BP神经网络在光伏发电MPPT中的应用_张蔚
· 光伏建筑 ·张 蔚 ( 1977 — ) , 女 ,讲师 , 硕士 , 从 事电 力电子技术 应用 方面 的研究 。BP神经网络在光伏发电MPPT 中的应用张 蔚(南通大学 电气工程学院 , 江苏 南通 226019)摘 要 : 介绍了光伏电池的 特性 ,提出了一种基于 BP 神经网络的最大 功率跟踪的控制策略 ,并进行了仿真试验 。 结果表 明 ,该方 法能够快 速 、 准确 地跟踪 光伏电池的最大功率点 ,具有较好的控制精度 , 从而提高了电能的转换效率 。关键词 : 光伏发电系统 ; 最大功率 跟踪 ; BP 神经网络中图分类号 : TK 514 文献标志码 :B 文章编号 : 1674- 8417( 2010) 04-0054-040 引 言光伏发电系统是指能将太阳能直 接转化为电能的装置 。 光伏电池电流 - 电压输出特性是非线性的 , 且其输出特性受日照 、 温度等因素的影响较大 。 另外 ,光伏电池的转换效率很 低 ,价格昂贵 ,初期投入大 , 因此 , 有必要采用最大功率跟踪控制来提高光伏系统 的效率 。 目 前常用的最大功率点跟踪方法有扰动观测法 [ 1 ] 、 恒定电压法 [ 2] 、 增量电导法 [ 3] 、 最优梯度法 [ 4] 等 。 这些方法存在控制复杂 、 难于实现 、 扰动量无法确定等问题 。 本 文 提 出 了 一 种 基 于 BP 神 经 网 络 的MPPT控制方法 , 仿真结果表明该方法能够实现较好的控制性能 。1 光伏电池特性1. 1 光伏列阵的数学模型电池分为非晶硅 、 多晶 硅等多种类型 ,又因为各自制造技术的不同而表现出不同的 I-U输出特性 。 I-U输出特性是指在某一确定的日照强度和温度下 ,光伏电池的输出电压和输出电流之间的关系 。 同一类型的光伏电池由于日照强度 、 环境温度的不同 , I -U输出特性也不同 。 图 1、 图 2分别为光伏电池随光照与温度的变化曲线 。图 1 光伏电池 I-U 特性随辐射强度变化曲线图 2 光伏电池 I-U 特性随环境温度变化曲线由图 1、 图 2可以看出 , 光伏电池的 I-U特性与辐射强度 、 环境温度之间是非线性的 。光伏电池处于暗处时 ,其输出的伏安特性与二极管的伏安特性相 似 。 根据光伏电池的内部结构及其输出特性 , 可以把光伏电池单元等效为图 3所示的电路 。等效电路由 1个电流源 、 1个二极管 、 1个高·54·· 光伏建筑 ·阻抗电 阻 Rsh 、 1个低 阻抗电 阻 Rs和负 载 RL 相串图 3 光伏电池输出特性等效电路联组成 。 图 3中 , ILG为电池的产生电流 , I 为电池的输出电流 。 在电路模型中 ,电流源产生的电流ILG与照射到电池上的光强强度成正比 ,受温度的影响较少 ; 串联电阻 Rs 使模型更加准确地表征从电池最大功率点到开路 电压范围内的伏安特性 ;并联电阻 Rsh使模型更加准确地表征从电池的最大功率点到零工作电压范围内的伏安特性 。根据光伏电池的等效电路 图及对光伏电池的伏安特性曲线的分析 ,可以得到光伏电池输出特性方程为I =I LG - Io exp q( U+I Rs )AKT - 1 - U+ I RsRs( 1)Io =I o r TTr3exp qEGKA1Tr- 1T ( 2)ILG =[ Iscr +K i ( T- Tr ) ] λ100 ( 3)式中 I , U— — — 光伏电池的输出电流和输出电压Iscr — — — 标准测试条件下电池的短路电流Io — — — 暗饱和电流 ,随温度变化而变化K— — — 玻尔兹曼常数q— — — 单位电荷EG — — — 硅的禁带宽度Tr — — — 参考温度Rsh — — — 电池的并联电阻 ,表示电 子穿过P-N结时产生的电流损失A— — — 常数T— — — 光伏电池的表面温度Ki — — — 短路电流的温度系数λ — — — 辐射强度ILG — — — 光电流Ior — — — 参考温度 Tr 下的暗饱和电流Rs — — — 电池的串联电阻由于单个光伏电池输出的功率较小 , 实际应用中 ,为了增大光伏电池的输出功率 , 将若干块光伏电池进行串 、 并联 , 以组成光伏电池阵列 ,满足需要 。1. 2 典型光伏列阵的特性曲线图 4、 图 5分别为典型光伏电池 P-U特性随辐射强度和温度变化的曲线 。图 4 光伏电池 P-U 特性随辐射强度变化曲线图 5 光伏电池 P-U 特性随温度变化曲线光伏电池既非恒压源 , 也非恒流源 ,而是一种非线性直流电源 。 从图 4、 图 5可以发现 , 在一定的温度和辐射强度下 ,光伏电池具有唯一的最大功率输出点 [ 5 ] 。 它表明光伏电池如采用 MPPT控制 ,跟踪到在不同光强 、 温度下的最大功率 ,就可以最大限度地提高光伏电池的能量利用率 。2 B P 神经网络控制2. 1 B P 网络结构反向传播 ( Back-Propagation Network s, BP)网是一种 多层前 馈神 经网 络 , 其网 络 结构 如图 6所示 。图 6 B P 网络结构图·55·· 光伏建筑 ·2. 2 B P网络设计2. 2. 1 输入层设计BP神经网络输入层的个数通常由求解问题和数据表示方式确定 。 对于最大功率跟踪 ,影响因素为光强 、 温度 、 时间 。 所以 ,本文中所设计的网络需要 3维输入 。2. 2. 2 输出层设计输出层的维数根据使用者的要求决定 ,故输出层神经元数可以为输出 最大功率点的任何参数 。 本文采用输出层神经元的个数为 1个 (即最大功率点电压 ) , 输出层传输函数采用 logsig型 。2. 2. 3 隐含层设计( 1) 隐含层的数目 。 研究表明 , 当各节点均采用 S型函数时 ,一个隐含层就足以实现任意判决分类问题 。 增加隐含层数可进一步降低误差 ,提高精度 , 但同时也使网络复杂化 ,增加了网络权值的训练时间 。 误差 精度的提高也 可以通过增加隐含层中的神经元数目获得 ,其训练效果也比增加隐含层数更容易观察和调整 。 所以 ,在一般情况下 , 应先 考虑 增加隐 含层中 的神经 元数量 ,在单隐含层不能满足要求时 ,可以考虑增加隐含层数目 。 本文采用单隐含层 。( 2) 隐含层单元数的选择 。 BP网络隐含层单元的输入与输出之间是 单调上升的非线性函数 ,要求隐含层单元数必须是一 个合理的数目 。隐含层单元数太少 ,则训练出的网络有可能不收敛 ,也可能无法提取样本的准确特征 , 没有训练的样本识别率低 ,容错性差 ;隐含层单元数过多 ,则会导致网络规 模过于庞大 ,结构复杂 , 从而增加网络的训练时间 ,甚 至不收敛 。 另外 , 单元数太多 ,会使特征空间划分过细 ,网络的判决曲面将只包含训练样 本 ,导致网络没有泛化能 力 ,降低对训练样本以外的样本 识别率 。 隐 含层节点数应根据具体问题 ,通 过试验确定 。 所以 ,设置多少个隐节点取决于训练样本数的多少 、 样本噪声的大小 ,以及样本中蕴涵规律的复杂程度 。 确定最佳隐节点数的一个常用方法称为试凑法 ,可用一些确定隐节点数的经验公式 [ 6] 。m = n + 1 +α ( 4)m =l og2 n ( 5)m = n ( 6)式 ( 4) ~ ( 6)中 , m 为隐含层节点数 , n为输入层节点数 , l 为输出节点数 , α 为 1 ~ 10之间的常数 。 本文中 , n = 3, l = 1,参考上述两个公式 ,并结合实际试验效果 , 最终选取隐含层的神经元数m= 5。3 仿真及试验结果3. 1 仿真模型BP神经网络确定为 3 × 5 × 1结构 , 建立的 3层 BP神经网络结构如图 7所示 。 有 3个输入神经元 、 5个隐含神经元和 1个输出神经元 。 输入的是光伏组件的光强 、 温度以及时间参数 , 预测输出是光伏组件的最大功率点电压 。 本文 BP神经网络的中间神经元的传递 函数采用 S型正切函数 ,输出 层神 经元的 传递函 数采用 S型对数函数 。图 7 B P 神经网络结构图3. 2 仿真及试验结果采样一天 24 h中光强 、 温度几组数据 ,通过BP神经网络结构进行学习训练 。 为了避免误差落入的是误差曲面的局部最小值 ,并显示各种算法的优劣性 ,确定最大训练次数为 1 000次 , 并固定目标函数 ( 均方误差 )为 0. 01, 训练函数分别采用 traingda 和 trainlm进 行仿真试验 。 试验波形如图 8至图 10所示 。 可 见 , trainlm 训练函数能更好地跟踪最大功率点电压 。·56·· 光伏建筑 ·图 8 训练函数 tr aingda 最大功率点电压预测图图 9 训练函数 trainlm 最大功率点电压预测图图 10 两种训练函数的相对误差对 比4 结 语针对光伏电池的特点和特性 ,将 BP神经网络控制应用 到光伏电池 MPPT 中 。 该方 法在温度 、 光强等外界环境变化的情况 下 , 能快速地跟踪光伏电 池的最 大功 率点 , 有效地 适应 外界环境 ,并具有较好的控制精度和稳定性 。[ 1] F UNABASHI T , K OY ANA GI K, Y OK OY AMAR.A R eview of Islandi ngD et ectionMe thods forDistri butedR esour ces[ J ] .P owerT ech C onf er-ence Pr oceedings, IEEEB ol ogna, 2003, 30( 2) : 1-6.[ 2] C H ENY ang, SME DLEY K M.A C ost-Effect iveSi ngle-Stage I nvert er Wi thMa xi mum Power PointTr acki ng[ J ] . IEEE Transacti ons onP ow erE l ec-troni cs, 2004, 19( 5) : 1289- 1294.[ 3] 张超 ,何香凝 . 非对称 PI D 模糊 控制在 最大功率 点跟踪 中的应用 [ J ] . 电 工技 术 学报 , 2005, 20( 10) :73-75.[ 4] 王 传 辉 , 罗 耀 华 . 模 糊 控 制 方 法 [ J] . 应 用 科 学 ,2008, 35( 3) : 42- 45.[ 5] 李炜 ,朱新坚 . 光伏 系统最 大功率 点跟踪 控制仿 真模型 [ J] .计算机仿真 , 2006, 23( 6) : 239- 243.[ 6] 唐彬 .基于神经网络和支持向量机的光伏最大 功率跟踪研究 [ D] .汕头 : 汕头大学 , 2008.收稿日期 : 2009 - 10- 11Applicationo f BPN eur al Networks in MP PTof Phot ovoltaic Power SystemZHANGW ei( School of Electrical Engineeri ng of Nantong University, Nantong 226019, China)A bstract: The characteristics of phot ovol taic( PV)w ere i ntroduced.Ac ontrol schemeb asedo nb ack-propagation( BP)n etworks was proposed for MPPT. The si mulati on resul ts showed that MPPT coul d be tracked exactl y and qui ckly.It hadg oodc ontrol precision, the exchange effici ency was improvedi np hotovoltai c power system.K eyw or ds: photov ol taic power system; maxi mum power point track ing ( MPPT ) ; back-propagation( BP)networks·57·