陶佰睿， 葛思綺， 郭 琴， 苗鳳娟， 張成軍

(1.齊齊哈爾大學(xué)通信與電子工程學(xué)院，黑龍江齊齊哈爾161006；2.齊齊哈爾大學(xué)計算中心，黑龍江齊齊哈爾161006)

粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)光伏鋰電池充電系統(tǒng)

陶佰睿1,2， 葛思綺1， 郭 琴1， 苗鳳娟1， 張成軍2

(1.齊齊哈爾大學(xué)通信與電子工程學(xué)院，黑龍江齊齊哈爾161006；2.齊齊哈爾大學(xué)計算中心，黑龍江齊齊哈爾161006)

通過對太陽能光伏電池最大功率點的跟蹤和鋰電池的充電控制兩部分實現(xiàn)了對鋰電池的快速充電。首先利用SIMULINK的s-function的自定義模塊和粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法實現(xiàn)了對在輻射度、電池板溫度、環(huán)境溫度和風(fēng)速共4種工作環(huán)境下的光伏電池進行最大功率點跟蹤和建模，然后通過單片機編程對開關(guān)管進行PWM控制，完成充電電路的智能控制。之后，結(jié)合MATLAB和SIMULINK完成粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)并在PROTEUS平臺上完成充電電路的仿真，最后程序下載到硬件中并通過調(diào)試完成對鋰電池充電過程的檢測。結(jié)果表明，粒子群優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)光伏鋰電池充電控制系統(tǒng)具有較高的充電速度和充電效率。

最大功率點跟蹤；粒子群優(yōu)化；BP神經(jīng)網(wǎng)絡(luò)；脈沖寬度調(diào)制；鋰電池快速充電

隨著新能源技術(shù)開發(fā)和應(yīng)用的快速發(fā)展，為改變傳統(tǒng)充電器對市電的依賴，最大限度利用和使用太陽能，提高發(fā)電和充電效率，如何構(gòu)建基于太陽能光伏電池和鋰電池快速充電控制系統(tǒng)成為人們研究的熱點[1－3]。一方面，太陽能光伏電池在向負載供電時，需要對其最大功率點進行跟蹤，傳統(tǒng)的跟蹤方法如干擾觀察法、增量電導(dǎo)法和曲線擬合法等，但是存在響應(yīng)速度慢、跟蹤精度不夠等問題，而智能控制方法如BP神經(jīng)網(wǎng)絡(luò)則可較好預(yù)測最大功率點，精度較其他方法更準確，但它不能在全局進行搜索最優(yōu)值。另一方面，采用涓流、恒流或恒壓模式的鋰電池充電過程也存在效率、速度和成本等方面的矛盾[4－6]。為此，本文提出采用粒子群算法優(yōu)化的神經(jīng)元權(quán)值和閾值控制的太陽能光伏電池最大功率跟蹤與鋰電池快速充電控制系統(tǒng)設(shè)計方案。

該方案主要包括太陽能光伏電池的最大功率點跟蹤(MPPT)和鋰電池的充電控制。MPPT部分使用SIMULINK的s-function的自定義模塊，利用粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)(PSO-BPNN)實現(xiàn)對光伏電池的建模和最大功率點電壓的預(yù)測，并加入了除溫度外的影響電池性能的次要因素如輻射度、板溫、風(fēng)速，使得BP神經(jīng)網(wǎng)絡(luò)擬合后的光伏電池和鋰電池充電特性與真實情況更貼近。充電電路部分采用STC89C52單片機作為系統(tǒng)控制器，通過單片機編程調(diào)整PWM波的脈寬來控制開關(guān)管，從而控制充電電流的大小，對變化的太陽能輸出電壓利用穩(wěn)壓芯片進行穩(wěn)定輸出為5 V，供鋰電池充電使用。最后經(jīng)過SIMULINK仿真和PROTEUS電路仿真，并進行硬件調(diào)試后，可實現(xiàn)太陽能光伏電池板對鋰電池的快速充電。

1 總體設(shè)計流程

本文包括太陽能光伏電池最大功率跟蹤和充電電路設(shè)計兩部分。第一部分采用PSO-BPNN實現(xiàn)；第二部分采用單片機實現(xiàn)[7－9]，流程如圖1所示。

圖1 總體設(shè)計流程圖

2 光伏電池的最大功率點跟蹤

本文首先根據(jù)太陽能光伏電池等效數(shù)學(xué)模型采用PSOBPNN對太陽能光伏電池進行建模。本文中使用的太陽能光伏電池板的規(guī)格參數(shù)為：TSM-220PC05。取4月、5月和6月的25日到31日全天的光照強度、光伏電池板溫度和光伏電池板電壓監(jiān)測數(shù)據(jù)作為研究對象，根據(jù)太陽能光伏電池等效數(shù)學(xué)模型可得到目標輸出電流，和經(jīng)過PSO-BPNN的預(yù)測輸出電流進行對比，并繪制太陽電池板的電流-電壓和電壓-功率曲線。用PSO-BPNN預(yù)測太陽電池最大功率點電壓[10－12]。取4月、5月和6月的25日到31日全天的輻射度、板溫、環(huán)境溫度和風(fēng)速數(shù)據(jù)作為輸入?yún)⒘?，?jīng)過PSO-BPNN可得到預(yù)測的最大功率點電壓，工作流程如圖2所示。

圖2 最大功率點跟蹤流程圖

2.1 太陽能光伏電池建模

BP神經(jīng)網(wǎng)絡(luò)輸入層有3個神經(jīng)元，分別接收光照強度、光伏電池板溫度和光伏電池板電壓，隱層含5個神經(jīng)元，傳遞函數(shù)為logsig，輸出層有1個神經(jīng)元，輸出電流，傳遞函數(shù)為purelin，BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 光伏電池的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

PSO-BPNN的訓(xùn)練數(shù)據(jù)為4月份、5月份和6月份的25日到29日全天的光照強度、光伏電池板溫度、光伏電池板輸出電壓，測試數(shù)據(jù)為4月份、5月份和6月份的30日到31日全天的光照強度、光伏電池板溫度、光伏電池板輸出電壓。部分監(jiān)測數(shù)據(jù)如表1所示。

表1 光伏電池板的部分監(jiān)測數(shù)據(jù)

2.2 最大功率點電壓

BP神經(jīng)網(wǎng)絡(luò)輸入層有4個神經(jīng)元，分別接收輻射度、電池板溫度、環(huán)境溫度和風(fēng)速，隱層含7個神經(jīng)元，傳遞函數(shù)為logsig，輸出層有1個神經(jīng)元，輸出最大功率點電壓，傳遞函數(shù)為purelin，BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

圖4 最大功率點電壓的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

PSO-BPNN的訓(xùn)練數(shù)據(jù)為4月份、5月份和6月份的25日到29日全天的輻射度、板溫、環(huán)境溫度、風(fēng)速，測試數(shù)據(jù)為4月份、5月份和6月份的30日到31日全天的輻射度、板溫、環(huán)境溫度、風(fēng)速。部分監(jiān)測數(shù)據(jù)如表2所示。

表2 光伏電池板的部分監(jiān)測數(shù)據(jù)

3 鋰電池充電的軟硬件設(shè)計

硬件設(shè)計主要由太陽電池板，單片機電路、PWM電路、液晶顯示電路、電壓電流采集電路、時鐘控制電路和鋰電池等組成。其中，單片機電路是整個系統(tǒng)電路的控制部分，PWM電路是整個系統(tǒng)的核心電路部分，總體設(shè)計框圖如圖5所示。

圖5 鋰電充電的硬件電路設(shè)計圖

通過太陽電池板將太陽能轉(zhuǎn)化為電能的單片機編程實現(xiàn)PWM波控制開關(guān)管，然后調(diào)整PWM波的脈寬來控制電流的大小，然后送往顯示屏顯示大小，由A/D轉(zhuǎn)換電路，數(shù)據(jù)采集和轉(zhuǎn)換為單片機做判斷和處理，實現(xiàn)了智能控制電路輸出。軟件設(shè)計包括電路啟動初始化、電路功能的選擇、輸出的選擇和確定輸出。單片機采集計算輸出PWM信號，定時采集數(shù)據(jù)并處理調(diào)節(jié)PWM信號的占空比，整體程序框架圖如圖6所示。

圖6 鋰電池充電程序流程圖

4 系統(tǒng)仿真

4.1 光伏電池模型的SIMULINK仿真

使用S-FUNCTION函數(shù)完成對太陽能光伏電池建模的SIMULINK設(shè)計，如圖7所示，PSO-BPNN得到的預(yù)測輸出電流和實際輸出電流的對比如圖8所示。

圖7 光伏電池建模的SIMULINK模塊圖

4.2 最大功率點電壓的SIMULINK仿真

同樣使用S-FUNCTION函數(shù)完成對太陽能光伏電池最大功率點跟蹤的SIMULINK設(shè)計，如圖9所示，PSO-BPNN得到的預(yù)測最大功率點電壓和實際最大功率點電壓的對比如圖10所示。

圖8 光伏電池建模的實際輸出電流和預(yù)測輸出電流對比

圖9 最大功率點電壓的SIMULINK模塊圖

圖10 最大功率點電壓的預(yù)測值和實際值對比

4.3 充電電路的PROTEUS仿真

本文使用PROTEUS仿真軟件對充電電路部分進行仿真，仿真測試電路如圖11所示。

圖11 充電電路仿真圖

5 結(jié)論

本文采用SIMULINK的s-function的自定義模塊和粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法完成太陽能光伏最大功率點跟蹤和鋰電池充電建模，然后通過PROTEUS對成功PWM控制電源進行鋰電池充電仿真，完成充電電路的智能控制，可以實現(xiàn)太陽能光伏電池對鋰電池的高效快速充電。

[1]周習(xí)祥，李加升.基于PSO優(yōu)化BPNN估計光伏陣列MPPT控制系統(tǒng)研究[J].電源技術(shù)，2013(8)：1410-1413.

[2]呂振，于希洋，鄔佳奇.基于新型PWM擾動法的最大功率點跟蹤策略[J].中國電力，2010(3)：68-71.

[3]林期遠，楊啟岳，周鑫發(fā)，等.分布式光伏發(fā)電系統(tǒng)最大功率點跟蹤技術(shù)比較研究[J].能源工程，2012(2)：1-10.

[4]GUAN-CHYUN H，HUNG-I H，CHENG-YUAN T，et al.Photovoltaic power-increment-aided incremental-conductance MPPT with two-phased tracking[J].Power Electronics，IEEE Transactions on，2013，28(6)：2895-2911.

[5]蔡文皓，李云，馬晶，等.基于模糊控制的光伏電池MPPT仿真研究[J].電源技術(shù)，2013(12)：2144-2146.

[6]易芳，吳敏琦，易靈芝.風(fēng)能混合儲能系統(tǒng)的并聯(lián)控制研究[J].系統(tǒng)仿真學(xué)報，2012(5)：1120-1124.

[7]何秋生，徐磊，吳雪雪.鋰電池充電技術(shù)綜述[J].電源技術(shù)，2013 (8)：1464-1466.

[8]胡銀全，劉和平，劉平，等.電動汽車用磷酸鐵鋰電池充電特性的分析[J].汽車工程，2013(4)：293-297.

[9]韓旭同，王中訓(xùn).高效太陽能發(fā)電系統(tǒng)的設(shè)計[J].自動化儀表，2013(2)：52-55.

[10]BRITO M A G，GALOTTO L，SAMPAIO L P，et al.Evaluation of the main MPPT techniques for photovoltaic applications[J].Industrial Electronics，IEEE Transactions on，2013，60(3)：1156-1167.

[11]廉小親，趙瑾，張曉力，等.APSO算法在光伏陣列MPPT追蹤器中的應(yīng)用[J].電源技術(shù)，2014(10)：1836-1838.

[12]王亞蘭，陳淵睿.光伏電池通用模型及自適應(yīng)MPPT控制方法[J].電源技術(shù)，2015(1)：75-77.

傳統(tǒng)的多傳感器數(shù)據(jù)的融合方法是先定義距離矩陣，基于距離矩陣構(gòu)造支持度矩陣，給出融合權(quán)重。本文采用指數(shù)衰減函數(shù)給出各傳感器間的支持程度矩陣，利用支持程度矩陣的每行元素之和獲得各傳感器的一致性度量，選用線性函數(shù)度量最終的加權(quán)系數(shù)，給出了可靠性融合法。

4 實驗結(jié)果及結(jié)論

應(yīng)用該系統(tǒng)對一組10塊12 V100 Ah的航空鉛酸蓄電池進行性能測試。表2給出了測試結(jié)果及相對誤差。

表2 測試結(jié)果及相對誤差

從測試的結(jié)果可見，采用基于蓄電池放電電流倍率、蓄電池端電壓變化幅度、蓄電池的動態(tài)內(nèi)阻變化量的自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合推理方法檢測鉛酸蓄電池的容量，能夠有效提高蓄電池容量檢測的精度。

參考文獻：

[1]黃素斌.航空蓄電池[M].徐州：藍天出版社，2003：4.

[2]李福偉.基于SOC單片機C8051F022的蓄電池剩余電量的測量[J].電源技術(shù)應(yīng)用，2010(9)：13-16.

[3]張乃堯，閻平凡.神經(jīng)網(wǎng)絡(luò)與模糊控制[M].北京：清華大學(xué)出版社，1998.

Design of lithium battery charging control system using solar photovoltaic cells based on particle swarm optimization BP neural network

A lithium batteries fast charging control system using solar photovoltaic cells was designed by maximum power point Tracking for solar cells and Particle Swarm Optimization BP Neural Network controlling.Firstly,the SIMULINK S-function module and the BP neural network of particle swarm optimization algorithm were employed to achieve four work environment parameters such as radiometry,battery plate temperature,ambient temperature and wind speed for modeling and maximum power point tracking.Then,the intelligent control of the charging circuit was designed by PWM controlling switch transistor with programming SCM.Next,the PSO BP neural network system simulation was implemented by MATLAB and SIMULINK,and the charging circuit simulation was completed on PROTEUS platform.Finally,the process of charging lithium batteries was verified via hardware debugging.The results show that the rapid and efficient charging of lithium battery can be achieved from the solar photovoltaic cells by PSO BP neural network system.

MPPT;particle swarm optimization;BPNN;PWM;rapid charging for lithium battery

TM615

A

1002-087X(2016)12-2411-04

2016-05-12

國家自然科學(xué)基金(61204127)；黑龍江省教育科學(xué)“十二五”規(guī)劃課題(GBC1214089)；黑龍江省高?？萍汲晒a(chǎn)業(yè)化前期研發(fā)培育項目 (1254CGZH04)；黑龍江省教育廳科學(xué)技術(shù)研究項目(12541899，12531774)

陶佰睿（1972—），男，吉林省人，教授，理學(xué)博士，主要研究方向為集成電路設(shè)計、微納傳感器及無線傳感器網(wǎng)絡(luò)。