基于模糊神经网络的光伏系统MPPT控制方法

收稿日期 :2007 - 08 - 21基金项目 :河南省自然科学基金资助项目 ( 0511010800)作者简介 :冯冬青 ( 1958 —) , 男 ,广东佛山人 ,教授 ,研 究方向 : 智 能控制理 论与应 用 ( E - mail : dqfeng @zzu. edu. cn) ; 马军 磊 ( 1983 —) ,男 ,河南许昌人 ,硕士研究生 ,研究方向 : 智能控制 。文章编号 :1003- 6199( 2007) 04- 0025- 03基于模糊神经网络的光伏系统 MPPT 控制方法冯冬青 ,马军磊 ,沈大中( 郑州大学 电气工程学院 ,河南 郑州 450001)摘 要 : 在讨论分析现有光伏电源最大 功率点 跟踪 ( M PPT) 控制方 法的基 础上 , 根据光 伏电源 系统的特性将补偿模糊神经网络方法应用在最大功 率点跟踪 控制上 , 能 够根据 外界环 境变化及 时进行 调整 , 具有自学习和自适应能 力 ,使系统始终稳定工作 在最大 功率点 上 , 避免了 使用传统 方法时 存在的 最大功 率点附近剧烈震荡的现象 。关键词 :光伏 ; MPPT ; 模糊 ;神经网络中图分类号 :T P183 文献标识码 :AA MPPT PV System Control Method Based on Fuzzy Neural NetworkFENG Dong- qing , MA Jun- lei,SHEN Da- zhong( School of Electrical Engineer of Z hengzhou University , Zhengzhou 450001, China)Abstract : This paperdiscussedand analyzed the existing photovoltaic power M aximum Power Point Tracking ( M PPT) con-trol method; compensation fuzzy neural network method is usedin the maximum power point tracking and control accordingto thephotovoltaic systems characteristics; I t can adjust timely according to the changes of the external environment, have self- learningand adaptive capacity, let the system remained in the maximum power point , avoid the turbulent situation near the maximumpower point w hen using the traditio nal methods.Key words:photovoltaic ; M PPT ; fuzzy; neural network1 引 言当前 , 由于全球性能源危机 , 世界普遍重视可再生能源的利用研究 。 在所有可再生能源中 ,光伏发电是利用最灵活 ,最可行的一种能源 。 但是 ,由于光伏电池具有明显的非线性特性 ,为了实现光伏发电系统的功率输出最大化 , 需要对光伏电池的输出最大 功率点进行跟踪 。 目前 , 最 大功率点跟踪( Maximum Power Point Tracking ,简称 M PPT) 的方法有很多 ,如恒定电压控制法 ,扰动观测法 ,导纳增量法 ,模糊控制法等等 。 但不同的方法在实际的使用中存在不同的优缺点 ,为了能充分利用各种方法的优点 , 在对几种常见 MPPT 方法进行分析的基础 上 , 提 出了 一 种基 于 模糊 神经 网 络的 光 伏MPPT 控制方法 ,并进行了较详细的实验研究 。2 光伏电源特性及现有最大功率点跟踪( MPPT ) 方法比较光 伏 电 池 输 出电 流 、 电 压关 系 如 式 ( 1) 所示 [ 1] ,输出功率见式 ( 2) 。 由式 ( 1) 可知光伏 电池输出功率是日照强度和温度的函数 ,该输出功率在一定外部条件下有唯一最大值存在 。I = I s - I 0 exp qAK T V - 1 ( 1)p = I s V - I 0 V exp qAK T V - 1 ( 2)式中 : I , I s ,I 0 — — — 光 伏电池 的输出电 流 、 短路 电第 26 卷第 4 期2 0 0 7 年 1 2 月计 算 技 术 与 自 动 化Computing Technologyand Automatio nVol. 26 , No. 4Dec. 2 0 0 7流 、 反向饱和电流 ,其中 I s 由日照强度决定q — — — 电荷常数 ;A — — — 光伏电池中半导体器件的 p - n 结系数 ;K — — — Boltzmann 常数 ;T — — — 绝对温度 ;V — — — 光伏电池输出电压在现有的最大功率点跟踪控制方法中 ,固定电压 、 固定电流法虽然控制简单 ,但需额外的光伏器件获取控制所需的光伏器件开路电压或短路电流 ,增加了成本 ,且由于采样用器件与受控器件的特性差异 ,控制精度和光电转换效率低 ,仅适用于小功率场合 ;扰动观察 法和增加电导法 虽然转换效率高 ,但这两种方法中 M PPT 电路功率开关的占空比调节量 Δ d 为定值 ,在最大功率点附近会出现较大的功率振荡 [ 2- 3 ] ; 神经网络法 [ 4] 虽然控制效果较好 ,但是当系统参数发生变化时要对系统重新建模 ,否则就不能达到好的效果 。 实验结果表明把模糊控制 [ 6] 应用到最大功率跟踪控制系统能快速响应外部环境变化 ,但光伏电池功率 、 电压曲线特性在最大功率点两侧有很大不同 ,传统的模糊控制的隶属度函数及控制规则没有考虑光伏电池这一特点 ,在最大功率点附近还存在一定的功率波动 。 因此将模糊控制和神经网 络结合 , 实 现光伏电池的M PPT 控制是一个很好的研究方向 。3 模糊控制原理及实现方案3. 1 控制方案设计在式 ( 2) 的基础上可以求出电功率对电压的导数如式 ( 3) 所示 。dP/ dV = I s - I 0 exp qAK T V1 + qAKT V - I 0 ( 3)该式表明 dP/ dV 是输出电压的单调函数 : 当输出电压为零时该值最大 , 大小等于电池的短路电流 ;随着输出电压的增加 , dP/ d V 缓慢下降 ,在输出功率最大点附近该值下降速度加快 ,在 M PP 该值等于零 ;随着输出电压 V 进一步增加 , dP/ d V 变为负值 ,由于不同电压时 dP/ d V 的大小和变化率不同 ,因此可以根据 dP/ d V 的大小和变化率的不同调节 PWM 的占空比 Δ d 来改变太阳能电池输出电压进而改变光伏系统的最大功率点 。 定义控制量 e和 Δ e 分别如式 ( 4) 和式 ( 5) 所示 :e( k)= Pph( k) - Pph( k - 1)v ph( k) - v ph( k - 1) ( 4)Δ e( k)= e( k) - e( k - 1) ( 5)式中 Pph 和 v ph 分别为光伏电池输出功率和输出电压 。输出量定为 MPPT 电路中开关器件占空比的改变量 Δ d .由此可画出系统的控制框图 ,如图 1 。图 1 系统的控制 框图3. 2 模糊神经网络结构设计模糊逻辑模仿人脑的逻辑思维 ,用于处理模型未知或不精确的控制问题 ,神经网络则模仿人脑神经元功能 ,可作为一般的函数估计器 ,映射输入输出关系 [ 5 , 7] 。 二者结合实际上是人类大脑结构和功能 的模拟 , 能够解决常规方法 不能解决的许 多问题 。 这里引入一种具有快速学习算法 、 能够执行补偿模糊推理的补偿模糊神经网络作为该控制系统的控制器 。 根据该光伏系统的特点 , 设计了五层模糊神经网络 。 第一层各个结点与输入向量 [ e , Δ e]直接相连接 ; 第二层的每一个结点代表一个语言变量值 ,其作用是计算各输入向量属于各语言变量值模糊集合的隶属函数 ;第三层的每一个结点代表一条模糊规则 ,其作用是匹配模糊规则 ,计算出每条规则的适用度 。 第四层为补偿运算层 ,第五层为反模糊化层 。3. 3 补偿模糊推理模糊神经网络结构是输入 — 输出的补偿模糊逻辑系统 ,其 IF - TH EN 规则表述如下 :IF e is A k1 and Δ e is Ak2 TH EN Δ d is B k其中 , Aki 是输入的模糊集 , Bk 是输出的模糊集 , i= 1 ,2 ;k = 1, 2 . . .7 。模糊隶属函数为 :μ Ak1= exp - e - êk1σ k12( 6)μ Ak2( Δ e)= exp - Δ e - êk2σ k22( 7)μ B k( Δ d)= ex p - Δ d - bkδ k2( 8)定义输入 r = ( e , Δ e) , 论域为 U = U 1 × U 2 ,对于论域 U 中的一个输入模糊子集 A′ ,根据第 k个模糊规则 , 能够在输出论域 V 中产生一个输出模糊 子 集 B′ 。 模 糊 推 理 采 用 最 大 - 代 数 积( sup( ) ) 合成运算 ,则由模糊推理规则所导出的V 上的模糊集合 B′ 为26 计算技术与自动化 2007 年 12 月μ B′ k ( Δ d)= sup( μ Ak1 × Ak2 ※ Bk( r , Δ d) μ A′ ( r) )( 9)模糊蕴含采用积运算 ( Larsen)Rp = A ※ B即 μ A ※ B( r , Δ d)= μ A( r) μ B( Δ d) ( 10)消极运算为 :μ k = ∏2i = 1μ A ki( r i ) ( 11)积极运算为 :vk =[ ∏ μ A ki ( r i) ] 1/ n ( 12)这里 r i( i = 1 ,2) 分别为 e 和 Δ e 。补偿运算为μ A k1× Ak2( r )=( μ k) 1- γ ( vk )γ=[ ∏2i = 1μ Aki( ri )] 1- γ + γ / n( 13)其中 , γ 为补偿度 , γ∈ [ 0 ,1] ,因此 ,μ B′ k ( Δ d) =supr ∈ U{ μ B k( Δ d) μ A′ ( r ) [ ∏2i = 1μ Aki( r i)] 1- γ + γ / n} ( 14)进行模糊化 , μ A ′ ( r )= 1 , μ B k( bk )= 1 ,则μ B′ k ( bk)=[ ∏2i = 1μ A ki( r i ) ] 1- γ + γ / n ( 15)定义反模糊化函数 f ( x) 为f( x)=∑7k = 1bkδ k[ ∏2i = 1μ Aki( r i ) ] 1- γ + γ / n∑7k = 1δ k - [ ∏2i = 1μ Aki( r i) ] 1 - γ + γ / n( 16)该系统是由模糊产生器 、 高斯型隶属函数 、 乘积推理规则 、 消极 - 积极补偿运算即改进型重心反模糊化器构成的补偿模糊神经网络 。3. 4 补偿神经网络的学习算法模糊子集 A ki 和 Bk 的模糊隶属度函数如下式μ Aki( r pi )= exp -rpi - ê ki êσ ki2( 17)μ B k( Δ dp)= exp - Δ dp - bkδ k2( 18)由式 ( 16) 得f( xp)=∑7k = 1bkδ kzk∑7k = 1δ kzk( 19)其中 ,z k =[ ∏2i = 1μ Aki( r pi ) ] 1 - γ + γ / n ( 21)目标函数定义为 :E p = 12 [ f( xp) - Δ dp] 2 ( 22)根据梯度下降方法 [ 5] ,可以分别得到 : 输出隶属函数中心 bk 、 输出隶属函数宽度 δ k 、 输入隶属函数的中心 ê ki 、 输入隶属函数宽度 σ i 及补偿度 γ 的训练算法 。 从前面的分析可知 , 在光伏系统最大功率点两侧 ,功率 、 电压曲线特性是不对称的 ,采用补偿模糊神经网络控制算法时输入输出隶属度函数宽度都是可以通过训练调节的 ,这就弥补了采用传统对称模糊神经网络控制时的不足 。4 实验结果及分析图 2 是 实验 系统 框图 , 它 主要由 光伏 模块 、Boost 电路 、 模糊神经网络控制器构成 。 光伏模块参数如下 :开路电压 :21 .0V ; 最大输出功率点对应输出电压 :17 .0V ;短路电流 :4 .2A ; 最大输出功率点对应输出电流 :3 .53A ;最大输出功率 :60W 。图 2 实验装置电路原理图控制系统 的核心是模糊 神经网络 控制器 , 由TI 公司的 TMS320LF2407DSP 芯片实现 。 通过已测数据对模糊神经网络进行训练后就可投入使用 。在使用后中仍可以在线对网络进行训练 。 控制器对电压 、 电流信号进行处理后 , 得到 Boost 电路主开关占空比的调节量控制开关的变化 ,这个过程反复进行直到系统工作在最大功率点 。图 3( B) 是光伏电池输出功率在外部环境发生突变的情况下的实验结果 ,曲线 1 、 2 分别是光伏模块输出电流及电压曲线 。 从实验结果可知 ,在外界环境相对稳定的情况下它有良好的稳定性 ,能使系统稳定工作在 MPP ;与模糊控制方法相比 , 其输入隶属度函数能通过训练自动调节 ,因此当外部环境突变时它能快速 、 准确的跟踪 M PP 的变化 , 具有良好的快速性 。 与扰动观测法相比更是提高了在MPP 附近的平滑性 。 实验结果表明采用补偿模糊神经网络对光伏电池进行最大功率点跟踪 ,能达到良好的效果 。( 下转第 40 页 )27第 26 卷第 4 期 冯冬青等 : 基于模糊神经网络的光伏系统 MPPT 控制方法角 ,车辆输出仍然能较精确的跟踪参考车辆的期望输出 。2) 与单独的直接横摆力矩控制相比 ,横摆力矩和主动前轮转向组合控制在有效地减少车辆质心侧偏角的同时 ,使车辆横摆角速度精确的跟踪期望的横摆角速度 ,能提高车辆主动安全性 ,减轻驾驶员的操纵负担 。参考文献[ 1] H. E . Tseng, D . Madau, B. Ashrafi , T. Brown, D . Reckei. Tech-nical Challengesin the Developmentof Vehicle Stability Control Sys-tem. Proceedingsof the 1999 DEE InternationalConferenceon CantmlApplications Kohala Coast - Island of Hawai i, Hawsi i[ J] . USA Au-gust 22- 21, 1999.[ 2] MasatoAbe ,YoshioKano ,Kazuasa Suzuki , Yasuji Shibahata,Yoshi-mi Furukawa.Side- slip control to stabilize vehiclelateralmotion by di-rect yaw moment[ J] . JSAE Review 22( 2001) 413- 419 .[ 3] M otoki Shino,M asao Nagai.Yaw - moment control of electric vehiclefor improving handlingand stability[ J] .JSAE Review 22, 2001, 473-480.[ 4] 祁永宁 , 陈 南 ,李 普 . 四轮转向车辆的直接横摆力矩控制 [ J] .东南大学学报 :自然科学版 , 2004. 7, 34( 04) .[ 5] 余卓平 ,赵治国 ,陈 慧 . 主动前轮转向对车辆操纵稳定性能的影响 [ J] .中国机械工程 , 2004.4, 16( 07) .[ 6] 晏蔚光 ,毋茂盛等 .一种基于横摆力矩和主动前轮转向控制的制动稳定性控制方法 [ J] .北京科技大学学报 ,2005 .8 , 27( 04) .[ 7] 郭孔辉 .汽车操纵动力学 [ M] .吉林 :吉林科学技术出版社 ,1991.[ 8] Gim G and Nikravesh P E. An Analytical Study of PneumaticTypesfor Vehicle Dynamic Simulations. Part 2 : Comprehensive Slips[ J] . In-ternationalJournalof Vehicle Design.1995 : 12 ( 1) 19- 39.[ 9] Ken Koibuchi, MasakiYamamoto, Yoshiki Fukada, et al. Vehicle sta-bility controlin limit cornering by active brake[ J] .SAE, 1996, 960487:555 - 564 .[ 10] Hattori Y . optimum vehicle dynamics control basedon tire driving andbraking forcesR &D Review of Toyota CRDL ,2003 ,38( 4) :23- 29.[ 11] Kihong Park , Seung- Jin Heo, Inho baek. Controller design for im-proving lateral vehicle dynamic stability [ J] . JSAE Paper, 2001,20014501:481- 486.[ 12] M asao Nagai, Motoki Shino, FengGao. Study on integrated control ofactivefront steer angle and direct yaw moment[ J] . JSAE Review 23( 2002) 309- 315.[ 13] Katsuyama, E. , Fukushima, N . Improvement of Turning behaviorUsing Yaw Moment FeedbackControl Strategy[ J] . JSAE Paper2000,20005171:467- 474.[ 14] Hattori Y , Koibuchi k, Yokoyama T. ForceandM omentControl withNonlinear Optimum Distribution for Vehicle Dynamics[ J] .AVEC 2002( 2002) :595- 600.[ 15] 张国良 ,曾静 ,等 . 模糊控制及其 MATLAB 应用 [ M] . 西安 : 西安交通大学出版社 , 2002.[ 16] 冯金芝 ,等 . 基于混合仿真技术的车辆横向稳定性 [ J] .汽车工程 ,2004( 2) P187- 192.( 上接第 27 页 )图 3 日照强度突变时的实验结果图5 结 论将补偿神经网络理论用于光伏电池最大功率点的控制 ,具有收敛速度快的特点 ,在外界环境剧烈变化的情况下能够快速的跟踪光伏电池的最大功率点 ,并且能够克服最大功率点附近的功率震荡现象 ,由于模糊控制本身具有鲁棒性 [ 8 - 9] , 因此在系统参数发生变化时 ,仍具有较好的控制效果 。参考文献[ 1] 赵争鸣 , 刘建 政 , 孙晓 瑛 .太阳 能光 伏发电 及其应 用 [ M ] .北京 : 科学出版社 , 2005 .[ 2] 陆文乐 , 袁庆丰 , 孙忠峰 , 李桂琴 . 模糊神经网络 在电火花线切割加工中的应用 [ J] . 机械设计与制造 , 2007 . 4.[ 3] Hohm D P, Ropp M E . C omparative study of maximum powerpoint tracking algorithms using an experimental , programmable ,maximum power point tracking test bed[ J] . IEEE 28th Photo-voltaic Specialists Conference, Anchorage , 2000 : 1699 - 1702 .[ 4] 王松 . 一种基于神经网络的光伏电源最大功率控制系 统 [ J] .电工技术学报 ,2005 .10 .[ 5] 闻新 , 周露 ,李翔 ,张宝伟 . matlab 神经网络仿真及应 用 [ M] .北京 : 科学出版社 ,2003 .[ 6] Similes M G, Franceschetti N N , Friedhofer M . Fuzzy logicbased photovoltaic peak power tracking control[ J] . Proc IEEEConf International Symposium on Industria Electronics , Preto-ria ,1998 :300 - 305 .[ 7] 吴晓莉 , 林哲辉 , 等 .M ATLAB 辅助模糊系统设计 [ M] .西安 :西安电子科技大学出版社 , 2002 .[ 8] 李晓忠 . 模糊神经网络 [ M] . 贵阳 : 贵州科技出版社 , 1994 .[ 9] 王仕 同 . 模 糊系 统 、 模 糊神 经网络 及应 用程 序设 计 [ M ] . 上海 :上海科学技术文献出版社 ,1998 .40 计算技术与自动化 2007 年 12 月