自适应BP神经网络在光伏MPPT中的应用

第 33 卷 第 3 期2012 年 3 月太 阳 能 学 报ACTA ENERGIAE SOLARIS SINICAVol ． 33， No． 3Mar． ， 2012文章编号 ： 0254-0096（ 2012） 03-0468-05自适应 BP 神经网络在光伏 MPPT 中的应用收稿日期 ： 2011-04-13基金项目 ： 浙江省开放式基金 （ 2010EM003 ）通讯作者 ： 胥 芳 （ 1964— ） ， 女 ， 博士 、 教授 、 博士生导师 ， 主要从事农业工程 、 新能源技术方面的研究 。 fangx@ zjut ．edu． cn胥 芳 ， 张 任 ， 吴乐彬 ， 徐红伟（ 特种装备制造与先进加工技术教育部 /浙江省重点实验室 ， 浙江工业大学 ， 杭州 310014）摘 要 ： 根据光伏电池的内部结构和输出伏安特性建立 Matlab 仿真模型 。 比较了扰动观察法 （ P＆O ） 、 电导增量法 、 恒定电压法 、 开路电压法和寄生电容法等几种光伏系统最大功率跟踪 （ MPPT） 算法 。 由于这些算法存在在最大功率点附近扰动较大 、 且受环境影响 、 鲁棒性较差等问题 ， 提出一种基于神经网络的 MPPT 算法 。 将温度和光强作为输入变量 ， 通过神经网络识别后可得到最大功率点 。 仿真表明所提出的方法具有良好的适应性 ， 显著提高了光伏系统的转换效率 。关键词 ： 太阳能 ； 光伏系统 ； 最大功率跟踪 （ MPPT） ； 神经网络 ； 仿真中图分类号 ： TM615 文献标识码 ： A0 引 言常用的太阳能光伏电池主要是硅太阳电池 。 太阳能光伏电池在不同温度和光照作用下 ， 其输出功率呈非线性特征 。 为了提高输出效率和降低发电成本 ， 进而广泛推广光伏发电技术 。 为使光伏电池始终工作在最大功率输出点 ， 出于成本 、 难度 、 复杂性和稳定 性 考 虑 ， 研 究 一 种 高 效 的 最 大 功 率 输 出（ MPPT） 算法具有重大现实意义 。目前 ， 国内外学者提出了多种 MPPT 算法 。 常用的有扰动观察法 （ P＆O ） 、 电导增量法 ［ 1］ 、 恒定电压法 、 开路电压法 ［ 2］ 和寄生电容法 。 这些算法结构简单 ， 但在最大功率点附近扰动较大 ， 且受环境影响 ，鲁棒性较差 。 近几年 ， 神经网络理论的应用取得了较大发展 ， 神经网络具有自适应特点 ， 可以很好地拟合光伏电池的非线性特性 。 本文设计了神经网络控制器 ， 使神经网络 MPPT 控制器具有参数自适应调整 ， 控制效果通过仿真和试验加以证实 。1 光伏电池的特性1． 1 光伏电池的等效模型根据光伏太阳电池板的内部结构和输出伏安特性得到光伏方阵的等效电路如图 1， 它由一个受光强和温度影响的电流源并联一个二极管再串联一个电阻组成 ［ 1］ 。图 1 光伏电池板等效电路图Fig ． 1 Equivalent circuit of PV panels光伏电池的数学模型可表示为 ［ 2］ ：I = I PH － I [0 eq（ V + IR S）nkT ]－ 1 － U + RSIRSH （ 1）理想情况下 RS 可近似为零 ， RSH 近似为无穷大 ，式 （ 1） 可简化为 ：I = I PH － I 0 eqVnkT( )－ 1 （ 2）P = VI （ 3）式中 ， I— — — 输出电流 ； I PH — — — 光生电流 ； I0 — — — 反向饱和电流 ； q— — — 电子电荷 ； V— — — 输出电压 ； RS— — —串联电阻 ； n— — — 二极管品质因子 ； k— — — 玻尔兹曼常数 ； T— — — 开氏温度 ； RSH— — — 并联电阻 。公式 （ 2） 表明光伏电池的输出功率是日照强度和温度的非线性函数 。1． 2 光伏电池的输出特性为了更 好 地 理 解 光 伏 电 池 的 特 性 ， 根 据 公 式（ 2） 、 （ 3） 所示的光伏电池的非线性函数关系绘制出3 期 胥 芳等 ： 自适应 BP 神经网络在光伏 MPPT中的应用 469其在日照不同 、 结温相同和日照相同 、 结温不同情况下的光伏电池 I- V、 P-V 特性曲线 ， 如图 2、 图 3。图 2 为光伏电池日照强度不变 、 温度变化情况下的一组 I-V 和 P-V 特性曲线 ， 从图 2 中可看出 ， 光伏电池的结温对光伏电池的短路电流影响不大 ， 随着温度的上升输出短路电流仅略有增加 。 光伏电池的开路电压随电池结温上升而下降 ， 且变化范围较大 。 光伏电池输出功率的总变化趋势与不同日照条件下的功率变化相似 。 但相同日照情况下其最大输出功率随电池温度的上升而下降 ， 且最大功率点对应的工作电压随温度上升而下降 ［ 3］ 。图 2 不同温度下光伏电池电压 -电流 （ 功率 ） 曲线Fig ． 2 Voltage -Current（ Power） curve of PV cell underdifferent temperature图 3 为光伏电池结温不变 、 日照强度变化情况下的一组 I-V 和 P-V 特性曲线 ， 从图 3 中可看出 ， 光伏电池的短路电流随光照强度增强而变大 ， 两者近似为比例关系 。 光伏电池的开路电压在各种日照条件下变化不大 。 光伏电池的最大输出功率随光照强度增强而变大 ， 且在同一日照环境下有唯一的最大输出功率点 。 在最大功率点左侧 ， 输出功率随电池端电压上升呈近似线性上升趋势 。 到达最大功率点后 ， 输出功率开始快速下降 ， 且下降速度远大于上升速度 ［ 3］ 。图 3 不同光强下光伏电池电压 -电流 （ 功率 ） 曲线Fig ．3 Voltage-Current（ Power） curve of PV cell underdifferent insolation综上所述 ， 光伏电池的输出功率与其所受的日照强度 、 环境温度有密切关系 。 图 4 为根据公式 （ 1） ～（ 3） 绘制出其在不同日照 、 不同结温情况下的光伏电池最大功率特性曲面 。 在不同外部环境情况下 ，光伏电池的输出功率会有较大变化 。 图 5 为所建立系统的总体结构 ， 主要由光伏电池 、 DC-DC 变换电路 、 负载和神经网络控制器组成 ， MOS 管始终工作在开关状态 ， 温度 T 和光强 G 是输入变量 ， 通过神经网络识别后可得到最大功率点 ， 它与系统实际工作的最大功率点之间有一个差值 ， 此差值用来控制占空比 α 。470 太 阳 能 学 报 33 卷2 BP 神经网络的结构2． 1 BP 神经网络的拓扑结构BP 学习算法的中心思想是调整权值使网络总误差最小 ， 即采用梯度搜索技术 ， 以期使网络的实际输出值与期望输出值的误差均方值最小 。 其网络学习过程是一种误差边向后传播边修正权系数的过程 。 BP 神经网络特别适合非线性特征的拟合 。 通过多层神经网络系统 ， 可精确地拟合光伏非线性系统 。 图 6 为本文设计的 BP 神经网络系统 ， 包含输入层 ， 隐含层 ， 输出层 3 层 ［ 4］ 。 其中输入层有 2 层 ， 隐含层有 100 层 ， 输出层有 1 层 。图 6 神经网络的 MPPTFig ．6 Neural networksfor MPPT一般来说 ， 隐含层节点数太少 ， 网络将不能建立复杂的映射关系 ， 使网络培训效果较差 ， 容错性不理想 ； 节点数过多 ， 又使网络学习时间过长 ， 误差也不一定最小 。 因此 ， BP 神经网络应有一个最佳隐含层节点数 。 要根据设计者的经验和多次实验确定 。 本文根据设定的训练精度要求和训练过程不断调整后的结果得出 ［ 5］ 。2． 2 BP 神经网络的学习过程神经网络能够通过对样本的反向学习训练 ， 不断改变网络的连接权值以及拓扑结构 ， 使网络的输出值不断地接近期望的输出 。在训练网络的学习阶段 ， 设有 N 个训练样本 ， 首先假定用其中某一个样本 p 的输入 ｛ xp ｝ 和输出 ｛ tp｝对网络进行训练 ， 隐含层的第 i 个神经元在样本 p作用下的输入为 ［ 6］ ：net pi = ∑Mj = 1wij opj － θ i = ∑Mj = 1wij xpj － θ i（ i = 1， 2， … ， q）（ 4）式中 ， xpj 和 opj — — — 分别为输入节点 j 在样本 p 作用时的输入和输出 ， 对输入节点而言两者相当 ； wij — — —输入层神经元 j 与隐含层神经元 i 之间的连接权值 ；θ i — — — 隐含层神经元 i 的阈值 ； M— — — 输入层的节点数 ， 即输入个数 。隐含层第 i 个神经元的输出为 ：opi = g（ netpi ） （ i = 1， 2， … ， q） （ 5）式中 ， g（ · ） — — — 激活函数 。若对于每一样本 p 的输入模式的二次型误差函数为 ：Jp = 12 ∑Li = 1（ tpk － opk ） 2 （ 6）则系统对所有 N 个训练样本的总误差函数为 ：J = ∑Np = 1Jp = 12 ∑Np = 1 ∑Lk = 1（ t pk － opk ） 2 （ 7）输出层的任意神经元 k 在样本 p 作用时的加权系数增量公式为 ：wki （ k + 1） = wki （ k） + ηδ pk opi （ 8）隐含层的任意神经元 k 在样本 p 作用时的加权系数增量公式为 ：wij （ k + 1） = wij （ k） + ηδ pi opj （ 9）从光伏模型可知 ， 如果环境温度 T 和光强 G 已知 ， 就可确定最大功率点 ， 本文在设计 BP 神经网络的 MPPT算法时 ， 使用环境温度 T、 光强 G 和测试得到的最大功率 ， 通过理论样本的训练 ， 最后达到误差收敛 ， 从而使输出得到期望的最大功率 。 该算法能在短时间的训练下使模型逼近最大功率点 ， 从而可显著提高功率跟踪的响应速度和精度 。3 算例仿真分析3． 1 仿真过程的实现本文采用 MATLAB 的神经网络工具箱进行仿真 ， 具体仿真步骤如下 ：1） 确定学习样本和目标样本采用温度 T、 光强 G 和它们对应的最大功率点数据作为初始样本数据 。2） 建立 BP 神经网选择 隐 层 和 输 出 层 神 经 元 传 递 函 数 分 别 为tansig和 purelin， 网络算法采用 Levenberg-Marquardt算法 trainlm。3） 训练网络直到其达到预定误差精度在网络进行训练之前 ， 需要设置训练参数 ， 设学习率为 10% ， 训练时间为 50s， 训练误差为 0． 01， 其3 期 胥 芳等 ： 自适应 BP 神经网络在光伏 MPPT中的应用 471余参数使用缺省值 。4） 网络测试对训练好的网络进行仿真 ， 绘制网络输出曲线 ，并与原始数据曲线比较输出结果 。5） 性能误差的分析3． 2 仿真结果的对比 、 分析本仿真实验的输入节点数为 2 个 ， 输出节点数为 1 个 。 且网络经训练后均达到预定的精度要求 ，从训练过程曲线来看 ， 网络的训练速度很快 ， 经过一次循环迭代过程就达到要求的精度 。图 7 对比了训练前后的输出结果 。 从图 7 中可看出 ， 得到的曲线和原始曲线的非线性曲线很接近 ，说明经过训练后 ， BP 网络对 MPPT 有很好的跟踪效应 。 网络非线性程度越高 ， 对于 BP 网络的要求越高 ， 则相同的网络逼近效果稍差 。 隐层神经元的数目对于网络逼近效果也有影响 ， 一般来说 ， 隐层神经元数目越多 ， 则 BP 网络逼近非线性的能力越强 ， 而同时网络训练所用的时间相对较长 。 隐层神经元数目太少 ， 则 BP 网络逼近非线性的能力下降 ， 网络不能很好地学习 ， 需要训练的次数较多 ， 训练精度也不够 ［ 7］ 。 根据经验公式确定一个参考值 ， 然后依据多次实验结果进行调整 ， 选择合适的隐层神经元数目 。图 7 训练后神经网络的输出结果Fig ． 7 Trained neural network output图 8 对比了扰动观察法 （ P＆O ） 和 BP 神经网络法下最大功率跟踪情况 ， 仿真过程中 ， 两者采用的控制参数完全相同 ， 而控制方法完全不同 。 扰动观测法具有简单可靠 、 易实现的优点 。 但该方法由于不断干扰光伏阵列工作电压 ， 故理论上虽然在某日照强度和环境温度下光伏阵列存在唯一的最大功率点 ， 却无法最终稳定运行在该最优点 ， 可看到输出功率误差曲线一直处于波动状态 。 因此 ， 可以说扰图 8 实验输出误差Fig ． 8 Experimental output error动法的本质缺点即为阵列输出功率会在最大功率点附近的小范围内反复振荡 ， 而振荡的幅值则由算法的步长决定 。 而神经网络算法下 ， 通过观察功率输出误差 ， 训练参数的选择对于训练效果的影响较大 。如果学习速率太大 ， 将导致其误差值来回振荡 ； 学习速率太小 ， 则导致动量能量太小 。 一般情况下只能采用不同的学习速率进行对比尝试 。 对于训练必须给予足够的训练次数 ， 能够克服缺点 ， 以使其训练结果是最后稳定到最小值的结果 ［ 8］ 。仿真结果表明 ， 神经网络算法对环境有很强的鲁棒性 ， 基本可以对最大功率实施跟踪 ， 具有很好的自适应能力 。4 结 论本文在对光伏电池温度特性和光强特性理论分析的基础上 ， 提出一种具有良好适应性的 MPPT 算法 — — — 神经网络 MPPT 算法 。 仿真结果表明 ， 相对于传统的 MPPT算法 ， 具有非线性映射能力 、 泛化能力和较强容错能力的 BP 神经网络在处理这方面问题中具有独特优势 。 使得运算速度明显快于其他方法 ， 避开了特征因数与判别目标的复杂关系描述 ， 特别是公式的表达 。 网络可自己学习和记忆各输入量和输出量之间的关系 。 仿真表明 ， 基于自适应 BP 神经网络的 MPPT算法显著提高了不同环境下最大功率点的跟踪能力 ， 从而使光伏系统的性能和效率显著提高 。［ 参考文献 ］［ 1］ 崔 岩 ， 蔡炳煌 ， 李大勇 ． 太阳能光伏系统 MPPT控制算法的对比研究 ［ J］ ． 太阳能学报 ， 2006， 27（ 6） ：472 太 阳 能 学 报 33 卷535— 539．［ 1］ Cui Yan， Cai Binghuang， Li Dayong ． Comparativestudieson the MPPT control algorithems of solar energyphotovol-taic system［ J］ ． Acta Energiae Solaris Sinica， 2006， 27（ 6） ： 535— 539 ．［ 2］ 章丹艳 ， 吴晓波 ， 赵梦恋 ． 光伏电池最大功率点跟踪芯片的 设 计 ［ J］ ． 浙 江 大 学 学 报 ， 2009， 43 （ 11） ：2000— 2005．［ 2］ Zhang Danyan， Wu Xiaobo， Zhao Menglian ．Integratedcircuit design for solar cell maximum power point tracking［ J］ ． Journal of Zhejiang University， 2009， 43 （ 11） ：2000— 2005．［ 3］ BahgatA B G， Helwa N H， Ahmad G E， et al ． Maximumpower point traking controller for PV systemsusing neuralnetworks［ J］ ． RenewableEnergy， 2005， 30（ 8） ： 1257—1268．［ 4］ Ben Salah C， Ouali M． Comparison of fuzzy logic andneural network in maximum power point tracker for PVsystems［ J］ ． Electric Power SystemsResearch， 2011， 81（ 1） ： 43— 50．［ 5］ ChaouachiA ， Kamel R M， NagasakaK． A novel multi-model neuro-fuzzy-based MPPT for three-phase grid-con-nected photovoltaic system［ J］ ． Solar Energy， 2010， 84（ 12） ： 2219— 2229 ．［ 6］ Chen Wei， Shen Hui， Shu Bifen， et al ． Evaluation ofperformanceof MPPT devices in PV systems with storagebatteries［ J］ ． Renewable Energy， 2007， 32（ 9） ： 1611—1622．［ 7］ Hiyama T， KouzumaS， ImakuboT． Identification of optimaloperatingpoint of PV modulesusing neural network for realtime maximumpowertracking control［ J］ ． IEEE Transactionson EnergyConversion， 1995， 10（ 2） ： 360— 367．［ 8］ Hiyama T， Kouzuma S， Imakubo T， et al ． Evaluation ofneural network based real time maximum power trackingcontroller for PV system［ J］ ． IEEE Transactionson Ener-gy Conversion， 1995， 10（ 3） ： 543— 548．SELF- ADAPTION BP NEURAL NETWORK FOR THEMAXIMUM- POWER- POINT TRACKING IN PHOTOVOLTAICXu Fang， Zhang Ren， Wu Lebin， Xu Hongwei（ Key Laboratory of E＆M （ Zhejiang University of Technology） ， Ministry of Education ＆ Zhejiang Province，Zhejiang University of Technology， Hangzhou 310014 ， China）Abstract ： Matlab simulation model was established according to the internal structure of the photovoltaic cells andoutput voltage characteristics ．The perturbation and observation method （ P＆O ） ， the incremental conductancemethod， a constant voltage method， the open circuit voltage and the parasitic capacitancemethod and a variety ofPV system maximum power point tracking （ MPPT） algorithms were compared． Since these algorithms disturbancein the vicinity of the maximum power point and are subject to environmental impact， less robustness， a MPPT algo-rithm based on neural networks ． Temperature and light intensity as the input variables， after identification by theneural network to get the maximum power point ． Simulation results showed that the proposed method has good a-daptability， significantly improves the conversion efficiency of photovoltaic systems ．Keywords ： solar energy； photovoltaic system； maximum power point tracking； neural network； simulation