梁惺彥，張 蔚

（1. 南通大學 計算機科學與技術學院，南通 226019；2. 南通大學 電氣工程學院，南通 226019）

0 引言

隨著世界經濟的發(fā)展和人口數(shù)量的不斷增長，人們對于能源的需求越來越大，一次能源的消耗過程中所帶來的環(huán)境污染問題已越來越嚴重。因此，清潔的可再生的太陽能越來越受到人們的重視。但由于光伏電池的轉換效率較低，且價格較高，嚴重阻礙了光伏發(fā)電系統(tǒng)的推廣和應用，因此必須最大限度的利用光伏電池所產生的功率，以降低光伏發(fā)電的成本。

目前常用的最大功率點跟蹤的方法有模糊控制法、擾動觀察法、電導增量法等[1～4]，這些方法存在控制復雜、難于實現(xiàn)、擾動量無法確定等問題。本文根據影響光伏電池輸出功率大小的溫度、光照、陰影等外界條件設計BP神經網絡，通過實驗所測的數(shù)據進行訓練，預測出光伏電池的最大功率點電壓，進而進行MPPT控制，提高了系統(tǒng)的控制效率和精度。

1 光伏電池模型及輸出特性

1.1 光伏電池模型

光伏電池是利用太陽能的光伏效應，將光能轉換為電能的一種轉換裝置。光伏電池的等效模型如圖1所示。它由1個電流源、1個二極管、1個高阻抗電阻Rsh、1個低阻抗電阻Rs和1個負載電阻R組成。

其中，光伏電池的輸出特性方程為：

圖1 光伏電池等效模型

式中：

I、U 為光伏電池輸出電流和輸出電壓；

I0為光伏電池暗飽和電流；

Iph為光電流；

q為 單位電荷；

A為二極管品質因子；

K為玻爾茲曼常數(shù)；

T為光伏電池的表面溫度；

Ior為參考溫度 下的暗飽和電流；

Tr為參考溫度；

EG為硅的禁寬溫度；

Isci為標準測試條件下光伏電池的短路電流；

Ki為短路電流的溫度系數(shù)；

S為日照強度。

1.2 光伏電池輸出特性

光伏電池的發(fā)電原理可知，光伏電池是一種非線性直流源，它的輸出特性受到光強與溫度外界因素的影響。如圖2（a）所示，當光強恒定時，溫度從5℃逐漸增加時光伏電池的輸出特性，由圖可知開路電壓逐漸減小，最大功率點也逐漸減小；如圖2（b）所示，當溫度恒定，光照強度S從1kw/m2逐漸減小，光伏電池開路電壓略為減小，最大功率點電壓基本不變，輸出的最大功率逐漸減小。

圖2 光伏電池輸出特性

光伏電池作為太陽能光伏發(fā)電系統(tǒng)的基本發(fā)電單元，容易受到周圍建筑物、樹木和電線桿以及天空中烏云等的影響，局部陰影對光伏電池的輸出特性影響如圖3所示。從圖中可知隨著遮擋比例的增大最大功率點減小，陰影對于光伏電池的輸出特性有著明顯的影響。

因此，當外界因素發(fā)生變化時，光伏電池很難保證最大功率的輸出，從而造成能源上的浪費。為了提高光伏電池的轉換效率，就需要跟蹤光伏電池的最大功率點。

圖3 局部陰影對光伏電池輸出特性的影響

2 MPPT的BP神經網絡設計

2.1 BP神經網絡

BP算法是目前比較流行的神經網絡學習算法，是能實現(xiàn)映射變換的前饋型網絡中最常用的一種網絡算法，是一種典型的誤差修正方法，屬于“逆推”學習算法。BP神經網絡主要由三部分組成，分別為：輸入層、隱含層、輸出層，同層結點之間沒有連接，層間結點實行全連接，每層結點的輸出只影響下一層結點的輸出，如圖4所示。

圖4 BP神經網絡結構

2.2 BP神經網絡設計

1）輸入層設計

輸入層的個數(shù)由解決問題和數(shù)據表示方式確定。對于光伏系統(tǒng)中最大功率跟蹤，影響因素為光照強度、溫度、局部陰影，另外還要綜合考慮時間的因素，因此輸入層需要四維輸入，輸入層傳輸函數(shù)采用tansig型。

2）輸出層設計

輸出層的維度根據使用者的要求決定。本文設計輸出層為1，即最大功率點電壓，輸出層傳輸函數(shù)采用logsig型。

3）隱含層設計

（1）隱含層數(shù)設計

研究表明當各節(jié)點均采用S型函數(shù)時，一個隱層就足以實現(xiàn)任意判決分類問題。增加隱層數(shù)可更進一步降低誤差，提高精度，但同時也使網絡復雜化，增加了網絡權值的訓練時間。而誤差精度的提高也可以通過增加隱層中的神經元數(shù)目來獲得，其訓練效果也比增加隱層數(shù)更容易觀察和調整。所以，在一般情況下，應先考慮增加隱層中的神經元數(shù)量，在單隱層不能滿足要求時，可以考慮增加隱層數(shù)目[5]。因此本文采用單隱層。

（2）隱含層節(jié)點數(shù)設計

隱含層的節(jié)點數(shù)選擇非常重要，它不僅對建立的神經網絡模型的性能影響很大，而且是訓練時出現(xiàn)“過擬合”的直接原因。為盡可能避免訓練時出現(xiàn)“過擬合”現(xiàn)象，保證足夠高的網絡性能和泛化能力，確定隱含層節(jié)點數(shù)的最基本原則是：滿足精度要求的前提下，盡可能緊湊結構，即取盡可能少的隱含層節(jié)點數(shù)。采用黃金分割法[6]確定隱含層節(jié)點數(shù)。隱含層節(jié)點數(shù)設計為6。因此，本文設計的BP神經網絡結構如圖5所示。

3 基于BP神經網絡MPPT控制系統(tǒng)研究

3.1 MPPT的BP神經網絡模型訓練

本文針對無錫尚德公司生產的STP150S-24型號光伏電池板進行實驗測試，采樣一天24h中的光強、溫度、陰影幾組數(shù)據，通過如圖5所設計的BP神經網絡結構進行學習訓練，最大訓練次數(shù)為1000次，訓練期望誤差為0.001，訓練步長為0.05，訓練函數(shù)采用trainlm，訓練結果如圖6所示。

圖5 MPPT的BP神經網絡結構

圖6 BP神經網絡最大功率點預測圖

從圖中可知BP神經網絡預測電壓與實際最大功率點電壓很接近，說明通過BP神經網絡進行MPPT控制將會具有較好的控制精度。

3.2 光伏發(fā)電系統(tǒng)仿真模型

光伏發(fā)電系統(tǒng)仿真模型由光伏電池PV模塊、DC/DC變換電路、PWM模塊、MPPT模塊組成（如圖7所示）。

圖7 光伏發(fā)電系統(tǒng)的仿真模型

系統(tǒng)參數(shù)設置：T=25℃， C=220uF，L=1.6mH，R=22Ω，不考慮陰影T1=0，開關頻率10KHz，仿真時間t=0.1s，求解器選擇ode23t，其中步長為0.001。

3.3 仿真結果

設置S在0.05s時從1000W/m2突變?yōu)?00W/m2，仿真結果如圖8所示。經過0.02s系統(tǒng)穩(wěn)定在140W左右的最大功率點處，0.05s時光強發(fā)生改變，其他因素不變，在0.06s左右控制系統(tǒng)跟蹤到新的最大功率點，穩(wěn)定在115W左右。從仿真結果可以看出BP神經網絡能快速跟蹤到最大功率點，具有較好的控制性能。

圖8 最大功率跟蹤控制的仿真結果

4 結論

本文根據影響光伏電池輸出特性的溫度、光強、陰影外界環(huán)境因素設計了BP神經網絡，對光伏發(fā)電系統(tǒng)進行最大功率跟蹤控制，仿真實驗表明該方法能快速跟蹤光伏電池的最大功率點，有效適應外界環(huán)境變化，具有較好的控制精度和穩(wěn)定性，并且由于該系統(tǒng)簡化了光伏發(fā)電系統(tǒng)的硬件結構，具有較好的實際應用前景。

[1] N. Kasa, T. Iida. Flyback Inverter Controlled by Sensorless Current MPPT for Photovoltaic Power System. IEEE Trans.Ind. Electron, 2006, 52(4): 1145-1152.

[2] Yang Chen，Keyue Ma Smedley．A Cost-Effective Single-Stage Inverter With Maximum Power Point Tracking[J].IEEE Transactions On Power Electronics, 2004, 19(5):1289-1294.

[3] 張超, 何香凝. 非對稱PID模糊控制在最大功率點跟蹤中的應用[J]. 電工技術學報, 2005, 20 (10) : 73-75.

[4] 李煒, 朱新堅. 光伏系統(tǒng)最大功率點跟蹤控制仿真模型[J]. 計算機仿真, 2006, 23(6): 239-243.

[5] 唐彬. 基于神經網絡和支持向量機的光伏最大功率跟蹤研究[D]. 廣東: 汕頭大學, 2008.

[6] 夏克文, 李昌彪, 沈鈞毅. 前向神經網絡隱含層節(jié)點數(shù)的一種優(yōu)化算法[J].計算機科學, 2005, 32(10): 143-145.