呂晨旭

摘 要： 提出一種基于人工神經(jīng)網(wǎng)絡(luò)（ANN）的最大功率點跟蹤（MPPT）控制算法。該算法通過擾動和觀察（P&O）方法獲得人工神經(jīng)網(wǎng)絡(luò)模型所需的參數(shù)，并分為離線和在線兩種模式：離線模式通過測試神經(jīng)網(wǎng)絡(luò)參數(shù)，找到最佳的網(wǎng)絡(luò)結(jié)構(gòu)、激活函數(shù)和訓(xùn)練算法；在線模式實現(xiàn)優(yōu)化人工神經(jīng)網(wǎng)絡(luò)以便應(yīng)用于光伏系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)的輸入變量為輸出功率參數(shù)和電壓參數(shù)，輸出變量為歸一化的增加或者減少占空比（+1或者-1）。通過Matlab/Simulink模型對所提跟蹤算法的性能進行測試驗證，結(jié)果顯示所提算法表現(xiàn)出良好的動態(tài)響應(yīng)速度和穩(wěn)態(tài)控制精度。

關(guān)鍵詞： 人工神經(jīng)網(wǎng)絡(luò)； 擾動與觀測算法； 光伏電池模型； MPPT控制； 離線模式； 在線模式

中圖分類號： TN711?34 ； TP273 文獻標識碼： A 文章編號： 1004?373X（2018）03?0132?04

Abstract： A maximum power point tracking （MPPT） control algorithm based on artificial neural network （ANN） is proposed. The algorithm can obtain the parameters needed by the ANN model by means of perturbation and observation （P&O） method. It includes the offline mode and online mode. The former mode can find the optimal network structure， activation function and training algorithm by testing the neural network parameters. The latter mode can optimize the ANN， and apply it to the PV system. The input variables of the ANN are taken as the parameters of the output power and voltage， and the output variable is normalized as the increased or decreased duty ratio （+1 or -1）. The performance of the proposed tracking algorithm is tested with Matlab/Simulink model for verification. The results show that the algorithm has perfect dynamic response speed and high steady?state control accuracy.

Keywords： artificial neural network； perturbation and observation algorithm； photovoltaic cell model； maximum power point tracking control； offline mode； online mode

0 引 言

目前，光伏（PV）能量轉(zhuǎn)換系統(tǒng)已經(jīng)成為最重要的可再生能源系統(tǒng)之一。隨著光伏電池技術(shù)、能源轉(zhuǎn)換效率、光伏陣列尺寸和電子功率以及MPPT控制等技術(shù)的發(fā)展，使得能量轉(zhuǎn)換系統(tǒng)得到廣泛的推廣[1?2]。比如，農(nóng)村地區(qū)的供水系統(tǒng)、電池充電、山間小屋、氣象測量系統(tǒng)、光源、島嶼電氣問題、水泵、公路運輸以及衛(wèi)星電力系統(tǒng)[3]。光伏系統(tǒng)，有著許多重要的優(yōu)勢，如燃料豐富而且免費、光伏太陽板環(huán)保、操作安全、壽命長以及維護費用低等。

近期，有大量研究提出將人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用到光伏系統(tǒng)的方法[4?5]。人工神經(jīng)網(wǎng)絡(luò)評估未知參數(shù)的能力促進了其在MPPT中的應(yīng)用。

因此，本文提出一種基于人工神經(jīng)網(wǎng)絡(luò)的MPPT控制算法，能夠在不同大氣條件下提供合適的占空比，因為經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)能夠迅速繪出輸入數(shù)據(jù)與輸出數(shù)據(jù)之間的非線性關(guān)聯(lián)。通過擾動和觀察（P&O）方法[6?7]獲得人工神經(jīng)網(wǎng)絡(luò)模型所需的數(shù)據(jù)，并通過符號函數(shù)將數(shù)據(jù)轉(zhuǎn)換為邏輯表格。提出的人工神經(jīng)網(wǎng)絡(luò)MPPT控制算法分為兩種模式：離線模式要求測試不同組的神經(jīng)網(wǎng)絡(luò)參數(shù)來找出最佳神經(jīng)網(wǎng)絡(luò)控制算法 （結(jié)構(gòu)、激活函數(shù)和訓(xùn)練算法）；在線模式將最佳的人工神經(jīng)網(wǎng)絡(luò)MPPT控制算法用于光伏系統(tǒng)。通過Matlab/Simulink模型對提出跟蹤算法的性能進行測試驗證，結(jié)果顯示提出算法在響應(yīng)時間和MPPT跟蹤方面均表現(xiàn)出較好的性能。

1 光伏電池模型

光生伏打效應(yīng)是通過太陽能電池板將日光直接轉(zhuǎn)化為電力的過程。埃德蒙貝克雷爾于1839年演示了第一臺光伏設(shè)備。太陽能電池板的等效電路如圖1所示[4]。其包含了單個二極管代表p?n結(jié)電池，串聯(lián)電阻以及并聯(lián)電阻。太陽能電池板終端具有將照射光轉(zhuǎn)換成電流的功能，輸出電流通過下式來表示：

式中：代表入射光產(chǎn)生的電流（正好與太陽照射成正比）；代表通過二極管的電流；代表通過并聯(lián)電阻器的電流。

光伏列陣的電流電壓特性如下：

式中：代表電池反向飽和電流；代表電池輸出電壓；代表二極管理想的恒定值；代表相關(guān)電池的工作溫度；代表電子電荷；代表玻耳茲曼常量；代表電池的串聯(lián)電阻。

產(chǎn)生的光電流與太陽輻射相關(guān)，如下式所示：

式中：代表在參考溫度與輻射條件下，光伏電池短路電流；代表太陽輻照（單位：W/m2）；代表光伏電池參考溫度；代表短路電流溫度系數(shù)。endprint

2 提出的MPPT控制算法

2.1 擾動觀測（P&O）方法修改

因為簡單和容易執(zhí)行，擾動與觀測法是MPPT方法中最為通用的辦法之一[8]。因此，本文通過擾動和觀察（P&O）方法獲得人工神經(jīng)網(wǎng)絡(luò)模型所需的數(shù)據(jù)，當(dāng)陣列電壓產(chǎn)生少許干擾（加大或者減少），然后將實際的功率值與先前取得的數(shù)值做比較，如果因為干擾導(dǎo)致功率增加，接下來會在相同方向采取干擾，如果功率降低，將在相反的方向執(zhí)行新擾動。圖2詳細闡明了修改的擾動與觀測法流程。

2.2 基于人工神經(jīng)網(wǎng)絡(luò)的MPPT控制算法

人工神經(jīng)網(wǎng)絡(luò)被視作一項能夠提供多種方法解決疑難雜癥的技術(shù)。神經(jīng)網(wǎng)絡(luò)由許多簡單而且聯(lián)系非常密切的單元組成，這些單元與大腦生物細胞的神經(jīng)元類似。這些神經(jīng)元經(jīng)大量的聯(lián)系關(guān)聯(lián)著，信號才能得以通過。通過進入的連接，每個神經(jīng)元收到許多的信號并且發(fā)出單向的對外反應(yīng)。這種網(wǎng)絡(luò)具有非比尋常的模式識別能力和學(xué)習(xí)能力。

本文從人工神經(jīng)網(wǎng)絡(luò)模式中選取三層正反饋，以便在光電組件中提取最大功率。提出的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，用于選擇最大功率點的占空比。

該人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的輸入變量為光伏陣列輸出功率導(dǎo)數(shù)（dP）和電壓導(dǎo)數(shù)（dV），與給定的太陽輻射和操作溫度環(huán)境相對應(yīng)。人工神經(jīng)網(wǎng)絡(luò)輸出變量為相應(yīng)的占空比。

所提出方法使用一個具有前饋反向傳播ANN的結(jié)構(gòu)，該結(jié)構(gòu)具有三個隱藏層。第一層擁有4個神經(jīng)元，第二層有10個神經(jīng)元，第三層有4個神經(jīng)元。輸出層由1個帶有線性活動函數(shù)的輸出神經(jīng)元組成，如圖3所示。隱藏層中最佳數(shù)量的神經(jīng)元與隱藏層的數(shù)量是由多次測試得出，以便達到最佳預(yù)測精度。本文所提的ANN光伏系統(tǒng)控制算法是基于擾動與觀測（P&O）方法原理，占空比的增加或者減少取決于輸出功率導(dǎo)數(shù)/電壓導(dǎo)數(shù)（dP/dV）信號。表1總結(jié)了MPPT控制算法的基本原理。

該算法的操作分為以下兩個步驟：

1） 離線步驟：需要訓(xùn)練不同組的神經(jīng)網(wǎng)絡(luò)參數(shù)，根據(jù)結(jié)構(gòu)、激活函數(shù)以及訓(xùn)練算法找出最佳神經(jīng)網(wǎng)絡(luò)控制算法。

2） 在線步驟：將找出的最佳人工神經(jīng)網(wǎng)絡(luò)MPPT控制算法用于光伏系統(tǒng)追蹤最大功率點。

3 仿真結(jié)果

為驗證本文提出的人工神經(jīng)網(wǎng)絡(luò)光伏系統(tǒng)MPPT控制算法的有效性，利用Matlab/Simulink進行仿真實驗。實驗中光伏模型相關(guān)參數(shù)如表2所示。其仿真模型如圖4所示。將仿真的時間分別設(shè)為0.1 s，使用固定步長進行仿真。

在恒定和變化的日曬條件下利用Matlab/Simulink仿真軟件來測試以及驗證提出的人工神經(jīng)網(wǎng)絡(luò)MPPT控制算法，結(jié)果顯示如圖5和圖6所示。

輸出功率（G=1 000 W/m2，600 W/m2，800 W/m2）

圖5和圖6顯示了恒定和變化日曬條件下神經(jīng)網(wǎng)絡(luò)MPPT控制最大功率點跟蹤。可見兩種情況下，神經(jīng)網(wǎng)絡(luò)MPPT控制得出的功率值與理論值非常接近。所以，本文中討論的MPPT控制算法具有相當(dāng)重要的精確性。

在不同的環(huán)境溫度和光照強度條件下分別對傳統(tǒng)擾動觀察法、提出的ANN MPPT控制算法進行仿真，得到的仿真波形圖如圖7所示。

圖7a）為提出算法和擾動觀察法的電壓波形圖，其中光照強度為1 000 W/m2不變，在0.03 s時環(huán)境溫度由15 ℃突變到30 ℃，可以看出相比傳統(tǒng)的擾動觀察法，提出的ANN控制算法響應(yīng)速度更快，曲線平滑且波動較小。

圖7b）為提出的ANN控制算法和擾動觀察法的功率波形圖，其中環(huán)境溫度25 ℃，在0.025 s時光照強度由600 W/m2突變到1 000 W/m2，可以看出相比擾動觀察法，提出的ANN控制算法功率值更大，效率高。

圖7c）為提出的ANN控制算法和擾動觀察法的電流波形圖。在0.02 s時溫度從10 ℃突變到35 ℃，在0.06 s時光照強度由W/m2突變到 W/m2?？梢钥闯觯岢龅腁NN控制算法響應(yīng)速度更快，電流數(shù)值也更大。

4 結(jié) 論

本文提出一種新的神經(jīng)網(wǎng)絡(luò)MPPT控制算法，分為離線模式和在線模式。該算法基于擾動觀察法（P&O）原理，占空比的減少或者增加取決于信號。仿真結(jié)果展示了在不同的環(huán)境溫度和光照強度條件下神經(jīng)網(wǎng)絡(luò)MPPT表現(xiàn)出較好的性能，輸出曲線平滑，特別是跟蹤精確度高、響應(yīng)速度快。

參考文獻

[1] 楊旭，曾成碧，陳賓.基于廣義動態(tài)模糊神經(jīng)網(wǎng)絡(luò)的光伏電池MPPT控制[J].電力系統(tǒng)保護與控制，2010，38（13）：22?25.

YANG Xu， ZENG Chengbi， CHEN Bin. MPPT control of photovoltaic cells based on generalized dynamic fuzzy neural network [J]. Power system protection and control， 2010， 38（13）： 22?25.

[2] 金曉虎，陳華，馮濤.新型光伏系統(tǒng)MPPT控制策略的研究[J].中國電力，2014，47（3）：33?36.

JIN Xiaohu， CHEN Hua， FENG Tao. Research on a new MPPT control strategy of PV system [J]. Electric power， 2014， 47（3）： 33?36.

[3] 榮德生，劉鳳.自適應(yīng)神經(jīng)模糊算法在光伏MPPT中的仿真分析[J].微電子學(xué)與計算機，2016，33（5）：92?96.

RONG Desheng， LIU Feng. Simulation analysis of adaptive neural?fuzzy algorithm in photovoltaic MPPT [J]. Microelectronics and computer， 2016， 33（5）： 92?96.endprint

[4] 胥芳，張任，吳樂彬，等.自適應(yīng)BP神經(jīng)網(wǎng)絡(luò)在光伏MPPT中的應(yīng)用[J].太陽能學(xué)報，2012，33（3）：468?472.

XU Fang， ZHANG Ren， WU Lebin， et al. Self?adaption BP Neural network for the maximum?power?point tracking in photovoltaic [J]. Acta energiae solaris sinica， 2012， 33（3）： 468?472.

[5] 宋亮，王曉東，劉雯，等.光伏電池MPPT擾動觀察法的研究現(xiàn)狀[J].半導(dǎo)體光電，2012，33（4）：455?462.

SONG Liang， WANG Xiaodong， LIU Wen， et al. Research of perturbation and observation method for MPPT of PV arrays [J]. Semiconductor optoelectronics， 2012， 33（4）： 455?462.

[6] 杭鳳海，楊偉，朱文艷.光伏系統(tǒng)MPPT的擾動觀測法分析與改進[J].電力系統(tǒng)保護與控制，2014（9）：110?114.

HANG Fenghai， YANG Wei， ZHU Wenyan. Analysis and improvement of MPPT disturbance observer method for PV system [J]. Power system protection and control， 2014（9）： 110?114.

[7] 方波，羅書克，康龍云.光伏占空比擾動控制MPPT及其仿真研究[J].可再生能源，2013，31（10）：5?9.

FANG Bo， LUO Shuke， KANG Longyun. PV duty ratio perturbation control MPPT and simulation [J]. Renewable energy， 2013， 31（10）： 5?9.

[8] 曹金虎，薛士龍，陳意惠，等.基于自適應(yīng)占空比擾動的MPPT算法研究[J].佳木斯大學(xué)學(xué)報（自然科學(xué)版），2011，29（1）：76?79.

CAO Jinhu， XUE Shilong， CHEN Yihui， et al. MPPT algorithm research on the basis of self?adaptive duty cycle disturbance [J]. Journal of Jiamusi University （natural science edition）， 2011， 29（1）： 76?79.

[9] 石俊，陳丁.改進的光伏發(fā)電系統(tǒng)MPPT預(yù)測算法的研究[J].計算機仿真，2014，31（11）：127?131.

SHI Jun， CHEN Ding. The research of an improved GA?BP neural network in MPPT predict algorithm of photovoltaic gene?ration system [J]. Computer simulation， 2014， 31（11）： 127?131.

[10] 蘇義鑫，向爐陽，張丹紅.基于改進擾動法的光伏電池MPPT仿真研究[J].武漢理工大學(xué)學(xué)報（信息與管理工程版），2012，34（2）：135?139.

SU Yixin， XIANG Luyang， ZHANG Danhong. Simulation on photovoltaic cells MPPT algorithm based on improved perturbation method [J]. Journal of Wuhan University of Technology （information & management engineering）， 2012， 34（2）： 135?139.endprint