSE下降61.4%，MAE下降62.1%，MAPE下降63.7%，擴充數據后可以顯著降低模型的預測誤差。

3.3.2 CNN-GRU有效性驗證

為驗證本文所提CNN-GRU混合預測模型的有效性，分別采用BP神經網絡預測模型、RNN神經網絡預測模型、LSTM神經網絡預測模型、GRU神經網絡預測模型以及CNN-GRU混合預測模型對復雜光照強度下的最大功率點電壓進行預測，預測結果對比如圖6所示，誤差對比如表2所示。

根據圖6和表2可知，本文所提GAN-CNN-GRU混合預測模型的預測值與實際電壓值重合程度更高，表明混合預測模型的預測精度更高。與BP神經網絡預測模型，RMSE下降57.2%，MAE下降80.6%，MAPE下降58.5%；與LSTM神經網絡預測模型相比，RMSE下降36.6%，MAE下降63.1%，MAPE下降40.5%；與GRU神經網絡預測模型相比，RMSE下降23.66%，MAE下降29.5%，MAPE下降28.3%。表明本文所提GAN-CNN-GRU混合預測模型能給有效提高復雜光照強度下最大功率點電壓的預測精度。

3.4 GAN-CNN-GRU-MPPT算法仿真

3.4.1 搭建仿真模型

在Matlab/Simulink環境下進行仿真，采用三組光伏太陽能板串聯，實驗中選用的光伏陣列模型參數：最大功率Pm為214.592W；開路電壓VOC為59.1V；短路電流ISC為4.89A；最大功率電壓Vm為47.9V；最大功率電流Im為4.48A；開路電壓溫度系數為-0.399%/℃；短路電流溫度系數為0.041%/℃。根據光伏系統最大功率點跟蹤控制原理搭建仿真模型，仿真模型如圖7所示。

3.4.2 仿真結果分析

根據實際不同天氣情況，環境因素有不確定性，本文設定了如下仿真情形，光伏太陽能板1，光照強度初始值為1000W/m?，兩秒后突變為1200W/m?，溫度為25/℃；光伏太陽能板2，光照強度初始值為800W/m?，兩秒后突變為400W/m?，溫度為25/℃；光伏太陽能板3，光照強度初始值為600W/m?，兩秒后突變為300W/m?，溫度為25/℃，模擬光照強度發生突變。將GAN-CNN-GRU-MPPT算法分別與BP-MPPT算法、RNN-MPPT算法、LSTM-MPPT算法、GRU-MPPT算法以及最大功率理論值進行了對比，各算法仿真跟蹤曲線如圖8所示，各算法性能對比如表3、表4所示。

仿真結果分析：由圖8和表3可知，在光照強度還未發生突變時，基于GAN-CNN-GRU-MPPT算法預測實際最大功率為425.342W，跟蹤曲線更加接近理論最大功率值，跟蹤精度為各算法的最高值，達到了99.78%，相較于BP-MPPT算法提高了6.81%，具有明顯的精度優勢。

由圖8和表4可知，光照強度發生突變后，基于GAN-CNN-GRU-MPPT算法預測光照強度突變后的實際最大功率為246.106W，相較于該環境因素下的理論值248.521W，在跟蹤時間差距不是很大的情況下，跟蹤精度依然達到了99.01%，相較于LSTM-MPPT算法和GRU-MPPT算法，跟蹤精度分別提高2.13%和1.28%。

4 結論

為解決復雜光照條件下光伏系統最大功率點跟蹤效率低的問題，本文提出利用GAN對光伏陣列歷史數據進行擴充，利用CNN與GRU的混合模型實現對最大功率點電壓的預測。實驗與仿真結果表明：

與原始數據相比，利用GAN擴充之后的數據作為混合神經網絡的訓練數據，對于最大功率點電壓的預測精度有明顯的提升。

與BP-MPPT、RNN-MPPT、LSTM-MPPT、GRU-MPPT相比，預先使用CNN對輸入數據進行特征提取，能夠增強GRU神經網絡的預測能力，預測誤差更小，在最大功率點跟蹤的仿真實驗中，跟蹤精度具有明顯優勢。

通過實驗和仿真對比驗證，本文所提出的GAN-CNN-GRU-MPPT算法能給提高光伏系統的能量轉換效率，具有一定的實際意義。

參考文獻（References）：

[1] 葛傳九，武鵬，董祥祥，等.基于布谷鳥算法的光伏MPPT改進[J].

太陽能學報，2022，43（10）：59-64

[2] Abouadane H，Fakkar A，? Sera D， et al. Multiple-Power-

Sample Based P&O MPPT for Fast-Changing Irradiance Conditions for a Simple Implementation[J]. IEEE Journal of Photovoltaics， 2020，10（5）：1-8 ISSN：2156-3381

[3] Alsumiri M . Residual Incremental Conductance Based

Nonparametric MPPT Control for Solar Photovoltaic Energy Conversion System[J]. IEEE Access，2019（99）：1-1 ISSN：2169-3536

[4] 李晶，竇偉，徐正國，等.光伏發電系統中最大功率點跟蹤算法

的研究[J].太陽能學報，2007（3）：268-273

[5] 張嚴，王亞君，余佳琪.基于神經網絡-自適應模糊的光伏

MPPT算法[J].國外電子測量技術，2022，41（4）：62-69

[6] Loubna Bouselham，Mohammed Hajji，Bekkay Hajji，

Hicham Bouali. A New MPPT-based ANN for Photovoltaic System under Partial Shading Conditions[J]. Energy Procedia，2017，111