閆超，倪福佳，劉嘉瑜，賀詩(shī)明，高振遠(yuǎn)，王少帥

(1．中國(guó)礦業(yè)大學(xué)江蘇省煤礦電氣與自動(dòng)化工程實(shí)驗(yàn)室，江蘇徐州221116;2．中國(guó)礦業(yè)大學(xué)電氣與動(dòng)力工程學(xué)院，江蘇徐州221116)

0 引言

隨著經(jīng)濟(jì)社會(huì)的迅速發(fā)展，人類(lèi)巨大的能源需求同傳統(tǒng)能源短缺、生態(tài)環(huán)境保護(hù)之間的矛盾愈演愈烈。研究開(kāi)發(fā)和利用可再生能源的已成為國(guó)際社會(huì)的共識(shí)。作為一種最重要的可再生能源，太陽(yáng)能因其儲(chǔ)量大、清潔環(huán)保、分布范圍廣等優(yōu)點(diǎn)正受到世界各國(guó)的關(guān)注和重視［1］。光伏發(fā)電是太陽(yáng)能最主要的利用形式，其推廣和大規(guī)模利用受其高成本、低效率等因素制約。為了提高光伏電池轉(zhuǎn)化效率，降低發(fā)電成本，有必要對(duì)光伏系統(tǒng)進(jìn)行最大功率點(diǎn)跟蹤(Maximum Power Point Tracking，MPPT)研究。

工程實(shí)踐中常用恒壓控制法(CVT)、擾動(dòng)觀(guān)察法(P＆O)、增量電導(dǎo)法(INC)等進(jìn)行MPPT控制，但其跟蹤精度和響應(yīng)速度不盡如人意［2］。針對(duì)這一問(wèn)題，國(guó)內(nèi)外眾多學(xué)者做了較多的研究并提出了多種基于智能算法的改進(jìn)控制策略。改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法［3-4］、粒子群優(yōu)化算法(PSO)［5］、量子遺傳算法［6］等在MPPT控制中應(yīng)用較為成功，效果良好。

果蠅優(yōu)化算法(Fruit Fly Optimization Algorithm，F(xiàn)OA)是近年來(lái)出現(xiàn)的一類(lèi)新的全局優(yōu)化進(jìn)化算法。目前國(guó)內(nèi)關(guān)于FOA的應(yīng)用和改進(jìn)尚處于起步階段。提出了一種改進(jìn)的果蠅優(yōu)化算法(Improved Fruit Fly Optimization Algorithm，IFOA)用于BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值優(yōu)化，并建立了基于IFOA-BP神經(jīng)網(wǎng)絡(luò)算法的光伏系統(tǒng)MPPT控制策略的仿真模型。仿真結(jié)果表明:較之于電導(dǎo)增量法，IFOA-BP神經(jīng)網(wǎng)絡(luò)的MPPT策略在穩(wěn)態(tài)條件下能明顯改善功率波動(dòng)，在外界條件發(fā)生突變時(shí)，能迅速準(zhǔn)確地追蹤到最大功率點(diǎn)，具有良好的穩(wěn)態(tài)精度和動(dòng)態(tài)特性。

1 光伏電池的數(shù)學(xué)模型

光伏電池是分布式光伏發(fā)電系統(tǒng)的核心部件，其等效電路如圖1所示［7］。

圖1 光伏電池等效電路Fig．1 Equivalent circuit of photovoltaic cell

光伏電池的工作電壓V與輸出電流I關(guān)系為:

式中Iph為光生電流;Io為二極管反向飽和電流;q為電子電荷量(1．6×10－19C);A為電池內(nèi)部P-N結(jié)的曲線(xiàn)常數(shù);k為玻爾茲曼常量(0．86×10－4eV/K);T為光伏電池絕對(duì)溫度;Rs與Rsh分別代表光伏電池串聯(lián)與并聯(lián)電阻。

由于數(shù)學(xué)模型中光伏電池的內(nèi)部參數(shù)無(wú)法獲取，仿真模型建立難度大，因此可以用準(zhǔn)確度較高的工程模型替代。較為理想情況下，Rs＜0．5 Ω近乎為零且Rsh＞1 kΩ可作無(wú)窮大，是故可將公式(1)簡(jiǎn)化為:

式中 光伏電池開(kāi)路電壓Voc、短路電流Isc、最大功率點(diǎn)電壓Vm、最大功率點(diǎn)電流Im在不同的光照強(qiáng)度和溫度下取值不同，其修正公式為:

式中 Tref與Sref分別代表IEC標(biāo)準(zhǔn)條件下的環(huán)境溫度(25oC，即298 K)和光照強(qiáng)度(1 000 W/m2);和分別為標(biāo)準(zhǔn)條件的電流溫度系數(shù)(0．002 5 A/℃)和電壓溫度系數(shù)(0．002 88 V/℃);系數(shù)采用優(yōu)化后的參數(shù)值［8］:0．194 9+7．056 ×10－4× S;T 與 S 表示任意條件下的環(huán)境溫度和光照強(qiáng)度。

2 基于IFOA-BP神經(jīng)網(wǎng)絡(luò)的光伏MPPT策略

2．1 改進(jìn)果蠅優(yōu)化算法

FOA是近年來(lái)由潘文超教授基于果蠅覓食行為推演出的一類(lèi)新的全局優(yōu)化進(jìn)化算法。果蠅的感官知覺(jué)尤其是嗅覺(jué)和視覺(jué)優(yōu)于其他物種，果蠅的嗅覺(jué)器官能很好的搜集漂浮在空氣中的各種氣味，敏銳的探知食物源;在飛近食物位置后，再通過(guò)靈敏的視覺(jué)尋找食物與同伴聚集的位置進(jìn)而確定最終的食物位置［9］。

參照果蠅搜尋食物的行為特性，可將其實(shí)現(xiàn)方法歸納為如下幾個(gè)必要的步驟［9-12］:

(1)給定果蠅種群規(guī)模為，迭代次數(shù)為，在可行域范圍內(nèi)隨機(jī)設(shè)定果蠅群體初始位置和;

(2)給定果蠅個(gè)體利用嗅覺(jué)器官尋找食物的隨機(jī)方向和距離;

(3)計(jì)算味道濃度判定值Si，其值為果蠅個(gè)體與原點(diǎn)距離之倒數(shù):

(4)計(jì)算該果蠅個(gè)體位置的味道濃度Smelli，其值可由味道濃度判定值Si代入味道濃度判定函數(shù)(或稱(chēng)適應(yīng)度函數(shù)，即目標(biāo)函數(shù))得出:

(5)找出此果蠅群體的中味道濃度最佳的果蠅個(gè)體(求極大值):

(6)記錄并保留最佳味道濃度值及其、坐標(biāo)，此時(shí)視覺(jué)器官引導(dǎo)果蠅群體往該位置飛去，形成新的果蠅群體位置:

(7)進(jìn)入迭代尋優(yōu)，重復(fù)執(zhí)行步驟(2)～步驟(5)。當(dāng)且僅當(dāng)每次迭代最佳味道濃度值優(yōu)于上一次最佳味道濃度值，且當(dāng)前迭代次數(shù)小于或等于最大迭代次數(shù)Maxgen時(shí)，轉(zhuǎn)入執(zhí)行步驟(6)。

文中將FOA應(yīng)用于BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的參數(shù)優(yōu)化，并做如下改進(jìn):

(1)在基本FOA中，為計(jì)算味道濃度判定函數(shù)則必先計(jì)算味道濃度判定值Si，其值為果蠅個(gè)體與原點(diǎn)距離之倒數(shù)。因果蠅個(gè)體與原點(diǎn)距離始終為正數(shù)，故味道濃度判定值Si不可能為負(fù)值［10］。為解決這一問(wèn)題，本文使用公式(14)代替公式(10)計(jì)算味道濃度判定值Si:

(2)基本FOA在迭代尋優(yōu)的過(guò)程中，果蠅群體會(huì)出現(xiàn)向某一高味道濃度區(qū)域高度聚集的現(xiàn)象。為維持果蠅種群的多樣性，避免出現(xiàn)此種早熟收斂、陷入局部最優(yōu)的現(xiàn)象，借用細(xì)菌覓食算法中的趨化思想，即最優(yōu)果蠅個(gè)體(引誘劑)引誘其他果蠅向其運(yùn)動(dòng)、最差果蠅個(gè)體(驅(qū)除劑)排斥其他果蠅向其運(yùn)動(dòng)［11］。執(zhí)行引誘操作還是執(zhí)行排斥操作，取決于氣味濃度值方差是否大于預(yù)設(shè)閾值。

為實(shí)現(xiàn)上述操作，步驟(5)根據(jù)公式(15)找出此果蠅群體的中味道濃度最佳和最差的果蠅個(gè)體:

若σ2大于預(yù)設(shè)閾值δ，執(zhí)行引誘操作，即按步驟(6)按公式(18)更新果蠅群體位置;否則，執(zhí)行排斥操作，即按步驟(6)按公式(19)形成新的群聚位置:

2．2 基于改進(jìn)FOA的BP神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化

BP神經(jīng)網(wǎng)絡(luò)是當(dāng)下最為常見(jiàn)且應(yīng)用最為廣泛的多層前饋神經(jīng)網(wǎng)絡(luò)模型。該網(wǎng)絡(luò)模型根據(jù)誤差反向傳播算法訓(xùn)練，包括輸入信號(hào)的正向傳遞及誤差信號(hào)的反向傳播兩個(gè)過(guò)程，其中心思想為采用梯度搜索技術(shù)調(diào)整改變各層神經(jīng)元之間的連接權(quán)值，從而將網(wǎng)絡(luò)的實(shí)際輸出與期望輸出之均方誤差值控制在既定區(qū)間之內(nèi)［3-4］。

BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，即輸入層、輸出層及隱含層神經(jīng)元節(jié)點(diǎn)數(shù)取決于系統(tǒng)的特點(diǎn)。將BP神經(jīng)網(wǎng)路應(yīng)用于光伏系統(tǒng)最大功率點(diǎn)跟蹤，其基本思路為建立神經(jīng)網(wǎng)絡(luò)模型依據(jù)環(huán)境溫度和光照強(qiáng)度實(shí)時(shí)預(yù)測(cè)光伏系統(tǒng)的最大功率點(diǎn)電壓。因此，所建模型輸入層包含2個(gè)神經(jīng)元節(jié)點(diǎn)，分別代表光伏電池的環(huán)境溫度與光照強(qiáng)度;輸出層包含1個(gè)神經(jīng)元節(jié)點(diǎn)，即特定環(huán)境下的光伏電池最大功率點(diǎn)電壓;隱含層神經(jīng)元節(jié)點(diǎn)數(shù)結(jié)合參考公式反復(fù)試湊后確定，最終選取誤差率最小的最佳節(jié)點(diǎn)數(shù)5。BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)圖如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖Fig．2 Topology of the BP neural network

BP神經(jīng)網(wǎng)絡(luò)算法在訓(xùn)練過(guò)程中存在容易陷入局部最優(yōu)的缺點(diǎn)，且當(dāng)訓(xùn)練樣本數(shù)據(jù)量較大、輸入輸出映射關(guān)系復(fù)雜時(shí)，網(wǎng)絡(luò)的收斂速度將會(huì)明顯下降［13］。為改善上述問(wèn)題，同時(shí)減小BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差、提升精度，將預(yù)測(cè)輸出與期望輸出的誤差絕對(duì)值之和作為味道濃度判定函數(shù)值(適應(yīng)度值)，采用IFOA對(duì)BP神經(jīng)網(wǎng)絡(luò)的閾值和權(quán)值進(jìn)行參數(shù)優(yōu)化［12］。其計(jì)算流程圖如圖3所示。

圖3 IFOA-BP神經(jīng)網(wǎng)絡(luò)算法流程圖Fig．3 Flow chart of IFOA-BPNN algorithm

2．3 改進(jìn)FOA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果測(cè)試分析

以江蘇某公司生產(chǎn)的JHX250P60太陽(yáng)能電池板為例建立光伏電池模型。在標(biāo)準(zhǔn)測(cè)試條件下，其開(kāi)路電壓為37．64 V;短路電流為8．41 A;最佳工作電壓為30．87 V;最佳工作電流為8．10 A。在不同的環(huán)境溫度與光照條件下，記錄下不同外界條件下最大功率點(diǎn)對(duì)應(yīng)的電壓值。

文章共采集330組數(shù)據(jù)，隨機(jī)選擇30組數(shù)據(jù)作為測(cè)試樣本，剩余300組數(shù)據(jù)作為訓(xùn)練樣本。采用IFOA對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行參數(shù)優(yōu)化，BP神經(jīng)網(wǎng)絡(luò)算法參數(shù)設(shè)置為:隱含層與輸出層傳遞函數(shù)分別采用tansig和purelin，訓(xùn)練函數(shù)采用trainlm，系統(tǒng)訓(xùn)練誤差為10－5，學(xué)習(xí)速率為0．01，最大訓(xùn)練次數(shù)是1 000次;IFOA參數(shù)設(shè)置為:果蠅種群規(guī)模取10，最大迭代次數(shù)取50，果蠅群體位置隨機(jī)初始化區(qū)間為［－5，5］，果蠅個(gè)體隨機(jī)搜索的方向和距離為［－1，1］;氣味濃度值方差閾值δ預(yù)設(shè)為0。

為驗(yàn)證改進(jìn)果蠅算法的有效性，另采用基本FOA對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值參數(shù)進(jìn)行優(yōu)化計(jì)算，進(jìn)而對(duì)比分析?；綟OA參數(shù)設(shè)置同IFOA一致。兩種算法的收斂曲線(xiàn)如圖4所示。

城市商業(yè)銀行應(yīng)積極培育客戶(hù)品牌忠誠(chéng)度，建立有效的品牌管理體系，明確品牌的市場(chǎng)定位，提高品牌經(jīng)營(yíng)意識(shí)；增加銀行品牌的文化和科技含量，同時(shí)制定科學(xué)的競(jìng)爭(zhēng)戰(zhàn)略和策略，有針對(duì)性地在客戶(hù)群中提升銀行的感染力。銀行還應(yīng)努力塑造良好的公眾形象，可以通過(guò)多種媒介進(jìn)行宣傳報(bào)道，大力推介銀行文化和品牌。積極推行品牌市場(chǎng)營(yíng)銷(xiāo)戰(zhàn)略，是城市商業(yè)銀行保持其競(jìng)爭(zhēng)優(yōu)勢(shì)的迫切需要，也是其有效應(yīng)對(duì)金融競(jìng)爭(zhēng)國(guó)際化趨勢(shì)的需要。

圖4 FOA和IFOA的收斂曲線(xiàn)Fig．4 Convergence curve of FOA and IFOA

由圖4可知，采用基本FOA在超出30代的時(shí)候接近收斂，而IFOA未至20代時(shí)便已收斂;此外，IFOA的最佳適應(yīng)度值(0．730 7)亦明顯優(yōu)于基本FOA的最佳適應(yīng)度值(0．732 7)。綜上，IFOA在收斂速度和求解精度上都要優(yōu)于基本FOA，這亦證明了改進(jìn)算法的可行性和有效性。

分別使用IFOA和FOA對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行參數(shù)優(yōu)化，并將優(yōu)化后的BP網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練測(cè)試，同時(shí)與優(yōu)化前的訓(xùn)練結(jié)果進(jìn)行對(duì)比分析。兩種算法優(yōu)化前后的訓(xùn)練曲線(xiàn)和預(yù)測(cè)誤差如圖5和圖6所示。

由圖5可知，IFOA和FOA優(yōu)化后BP神經(jīng)網(wǎng)絡(luò)達(dá)到期望誤差的訓(xùn)練次數(shù)由優(yōu)化前的45次分別減少至9次和25次，這表明，兩種算法優(yōu)化均明顯加快了BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度，且IFOA優(yōu)化后的收斂速度提升更為顯著;由圖6可知，IFOA和FOA優(yōu)化后BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)輸出誤差絕對(duì)值之和由優(yōu)化前的0．087 1 分別降低至 0．068 1 和 0．072 9，這表明，兩種優(yōu)化算法均明顯的降低了BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差，且IFOA優(yōu)化后的預(yù)測(cè)誤差改善更為明顯。綜上，IFOA能更迅速精確的得到預(yù)測(cè)結(jié)果，應(yīng)用于BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值參數(shù)優(yōu)化具有明顯的可行性和優(yōu)越性。

圖5 網(wǎng)絡(luò)訓(xùn)練曲線(xiàn)Fig．5 Network training curve

圖6 預(yù)測(cè)誤差對(duì)比圖Fig．6 Prediction error comparison chart

2．4 基于IFOA-BP神經(jīng)網(wǎng)絡(luò)的MPPT策略

將IFOA-BP神經(jīng)網(wǎng)路應(yīng)用于光伏系統(tǒng)最大功率點(diǎn)跟蹤，其基本原理為［14-15］:實(shí)時(shí)采集光伏電池所處之環(huán)境溫度和光照強(qiáng)度作為樣本數(shù)據(jù);建立神經(jīng)網(wǎng)絡(luò)模型，并采用改進(jìn)后的FOA對(duì)其權(quán)值和閾值進(jìn)行參數(shù)優(yōu)化，預(yù)測(cè)出當(dāng)前外界條件下的光伏系統(tǒng)最大功率點(diǎn)所對(duì)應(yīng)之電壓;將預(yù)測(cè)出的電壓(Vref)與光伏電池實(shí)際輸出電壓(V)的偏差送至PI調(diào)節(jié)器，運(yùn)算后的輸出信號(hào)與三角載波信號(hào)經(jīng)由比較器產(chǎn)生PWM信號(hào)，用以控制DC/DC電路的主開(kāi)關(guān)IGBT，以達(dá)到V跟隨Vref的目的，從而實(shí)現(xiàn)對(duì)光伏發(fā)電系統(tǒng)的最大功率點(diǎn)跟蹤控制。

3 仿真結(jié)果與分析

為驗(yàn)證改進(jìn)FOA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于光伏系統(tǒng)最大功率點(diǎn)跟蹤的有效性，以Boost電路為例，在MATLAB/Simulink中搭建仿真模型進(jìn)行測(cè)試分析。

基于IFOA-BP神經(jīng)網(wǎng)絡(luò)的MPPT仿真模型如圖7所示，光伏模塊(PV cell)經(jīng)由DC/DC變換電路與負(fù)載(R)相連，光伏模塊(PV cell)使用前文建立的光伏電池模型;最大功率點(diǎn)跟蹤模塊(IFOA-BP)在前文建立的基于IFOA-BP神經(jīng)網(wǎng)路的最大功率點(diǎn)電壓預(yù)測(cè)模型基礎(chǔ)之上，利用函數(shù)gensim()生成。Boost型 DC/DC 變換電路中 C1=100 μF，C2=300 μF，L=10 mH，R=20 Ω。

圖7 基于IFOA-BP神經(jīng)網(wǎng)絡(luò)的MPPT仿真模型Fig．7 MPPT simulation model based on IFOA-BPNN

在仿真系統(tǒng)中，初始環(huán)境溫度設(shè)置為25oC，光照強(qiáng)度設(shè)置為600 W/m2，仿真時(shí)間設(shè)置為1 s。其中，在0．2 s、0．4 s兩個(gè)時(shí)刻，光照強(qiáng)度分別突變?yōu)?00 W/m2、1 000 W/m2;在0．6 s、0．8 s兩個(gè)時(shí)刻，環(huán)境溫度分別突變?yōu)?5oC、35oC。仿真曲線(xiàn)如圖8所示。

圖8 IFOA-BP神經(jīng)網(wǎng)絡(luò)法MPPT仿真結(jié)果Fig．8 MPPT simulation results based on IFOA-BPNN

為更明顯的驗(yàn)證基于IFOA-BP神經(jīng)網(wǎng)絡(luò)算法MPPT控制策略的優(yōu)越性，本文另采用增量電導(dǎo)法進(jìn)行MPPT控制仿真，進(jìn)而進(jìn)行對(duì)比分析。電導(dǎo)增量法的步長(zhǎng)設(shè)置為0．002，其余參數(shù)保持一致。電導(dǎo)增量法的仿真曲線(xiàn)圖9所示。

綜合圖8和圖9，光伏電池的輸出電壓、輸出電流、輸出功率隨環(huán)境溫度和光照強(qiáng)度的變化而變化。增量電導(dǎo)法在MPPT仿真中雖然能較快的實(shí)現(xiàn)追蹤到最大功率點(diǎn)，但其光伏電池的輸出電壓、輸出電流都存在明顯的周期性波動(dòng)，造成輸出功率在最大功率點(diǎn)附近振蕩;與之形成鮮明對(duì)比的是，基于IFOABP神經(jīng)網(wǎng)絡(luò)的MPPT仿真在穩(wěn)態(tài)下光伏電池輸出電壓、輸出電流的振蕩幅度要明顯改善，輸出功率亦基本穩(wěn)定在最大功率點(diǎn)處。這表明，基于IFOA-BP神經(jīng)網(wǎng)絡(luò)算法的MPPT策略能明顯改善功率波動(dòng)，具有良好的穩(wěn)定性。

圖9 電導(dǎo)增量法MPPT仿真結(jié)果Fig．9 MPPT simulation results based on INC

此外，當(dāng)環(huán)境溫度和光照強(qiáng)度，尤其是光照強(qiáng)度發(fā)生大幅度突變時(shí)，光伏電池的輸出功率經(jīng)過(guò)一定時(shí)間的調(diào)整，重新達(dá)到新的外界條件下的最大值。在這一過(guò)程中，基于IFOA-BP神經(jīng)網(wǎng)絡(luò)算法的MPPT策略所需之調(diào)整時(shí)間要明顯少于電導(dǎo)增量法。這表明，基于IFOA-BP神經(jīng)網(wǎng)絡(luò)算法的MPPT策略動(dòng)態(tài)響應(yīng)速度更快，具有良好的快速性。

綜上，基于IFOA-BP神經(jīng)網(wǎng)絡(luò)算法的MPPT策略在穩(wěn)態(tài)條件下能明顯改善功率波動(dòng)，穩(wěn)態(tài)精度高;當(dāng)外界條件發(fā)生變化時(shí)，其響應(yīng)速度快，能更迅速準(zhǔn)確地追蹤到最大功率點(diǎn)，動(dòng)態(tài)特性好。

4 結(jié)束語(yǔ)

針對(duì)基于BP神經(jīng)網(wǎng)絡(luò)的光伏系統(tǒng)MPPT策略在光照強(qiáng)度突變時(shí)存在較大誤差的問(wèn)題，本文提出了一種改進(jìn)的果蠅優(yōu)化方法對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行參數(shù)優(yōu)化，并建立了基于IFOA-BP神經(jīng)網(wǎng)絡(luò)算法的光伏系統(tǒng)MPPT控制的仿真模型。測(cè)試和仿真結(jié)果表明:

(1)提出的改進(jìn)果蠅優(yōu)化算法，其收斂速度和求解精度較改進(jìn)前均有明顯的提升，改進(jìn)算法可行有效;IFOA優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)收斂速度加快，預(yù)測(cè)誤差減少，將其應(yīng)用于BP神經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)化，具有明顯的可行性和優(yōu)越性;

(2)將IFOA-BP網(wǎng)絡(luò)算法應(yīng)用于光伏系統(tǒng)最大功率點(diǎn)跟蹤，較之于電導(dǎo)增量法，該策略在穩(wěn)態(tài)條件下能明顯改善功率波動(dòng)，在外界條件發(fā)生變化時(shí)，能更迅速準(zhǔn)確地追蹤到最大功率點(diǎn)，具有良好的穩(wěn)態(tài)精度和動(dòng)態(tài)特性。