楊書恒

（武漢理工大學(xué)船海與能源動力工程學(xué)院，湖北 武漢 430063）

隨著全球各國對新能源利用研究的大量投入，未來幾十年，能源的產(chǎn)出消費方式以及能源使用層級將發(fā)生調(diào)整變革，技術(shù)進步也同樣成為推動太陽能發(fā)電技術(shù)發(fā)展的根本動力[1]。因此，怎樣高效化利用光伏發(fā)電成為研究重點，盡管光伏發(fā)電技術(shù)日益成熟，但受地理環(huán)境因素的影響引用中仍存在許多問題。外部環(huán)境溫度以及承受光照強度影響了光伏陣列的發(fā)電情況，因此光伏輸出特性曲線存在非線性，呈現(xiàn)多峰現(xiàn)象，不合理利用將導(dǎo)致大部分功率被損失[2]。麻雀搜索算法（Sparrow Search Algorithm，SSA）中根據(jù)麻雀的覓食和反捕食行為，令改算法可以滿足優(yōu)化算法所需的全局探索能力和全局搜索能力，而SSA在多峰測試函數(shù)的收斂精度、速度及穩(wěn)定性均優(yōu)于其他群智能優(yōu)化算法[3]。

1 對光伏電池輸出特性進行仿真研究分析

太陽能光伏發(fā)電系統(tǒng)由多個串并聯(lián)連接的光伏電池板塊構(gòu)成，其等效電路模型如圖1所示[4]。

圖1 光伏電池等效模型

由等效模型可計算出光伏電池的工作電壓與輸出電流關(guān)系為：

式（1）中：I為輸出電流；Iph為光伏特性生成電流；I0為反向飽和電流；q為電子電荷；U為光伏系統(tǒng)輸出電壓；RS為光伏電池串聯(lián)總電阻；A為電路內(nèi)部二極管品質(zhì)因子；K為玻爾茲曼常數(shù)；T為開氏溫度；RSh為并聯(lián)電阻。

理想狀態(tài)下，RS可近似為0，RSh接近于無窮大，可將式（1）精簡為：

2 光伏輸出特性

在不同光照強度、環(huán)境溫度條件下，光伏陣列的輸出電壓與對應(yīng)的光伏功率點非線性相關(guān)。不同的環(huán)境條件下連續(xù)的輸出特性曲線中呈現(xiàn)多個峰值[5]，如圖2所示。

圖2 遮蔭下功率與電壓的輸出特性曲線

3 SSA原理

麻雀搜索算法是利用自然界麻雀群體生存的社會化特征進行模擬優(yōu)化的群體智能算法，通過模擬麻雀覓食和反捕食行為、基于個體能量高低不斷地更新麻雀種群中不同身份個體的位置，通過不依賴梯度信息構(gòu)建較少的系統(tǒng)參數(shù)就可以實現(xiàn)較強的局部搜索能力，易于控制，擁有良好的并行性與較快的收斂速度。

3.1 發(fā)現(xiàn)者位置更新

發(fā)現(xiàn)者位置更新方式如下：

式（4）中：t為迭代次數(shù)；j=1，2，3，…，d；xi，j為第i個個體于群體中第j維中的位置；itermax為種群最大迭代次數(shù)；α∈（0，1]；R2（R2∈[0，1]）、ST（ST∈[0.5，1]）分別為覓食預(yù)警值與安全值；Q為一個隨機數(shù)且服從正態(tài)分布；L為一個1×d的矩陣，矩陣中所有因素全為1。

3.2 跟隨者位置更新

跟隨者位置更新方式如下：

式（5）中：xworst為呈現(xiàn)當(dāng)前全局所處最差個體生存環(huán)境位置；xp為發(fā)現(xiàn)者當(dāng)前所占據(jù)的最優(yōu)覓食位置；A的表現(xiàn)形式為1×d的矩陣，陣中數(shù)值隨機賦為1或－1，且A+=AT（AAT）-1。

3.3 警戒者位置更新

警戒者位置更新方式如下：

式（6）中：β為系統(tǒng)步長控制參數(shù)，為均值為0且方差為1的服從正態(tài)分布的隨機數(shù)；xbest為目前全局最優(yōu)位置；fi為個體適應(yīng)值；fg為全局最佳適應(yīng)度值；k∈[﹣1，1]；fw為全局最差適應(yīng)度值；ε為常數(shù)，以防止分母為0。

4 基于SSA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的光伏系統(tǒng)MPPT模型

4.1 MPPT影響因素分析

由光生伏特效應(yīng)原理可知光伏電池可將接收到的光能轉(zhuǎn)發(fā)為能夠使用的電能，由光伏電池工作原理可知光伏電池的輸出特性與照射在光伏電池板上的光子數(shù)有關(guān)[6]，輸出特性曲線受到光照和溫度的影響，因此，需要在不同的條件下追蹤光伏電池的最大功率點，提高光電轉(zhuǎn)化效率。

4.2 BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

在分析MPPT影響因素的基礎(chǔ)上，將光照強度和環(huán)境這2個最大功率點有重大影響的因素作為輸入層節(jié)點，特定環(huán)境下的光伏電池最大功率點電壓作為輸出層，利用經(jīng)驗公式可以確定隱含層為8，構(gòu)建2-8-1的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。

4.3 SSA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型

對數(shù)據(jù)預(yù)處理并將參數(shù)初始化，利用適應(yīng)度公式計算每只麻雀的適應(yīng)度值，找出當(dāng)前具有最優(yōu)適應(yīng)度值的麻雀和最差適應(yīng)度值的麻雀及與之相對應(yīng)的位置，根據(jù)上述3個個體的位置更新公式依次更新發(fā)現(xiàn)者、加入者、警戒者位置，計算輸出具有最高適應(yīng)度的最優(yōu)麻雀個體的位置，即實現(xiàn)對BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的優(yōu)化。

5 實例預(yù)測及分析

5.1 實驗樣本選擇

本文設(shè)計的SSA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的光伏系統(tǒng)MPPT模型選取235組仿真數(shù)據(jù)進行測試，于235組數(shù)據(jù)中隨機選取190組數(shù)據(jù)作為訓(xùn)練樣本，剩余45組仿真數(shù)據(jù)作為測試樣本進行光伏系統(tǒng)最大功率點預(yù)測。

5.2 SSA-BP參數(shù)設(shè)置

對系統(tǒng)預(yù)測模型進行參數(shù)設(shè)置，麻雀種群個體數(shù)量為20，迭代進化次數(shù)為20，發(fā)現(xiàn)者占種群總數(shù)比例為0.7，剩下為跟隨者，警戒者所占總?cè)嚎倲?shù)比例為0.2，警戒值為0.6，權(quán)值閾值上下邊界分別為5與－5。BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)率為0.1，迭代次數(shù)為5 000次，訓(xùn)練目標(biāo)為0.000 05。

5.3 預(yù)測結(jié)果分析

SSA-BP預(yù)測結(jié)果如圖3所示。如收斂曲線所示，該系統(tǒng)誤差整體趨勢是向下的，證明利用麻雀搜索算法可優(yōu)化BP神經(jīng)網(wǎng)絡(luò)并且具有較高精度，同時該模型的線性回歸擬合優(yōu)度較好，模型擬合程度高，可靠性高。

圖3 SSA-BP預(yù)測結(jié)果