(南瑞集團有限公司(國網(wǎng)電力科學研究院有限公司)，南京 210000)

0 引言

現(xiàn)階段，由于化石能源的不斷減少，以及全球性氣候的惡化，越來越多的國家都開始了新型能源的研究，比較火熱的有潮汐能、核能、地熱能、可燃冰、太陽能、風能、水能等，其中，使用最廣的是太陽能。太陽能由于是可再生的資源、儲量大、清潔，受到了人們的普遍關注，也是現(xiàn)在以及今后研究的重點。但是，太陽能光伏電池由于本身的特性，容易受到環(huán)境的影響，進而造成光伏電池最大輸出功率不穩(wěn)定，經(jīng)常發(fā)生變化。國內(nèi)在幾年前就開始了關于太陽能光伏電池最大輸出功率的研究，很多的學者都是采用電壓、電流的方法，以及蟻群算法、馬爾科夫算法等。但是，這些算法的缺點也是比較明顯的，計算不準確，耗時間，并且算法的過程也比較復雜，不容易掌握。同時，國內(nèi)對于太陽能光伏電池輸出功率的檢測與控制需求也不斷在增大，在這種情況下，采用新的技術去解決太陽能光伏電池方面的問題變得非常迫切。因此，本文提出了利用BP神經(jīng)網(wǎng)絡建模的可能性，利用這種算法的特性來控制光伏電池的最大輸出功率[1]。

1 光伏發(fā)電系統(tǒng)組成及工作原理

1.1 系統(tǒng)組成

太陽能光伏發(fā)電系統(tǒng)的組成是比較簡單的，主要是由眾多個光電轉換單元組成，每個光電轉換單元都擁有一個P-N結，當太陽光照射到光電轉換器上時，光能就會轉換為電能，在接線兩端形成電勢差，圖1就是光伏發(fā)電系統(tǒng)組成[2-3]。

圖1 光伏模型等效電路圖

1.2 工作原理

當光伏發(fā)電系統(tǒng)進行工作時，系統(tǒng)里會有電流產(chǎn)生，可以將電流分為輸出電流、最大電流，同時，也會有穩(wěn)定的功率輸出，可以用I0表示輸出電流，I1表示最大電流，P表示輸出功率。滿足以下的公式[4]：

(1)

(2)

(3)

在(1)～(3)公式下，可以利用相關的檢測設備測出電壓、電流、功率之間的關系，具體的情況如圖2～5所示。

圖2 溫度不同，光照相同的電池P-V曲線

圖3 溫度不同，光照相同的電池I-V曲線

圖4 光照不同，溫度相同的電池P-V曲線

圖5 相同溫度，不同光照的電池I-V曲線

從圖中可以看出，當溫度上升時，光伏電池最大輸出功率逐漸下降；光伏電池最大輸出功率隨著電壓的上升而上升，如果電壓上升到一定值后無論是最大輸出功率，還是電流都開始急劇下降。因此，光伏電池必定有最大的輸出功率點。之所以要對其進行控制，就是想在一天當中，得到光伏電池的最大輸出功率[5]。

2 人工神經(jīng)網(wǎng)絡理論簡介

2.1 人工神經(jīng)網(wǎng)絡基本原理

通常來說，人工神經(jīng)網(wǎng)絡是在生物神經(jīng)網(wǎng)絡的基礎上構建而成的，其具有生物神經(jīng)網(wǎng)絡的基本結構以及基本特點，并且在此基礎之上進行了部分的完善，從而能夠實現(xiàn)對于生物神經(jīng)網(wǎng)絡基本工作原理以及過程的模擬，從原理上看，我們可將人工神經(jīng)網(wǎng)絡視為一種基于分布式理論的并行處理器；而從結構上看，人工神經(jīng)網(wǎng)絡主要由許多微小的處理單元以及可實現(xiàn)雙向通信的信號通道組成。每個神經(jīng)元都具備各自獨立的存儲器以及實現(xiàn)基本運算的能力，同時，每個神經(jīng)元也都有一個輸出通道，可通過輸出通道與其他神經(jīng)元進行信號的交換。各個輸出通道之間以并聯(lián)的方式進行連接，也就是說，來自更高級神經(jīng)元的輸出信號不會由于并行的分支通道數(shù)量變化，從而在質量上發(fā)生變化[6]。

1943年，美國科學家麥克卡洛和皮茨就對人工神經(jīng)元的基本模型進行了簡單的定義。也就是經(jīng)典的網(wǎng)狀點(MP)模型。其中包含了多個組合輸出通道以及獨立神經(jīng)元。該結構如圖6所示[7]。

圖6 網(wǎng)狀點(MP)模型結構圖

神經(jīng)元的輸入數(shù)據(jù)可以表示為：

X=(x1,x2,……,xn)

(4)

通常將神經(jīng)元與輸入量之間的鏈接以及輸入數(shù)據(jù)所對應的相應權值表示，為如式(5)所示：

W=(w1,w2,……,wn)

(5)

若神經(jīng)元的閾值設為θ，輸出量定義為y，則：

(6)

上式中的f(x)為激活函數(shù)，其表達式為：

(7)

雖然目前來說，MP模擬的數(shù)學原理簡單，但是考慮到其基本原理是基于生物學原理的真實反應，因此，其依然能夠較好地反映人工神經(jīng)網(wǎng)絡的一些基本特點。

在使用生物神經(jīng)網(wǎng)絡的活動機制時，切勿僅僅借助于單個神經(jīng)元進行實現(xiàn)配網(wǎng)信息的處理、反饋?？梢詫⒋罅康纳窠?jīng)元組成龐大、復雜的神經(jīng)網(wǎng)絡，此時，可以利用神經(jīng)網(wǎng)絡中所包含的單個神經(jīng)元彼此時間互相傳遞信息，這樣可以處理、反饋輸入的配網(wǎng)信息。采用這種方式非常近似于生物界中神經(jīng)網(wǎng)絡的活動機制，與人工神經(jīng)元相比，錯綜復雜的人工神經(jīng)元編制、構造成巨大的網(wǎng)絡系統(tǒng)。在網(wǎng)絡系統(tǒng)中，能夠按照一定的模式來改變每個神經(jīng)元之間進行連接的連接權重，這樣能夠促進輸入信息的識別、訓練、學習[8-10]。由于成千上萬個生物神經(jīng)元構造、編織成巨大的生物神經(jīng)元系統(tǒng)網(wǎng)絡，這樣，只能按照統(tǒng)計規(guī)律來計算形成的龐大生物神經(jīng)元系統(tǒng)網(wǎng)絡。在具體應用中，以便計算神經(jīng)元，并降低構建成神經(jīng)元物理系統(tǒng)的難度，構建的人工神經(jīng)網(wǎng)絡中的神經(jīng)元個數(shù)應當遠遠比組成生物神經(jīng)網(wǎng)絡的神經(jīng)元數(shù)量少的多，按照合適的規(guī)律構建組成人工神經(jīng)網(wǎng)絡的各個神經(jīng)元。

在當前使用時，可以將大部分生物中的神經(jīng)網(wǎng)絡歸類為層次型結構，以人類的大腦為例，以便更好地說明，將人的大腦和小腦分別劃分為不同的層次，比如將大腦大致劃分為六個不同層次，小腦劃分3個不同層次，基于仿生學原理，可以建立人工神經(jīng)網(wǎng)絡，其也由三個部分組成，即包括輸入層、中間層(隱藏層)以及輸出層。也可以根據(jù)處理函數(shù)的不同，將人工神經(jīng)網(wǎng)絡更進一步地分為前饋神經(jīng)網(wǎng)絡網(wǎng)絡、反饋網(wǎng)絡。下文將詳細描述:

1)前饋型神經(jīng)網(wǎng)絡結構。

作為常見的神經(jīng)網(wǎng)絡，本文使用前饋神經(jīng)網(wǎng)絡。當信息被輸入時，輸入的信息漸漸地通過輸入層被傳輸?shù)较聦?。下層的各個神經(jīng)元將上層的輸入信號吸收。即在單個神經(jīng)元中處理輸入信息，然后輸入信息進一步被傳輸?shù)较聦拥纳窠?jīng)元結構中。在神經(jīng)網(wǎng)絡結構中，錯誤的信息難以通過信道而進行反向地傳輸。如圖7所示[11]，圖7為前饋型神經(jīng)網(wǎng)絡結構。

圖7 前饋型神經(jīng)網(wǎng)絡基本結構

2)反饋型網(wǎng)絡。

在上述描述中，在信息進行傳遞時，由于反饋神經(jīng)網(wǎng)絡具有的特性是信息能夠實現(xiàn)反向循環(huán)，這種遞歸網(wǎng)絡非常常用。在不同的遞歸反饋網(wǎng)絡中，節(jié)點不同，其存儲信息的能力也不同，因此反饋網(wǎng)絡除了能夠接收配網(wǎng)系統(tǒng)外部信息的數(shù)據(jù)輸入，還能夠通過神經(jīng)元的不同通道輻射式地向外部發(fā)射傳輸信息。其結構圖如8所示。

圖8 反饋型神經(jīng)網(wǎng)絡結構示意圖

2.2 神經(jīng)網(wǎng)絡的學習

神經(jīng)網(wǎng)絡通常具有智能的特性，在經(jīng)歷了訓練、學習人工神經(jīng)網(wǎng)絡、生物神經(jīng)網(wǎng)絡的全過程后。如果輸出信息不滿意，可以在網(wǎng)絡學習過程中調(diào)整連接神經(jīng)元的權重。以實現(xiàn)最佳的學習效果，提高數(shù)據(jù)處理的精度[12]，在具體使用時，可分為以下幾個方面:

1)監(jiān)督學習。

監(jiān)督學習能夠通過監(jiān)督學習信號，進而調(diào)整網(wǎng)絡權重。其中當做導師作用的信號能夠提供已經(jīng)獲知的輸入信號、輸出信號，而后通過將網(wǎng)絡實際輸出信息與理論輸出信息的誤差進行比對、分析，來進一步反饋網(wǎng)絡誤差信息，進一步調(diào)整網(wǎng)絡權重，這樣能夠使網(wǎng)絡的實際輸出值可以無限地接近理論值。一旦神經(jīng)網(wǎng)絡學習了所有的信息的運行規(guī)則后，網(wǎng)絡則能夠工作，最終使問題得到最終解決。

2)無監(jiān)督學習。

無監(jiān)督學習在信息訓練、學習期間，通常無引導信號，網(wǎng)絡僅僅從外界被動地吸收信息，難以將信息輸出。僅僅能夠通過網(wǎng)絡本身的結構找到潛在的、不為人所知的信息規(guī)律。無監(jiān)督學習對于信息量獲取有限的群體較為適用。

3)強化學習。

當神經(jīng)網(wǎng)絡輸出的獎懲的學習結果是基于網(wǎng)絡的輸出結果而給出時，則可認為該神經(jīng)網(wǎng)絡系統(tǒng)能夠通過增強所獲得的結果來逐步提升自身的學習性能。這種學習能力被劃分介于上述兩種不同學習方法。

3 BP神經(jīng)網(wǎng)絡的最大功率輸出點控制系統(tǒng)建模

3.1 BP神經(jīng)網(wǎng)絡的方法

基于上述描述，BP人工神經(jīng)網(wǎng)絡通過多層前饋網(wǎng)絡結構構成，使用時，通?；谡`差反向傳播算法來實現(xiàn)神經(jīng)網(wǎng)絡的訓練，利用誤差的反向傳播原理，在訓練過程中能夠不斷地提升神經(jīng)系統(tǒng)網(wǎng)絡的閾值、權重，以便使網(wǎng)絡中的誤差最小，擬合度最高，從而實現(xiàn)最高的精度。由于BP神經(jīng)網(wǎng)絡自身的特性的局限，目前BP人工神經(jīng)網(wǎng)絡已經(jīng)大量被應用在數(shù)據(jù)處理、模式識別、學習、過程控制、聲音識別等不同的技術領域。在配電網(wǎng)系統(tǒng)中，光伏發(fā)電系統(tǒng)具有強非線性的性質，則可以采用上文描述的神經(jīng)網(wǎng)絡進行跟蹤光伏系統(tǒng)的最大功率。具體地講，選取樣本，用已知的樣本中溫度、光照強度、遮擋率樣本來訓練神經(jīng)網(wǎng)絡。這種學習方式被稱為監(jiān)督學習，將這種方法以神經(jīng)網(wǎng)絡的形式評估最大功率跟蹤，具有很好的實用價值。

3.2 BP神經(jīng)網(wǎng)絡的結構

BP神經(jīng)網(wǎng)絡在各個行業(yè)中使用都很廣泛，尤其是大數(shù)據(jù)分析、機器學習、深度學習等范圍中應用比較多。這種算法可以對輸入、輸出的閾值進行調(diào)整，以建立起評估數(shù)據(jù)的多種模型，模型的建立與用戶需求也相關，這些模型能夠解決各種各樣的技術問題。在本文設計中，將該模型應用到光伏電池最大輸出功率的預測上具有明顯的價值，通常將這種算法在結構上劃分為輸入層、隱含層、輸出層三個組成部分。

3.3 BP網(wǎng)絡的學習過程

從本質上講，BP神經(jīng)網(wǎng)絡學習算法實質是將神經(jīng)網(wǎng)絡的信息輸入和輸出映射問題轉變?yōu)榉蔷€性問題的優(yōu)化問題。該算法通過前向計算過程和誤差反向傳播過程[14]實現(xiàn)數(shù)據(jù)反復學習和有用信息萃取。正向計算的信息傳遞過程是輸入層-中間層-輸出層。前一層神經(jīng)元狀態(tài)對下一層的神經(jīng)元工作狀態(tài)具有重要的影響意義。在應用時，如果實際輸出結果與理論輸出結果相偏離，或者出現(xiàn)很大的誤差，則誤差信號會沿著原始的信息傳輸路徑從輸出層而反饋回來。以便使不同的神經(jīng)元能夠根據(jù)自身的反饋可以修改當前的權值，進而減小網(wǎng)絡實際輸出值與預期輸出值的誤差。影響神經(jīng)網(wǎng)絡權重校正的主要因素包括后一個神經(jīng)元節(jié)點的誤差以及前一個神經(jīng)元節(jié)點的輸出。下面通過通過公式進一步說明。

其中，隱含層的輸出公式可以寫為：

(8)

輸出層的輸出公式可以寫為：

(9)

從而得到輸出層的誤差公式為：

(10)

使用神經(jīng)網(wǎng)絡調(diào)節(jié)的最終目標是使得誤差函數(shù)E的取值最小，所以，求取最值時，只需要求誤差函數(shù)對權值的偏導數(shù)即可，因此可得：

(11)

這時，考慮到S函數(shù)的導數(shù)可以表示為f′=f(1-f)，設δl=(tl-Ol)Ol(1-Ol)，從而可以得到：

(12)

由于對于權重的修正系數(shù)與E的梯度呈正比關系，所以，對于隱含層而言，E的偏導數(shù)可以表示為：

(13)

同理可以得到隱含層節(jié)點的誤差公式為：

(14)

3.4 最大功率輸出點控制系統(tǒng)建模

BP神經(jīng)網(wǎng)絡就是運用了它的結構特點，讓誤差反向進行傳播，在層之間的連接方式上拒絕采用間斷相連的方式，而是另辟新徑采取全互連的模式，在同一層之間選擇斷開模式。根據(jù)問題的實際情況確定輸入的神經(jīng)元，在確定輸出層后，就需要進行多次的仿真實驗確定隱層的神經(jīng)元數(shù)，這也是這種算法的核心所在。

對于太陽能光伏電池輸出功率的檢測與控制，使用最多的是電流法以及電壓法，但是這些方法都存在很大的問題，而采用神經(jīng)網(wǎng)絡，就可以很好檢測最大功率輸出點，進而研究溫度、光強與最大輸出功率之間的聯(lián)系。已有的很多研究已經(jīng)通過實驗證實三層的前饋網(wǎng)絡的合理性，本文就是選擇了前饋網(wǎng)絡，然后，進行了相關的仿真實驗，最后，才有效對光伏電池最大輸出功率進行了控制。

基于神經(jīng)網(wǎng)絡的配網(wǎng)光伏系統(tǒng)仍然由輸入層、隱藏層以及輸出層組成。其中，輸入層包括一個三維向量X，它由時間(t)、光照強度(S)以及溫度(T)組成。輸出層Y只有一個元素，即光伏陣列最大功率點的輸出電壓(Vmp)，該神經(jīng)網(wǎng)絡的結構見圖9。

圖9 光伏陣列的BP網(wǎng)絡結構

從圖9可以看出，光伏陣列的BP網(wǎng)絡結構結構比較簡單，通過輸入層、隱藏層的時間、光強、溫度之間的聯(lián)系，進而在輸出層得到最大功率點。對于最后的輸出功率，可以通過對樣本X的并網(wǎng)調(diào)節(jié)，根據(jù)實際的需求對權重進行重復設置，直到達到要求，再進行輸出即可。

為了得到系統(tǒng)優(yōu)化工作點的模型，先對一些光伏電池的樣本進行實際測量，得到一組優(yōu)化模型。將優(yōu)化模型中的數(shù)據(jù)作為PV工作點的目標值，然后對神網(wǎng)絡進行訓練，最終達到誤差收斂，使系統(tǒng)一直跟蹤最佳工作點并輸出最大功率。

4 仿真與測試結果分析

4.1 仿真實驗

在所有的準備工作都做好之后，本文選擇了在新疆烏魯木齊的一個地區(qū)進行了仿真測試，測試的時間為早上4點到晚上18點半，測試的因素是光強以及溫度，具體的測試數(shù)據(jù)如表1所示：

表1 光強、溫度觀測數(shù)據(jù)(單位都是標準情況)

采用輸入層、隱藏層和輸出層各有3，6，1個神經(jīng)元的神經(jīng)網(wǎng)絡，時間、光照和溫度作為神經(jīng)網(wǎng)絡的輸入，相應的最大功率點電壓作為目標向量。利用神經(jīng)網(wǎng)絡工具箱中的newff函數(shù)建立了神經(jīng)網(wǎng)絡，隱層傳遞函數(shù)采用傳遞函數(shù)，學習函數(shù)采用梯度下降權值和閾值學習函數(shù)學習，網(wǎng)絡的訓練過程是一個不斷修正權值和閾值的過程。通過調(diào)整，使網(wǎng)絡的輸出誤差達到最小，訓練函數(shù)trainlm是利用L-M算法對網(wǎng)絡進行訓練的。

4.2 結果分析

從仿真測試的所有數(shù)據(jù)中我們可以清楚看到隨著時間的變化，溫度、光強的實際變化情況。然后，本文最大功率點測試的誤差進行了相關的分析，具體情況如圖10以及圖11所示：

圖10 光電陣列最優(yōu)電壓以及開路電壓

圖11 光伏陣列最優(yōu)電壓以及實際端電壓的誤差

可以清楚看出，利用神經(jīng)網(wǎng)絡算法可以非常精準控制電壓的變化，特別是最有電壓以及開路電壓。實際測試的誤差非常小，不影響實驗的結果，在一天時間的變化中，最大輸出功率始終都是出于最大的水平，并且能夠被精準跟蹤。所以，BP神經(jīng)網(wǎng)絡算法是比較適合對光伏電池輸出功率的檢測與控制。

5 結論

太陽能光伏發(fā)電已經(jīng)越來越受到人們的青睞，太陽能將來必將成為化石能源的有效替代品。本文首先對此次的研究背景進行了說明；接著，分析了國內(nèi)以及國外太陽能光伏產(chǎn)業(yè)的發(fā)展現(xiàn)狀；然后，提出了BP神經(jīng)網(wǎng)絡的最大功率輸出點控制系統(tǒng)建模，并且對BP神經(jīng)網(wǎng)絡進行了詳細介紹；再接著，進行了仿真實驗，并且對仿真結果進行了分析；最后，得出了相關的結論。結果顯示，BP神經(jīng)網(wǎng)絡運用于太陽能光伏電池輸出功率的檢測以及控制非常高效，能夠精準算出最大功率點，這種算法比之前的蟻群算法、馬爾科夫算法、電壓算法、電流算法都要精準、高效得多，并且這種算法非常容易理解，值得推廣。