(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)
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]。
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
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]。
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
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。
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。
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。
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)
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。
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。
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。
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。