趙子睿，潘鵬程，吳 婷

（三峽大學(xué)電氣與新能源學(xué)院，宜昌 443002）

“雙碳”背景下，風(fēng)光等新能源在電力系統(tǒng)中所占的比重將進(jìn)一步提高?！笆濉逼陂g，我國(guó)太陽(yáng)能發(fā)電量由2015 年的0.4 億千瓦時(shí)到2022 年的3.15 億千瓦時(shí)，年均增長(zhǎng)44.3%[1]。因此，太陽(yáng)能的廣泛應(yīng)用將是助力我國(guó)實(shí)現(xiàn)“雙碳”戰(zhàn)略目標(biāo)的重要途徑。

為了提高光伏電池的轉(zhuǎn)換效率，須根據(jù)環(huán)境變化實(shí)時(shí)跟蹤發(fā)電系統(tǒng)的最大功率點(diǎn)[2]。目前，常用的最大功率點(diǎn)跟蹤控制方法有擾動(dòng)觀察P&O（perturb and observe）法、電導(dǎo)增量法、參數(shù)整定法、模糊控制法等[3]。同時(shí)，基于現(xiàn)代智能算法的最大功率點(diǎn)跟蹤也得到了廣泛的應(yīng)用。文獻(xiàn)[3]提出了一種改進(jìn)電導(dǎo)增量算法，提高光伏發(fā)電效率及系統(tǒng)穩(wěn)定性；文獻(xiàn)[4]提出了一種改進(jìn)量子粒子算法，提高局部陰影下光伏陣列輸出電壓與功率的動(dòng)態(tài)品質(zhì)；文獻(xiàn)[5]提出徑向基函數(shù)RBF（radial basis function）神經(jīng)網(wǎng)路的算法，但RBF 神經(jīng)網(wǎng)絡(luò)的輸入是電壓、電流，其本身就具有延時(shí)性，顯現(xiàn)出RBF 神經(jīng)網(wǎng)絡(luò)的非線性擬合的能力；文獻(xiàn)[6]提出一種Z源逆變器的電導(dǎo)增量算法，解決局部陰影和階躍變化等問題，但在階躍響應(yīng)過程后功率曲線不能夠收斂和穩(wěn)定，在一定程度上造成了階躍響應(yīng)過程的功率損失；文獻(xiàn)[7]提出一種改進(jìn)擾動(dòng)觀察法，獲得所有的局部最大功率點(diǎn)，用以規(guī)避局部陰影的方法，此方法亦可以用于提高其系統(tǒng)的跟蹤精度能力。

針對(duì)光伏電池追蹤最大功率點(diǎn)的問題，本文提出一種由RBF神經(jīng)網(wǎng)絡(luò)算法作為主要控制，自適應(yīng)比例積分微分APID（adaptive proportion integration differentiation）控制算法的次要控制相結(jié)合的控制策略。為解決局部陰影下傳統(tǒng)算法陷入局部最優(yōu)解的問題，以及神經(jīng)網(wǎng)絡(luò)受訓(xùn)練樣本和誤差精度的限制，輸出功率不穩(wěn)定、輸出功率劇烈波動(dòng)等問題，通過對(duì)比傳統(tǒng)算法和消融實(shí)驗(yàn)，結(jié)果驗(yàn)證了本文所提算法在溫度和光照強(qiáng)度連續(xù)變化過程中表現(xiàn)出較高的抗干擾能力和快速跟蹤性能，減少了功率波動(dòng)損失，有效提升了光伏電池的輸出效率。

1 光伏電池系統(tǒng)

1.1 光伏電池等效數(shù)學(xué)模型

光伏電池是以硅元素為基底的發(fā)電裝置，陽(yáng)光照射在半導(dǎo)體的PN結(jié)上形成空穴和電子對(duì)，在電場(chǎng)的作用下空穴由P區(qū)流向N區(qū)形成電流。其等效模型如圖1 所示，光伏電池等效電路是由串聯(lián)電阻Rs、分流電阻Rsh、二極管和光驅(qū)電流源構(gòu)成[8]。

圖1 光伏電池等效模型Fig.1 Equivalent model of PV cell

光伏電池等效電路的數(shù)學(xué)模型[9]為

式中：I為光伏輸出電流，A；V為光伏輸出電壓，V；Ih為光電流，A；Id為二極管電流，A；Is為飽和電流，A；Isc為短路電流，A；q為電荷，1.6×10-19C；k為玻耳茲曼常量，1.38×10-23J/K；ki為短路電流溫度系數(shù)；A為理想系數(shù)；voc為開路電壓，V；Ns為光伏電池串聯(lián)的單元數(shù)；T為光伏電池輸入溫度，K；G為光伏電池輸入光照強(qiáng)度，W/m2；

根據(jù)式（1）～式（3），光伏電池的電流與溫度和光照強(qiáng)度、二極管品質(zhì)、反向飽和電流息息相關(guān)，但由于二極管品質(zhì)，反向飽和電流是由光伏電池本身決定的固定參數(shù)，其中影響光伏電池輸出特性的主要是溫度和光照強(qiáng)度[10]。

1.2 光伏電池輸出性能

溫度為25 ℃時(shí)，光照強(qiáng)度分別為800 W/m2、1 000 W/m2的單峰值輸出和光照強(qiáng)度分別為1 000-300-200 W/m2、900-600-300 W/m2的多峰值輸出的光伏電池P-U輸出特性曲線如圖2所示。光照強(qiáng)度為1 000 W/m2時(shí)，溫度分別為15、25、35、45 ℃的光伏電池P-U輸出特性曲線如圖3所示。

圖2 不同光照強(qiáng)度的P-U 特性曲線Fig.2 P-U characteristic curves under different light intensities

圖3 不同溫度的P-U 特性曲線Fig.3 P-U characteristic curves at different temperatures

根據(jù)圖2和圖3中光伏電池P-U的輸出特性曲線實(shí)心圓點(diǎn)可知，在一定的溫度和光照強(qiáng)度下具有確定的最大功率點(diǎn)，其最大功率點(diǎn)電壓隨溫度和光照強(qiáng)度的變化呈非線性波動(dòng)。正因如此，追蹤最大功率點(diǎn)的精度和速度具有實(shí)際意義。

2 系統(tǒng)控制結(jié)構(gòu)和控制策略

2.1 系統(tǒng)控制結(jié)構(gòu)

RBF 神經(jīng)網(wǎng)絡(luò)的輸入為光伏電池的板槽溫度和光照強(qiáng)度，可根據(jù)環(huán)境變化快速輸出實(shí)時(shí)最大功率點(diǎn)電壓，由升壓電路的占波比（D）的公式，求得等效最大功率點(diǎn)電壓的占波比。D輸入脈沖寬度調(diào)制PWM（pulse width modulation）調(diào)節(jié)升壓電路的絕緣柵雙極型晶體管IGBT（insulated gate bipolar transistor），以期達(dá)到光伏發(fā)電系統(tǒng)內(nèi)外電阻相等的效果，實(shí)現(xiàn)光伏電池的最大功率輸出[11-12]。神經(jīng)網(wǎng)絡(luò)體現(xiàn)出時(shí)效性的優(yōu)點(diǎn)，可以減少尋優(yōu)過程中的能量損失。在光照強(qiáng)度快速變化下，可滿足對(duì)追蹤系統(tǒng)的需求，如低延時(shí)、高精度以及較低的振蕩。在局部遮擋導(dǎo)致的光伏發(fā)電輸出功率呈現(xiàn)多峰值的問題中，傳統(tǒng)算法往往會(huì)陷入局部最優(yōu)解，導(dǎo)致跟蹤精度變差，光伏電池輸出功率降低。而神經(jīng)網(wǎng)絡(luò)應(yīng)用在此類尋優(yōu)問題中，不存在局部最優(yōu)解的問題。但RBF神經(jīng)網(wǎng)絡(luò)本身無(wú)自適應(yīng)能力，且在訓(xùn)練樣本集有限且達(dá)到目標(biāo)精度的情況下，神經(jīng)網(wǎng)絡(luò)輸出仍存在一定的誤差。若使誤差降低，則只能在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)需要大量的樣本集和提高精度，這樣帶來(lái)的弊端是增大了計(jì)算量和神經(jīng)元的數(shù)量。

本文提出了RBF神經(jīng)網(wǎng)絡(luò)和APID控制算法的光伏功率最大功率點(diǎn)跟蹤方法。該方法尋優(yōu)的主控策略是RBF 神經(jīng)網(wǎng)絡(luò)控制，從控APID 控制局部波動(dòng)范圍（5%～15%）。APID 的加入可以很大程度上減少訓(xùn)練時(shí)的樣本集和神經(jīng)網(wǎng)絡(luò)神經(jīng)元的數(shù)量，同時(shí)也可以減少光伏輸出功率時(shí)的波動(dòng)幅度，從而提升發(fā)電效率。其核心思想是：RBF神經(jīng)網(wǎng)絡(luò)控制追蹤速度，APID控制精度，增強(qiáng)光伏發(fā)電系統(tǒng)功率的輸出性能和抗干擾性能?；赗BF 神經(jīng)網(wǎng)絡(luò)和APID控制算法相結(jié)合的尋優(yōu)控制結(jié)構(gòu)如圖4所示。

圖4 聯(lián)合尋優(yōu)控制結(jié)構(gòu)Fig.4 Structure of joint optimization control

2.2 RBF 神經(jīng)網(wǎng)絡(luò)算法和APID 控制

2.2.1 RBF 神經(jīng)網(wǎng)絡(luò)的MPPT 控制

RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，可以逼近任意精度的非性函數(shù)，具有全局搜索能力。其結(jié)構(gòu)為輸入層、隱含層、輸出層。通過選定RBF的函數(shù)中心來(lái)確定輸入和隱含層的映射關(guān)系，隱含層與輸出層則是由隱含層的線性加權(quán)和來(lái)確定[13]。

本文中RBF 神經(jīng)網(wǎng)絡(luò)輸入分別是溫度和光照強(qiáng)度，根據(jù)調(diào)整外阻抗等于內(nèi)阻抗的方式實(shí)現(xiàn)功率的最大輸出。針對(duì)光伏電池的輸入輸出特性，神經(jīng)網(wǎng)絡(luò)為3 層結(jié)構(gòu)，其中隱含層為100 個(gè)神經(jīng)元。隱含層輸出由激活函數(shù)表示，RBF神經(jīng)網(wǎng)絡(luò)的輸出由加權(quán)函數(shù)表示，二者分別為

式中：hj(t)為非線性激活函數(shù)；bj為高斯基函數(shù)的寬度；m為隱含層的節(jié)點(diǎn)數(shù)量；‖x(t)-cj(t)‖2為每個(gè)隱含層節(jié)點(diǎn)中心向量和輸入?yún)?shù)向量之間的歐式距離平方；yi(t)為神經(jīng)網(wǎng)路的輸出；wji為神經(jīng)網(wǎng)絡(luò)輸出層的權(quán)值；i為輸出節(jié)點(diǎn)的個(gè)數(shù)。

非線性映射能力是由隱含層決定，而隱含層的特性是由基函數(shù)的中心來(lái)確定，選取中心的方法是RBF 神經(jīng)網(wǎng)絡(luò)關(guān)鍵的環(huán)節(jié)，主要方法有隨機(jī)選取法、自組織選取中心法、有監(jiān)督選取中心法、正交最小二乘法等。

本文選用有監(jiān)督選取中心法，聚類中心及其他參數(shù)都是通過使得代價(jià)函數(shù)E尋優(yōu)的過程中獲得，并采用梯度下降法，在尋優(yōu)的過程中，使用誤差來(lái)修正學(xué)習(xí)的過程，能夠提高函數(shù)輸出的精度。代價(jià)函數(shù)E表示為

式中：E為某個(gè)輸出節(jié)點(diǎn)的誤差；n為訓(xùn)練樣本個(gè)數(shù)；I為隱含層節(jié)點(diǎn)個(gè)數(shù)；wi和ti為尋找網(wǎng)絡(luò)的自由參數(shù)，其中ti為隱含層的中心，wi為隱含層節(jié)點(diǎn)輸出權(quán)值，通過學(xué)習(xí)后使得代價(jià)函數(shù)E最小；ci為隱含層的中心擴(kuò)展；φ為格林函數(shù)；dk為輸入向量的期望輸出值。

2.2.2 RBF 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與測(cè)試

訓(xùn)練時(shí)采用的神經(jīng)元個(gè)數(shù)為100，離線訓(xùn)練使用80 組訓(xùn)練樣本、20 組測(cè)試樣本，學(xué)習(xí)速率為0.01，訓(xùn)練的期望誤差為0.001，在訓(xùn)練過程中迭代60代時(shí)收斂。測(cè)試樣本誤差曲線如圖5所示，測(cè)試樣本相對(duì)誤差如圖6所示。

圖5 測(cè)試樣本曲線Fig.5 Curve of test samples

圖6 測(cè)試樣本相對(duì)誤差Fig.6 Relative error of test samples

由離線神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練結(jié)果與目標(biāo)值的相對(duì)誤差可控制在千分位，達(dá)到了本文所需要的精度需求，且訓(xùn)練過程中收斂速度快，迭代次數(shù)少。

2.2.3 自適應(yīng)PID 控制PID的表達(dá)式為

式中：Kp為比例系數(shù)；Ki為積分系數(shù)；Kd為微分系數(shù)。

當(dāng)輸出功率出現(xiàn)較大波動(dòng)時(shí)，對(duì)前一時(shí)刻的輸出功率和后一時(shí)刻的功率進(jìn)行實(shí)時(shí)誤差分析，誤差結(jié)果將決定是否讓PID 控制器對(duì)輸出功率進(jìn)行整定。但由于功率誤差的變化是不確定的，從而導(dǎo)致PID控制器的整定幅度也是不確定的。為了解決上述問題，本文采用頻域響應(yīng)分析法。從階躍響應(yīng)的振蕩是相應(yīng)的閉環(huán)傳遞函數(shù)在特定頻率處峰值的反映可知，減小閉環(huán)傳遞函數(shù)在相應(yīng)頻率處的幅值，則階躍響應(yīng)中的振蕩會(huì)相應(yīng)地減小[14-15]。PID自動(dòng)尋參過程如圖7所示。

圖7 PID 自動(dòng)尋參數(shù)流程Fig.7 Flow chart of PID automatic parameter searching

為了分析PID 的幅相特性，將式（7）改進(jìn)為頻域表達(dá)式，即

式中：α和β為待調(diào)參數(shù)，初始狀態(tài)為一組保障系統(tǒng)穩(wěn)定的基礎(chǔ)值；ωc為PID 的特征頻率，用以區(qū)分高低頻振蕩。

對(duì)式（8）進(jìn)行幅值和相位的求導(dǎo)，當(dāng)ω＜ωc時(shí)為低頻振蕩，ω＞ωc時(shí)為高頻振蕩，其對(duì)應(yīng)的幅角法則如表1所示。表中，ω為系統(tǒng)閉環(huán)響應(yīng)的振蕩頻率。

表1 幅角法則Tab.1 Argument rule

調(diào)整思路如下：低頻振蕩時(shí)，增大α，如果振蕩不能被有效減小，則恢復(fù)α的值，然后減小ωc；高頻振蕩時(shí)，增大ωc，如果振蕩不能被有效減小，則恢復(fù)ωc的值，然后減小α；同時(shí)存在高頻振蕩和低頻振蕩時(shí)，調(diào)整方法是減小β。如果不能調(diào)制穩(wěn)定，則重復(fù)上述步驟，直至滿足α和β的迭代誤差和小于預(yù)設(shè)目標(biāo)e，則可輸出PID的參數(shù)，實(shí)現(xiàn)APID控制。

3 算例分析與討論

本文基于Matlab/Simulink 搭建了光伏電池的最大功率跟蹤仿真模型，如圖8所示。光伏電池參數(shù)如表2 所示[16]。通過升壓電路計(jì)算原理，圖8 中的電感、輸入電容、輸出電容、電阻分別為4 mH、100 μF、100 μF、20 Ω，單向二極管電壓為0.8 V。

表2 STC 標(biāo)準(zhǔn)太陽(yáng)能電池板參數(shù)Tab.2 Parameters of solar panel in STC standard

圖8 仿真模型Fig.8 Simulation model

3.1 外界環(huán)境快速變化時(shí)對(duì)光伏發(fā)電的影響

3.1.1 仿真模型環(huán)境1

當(dāng)溫度為25 ℃時(shí)，對(duì)輸入光照強(qiáng)度快速變化的3種模式進(jìn)行對(duì)比，結(jié)果如圖9和圖10 所示。光照強(qiáng)度從500 W/m2開始，0.75 s 時(shí)升至1 000 W/m2。定義在25 ℃、1 000 W/m2時(shí)對(duì)應(yīng)最大功率Pmpp為100%光伏發(fā)電效率。

圖9 光照強(qiáng)度急速變化下的輸出功率Fig.9 Output power under rapid change in light intensity

圖10 光伏電池發(fā)電效率1Fig.10 Power generation efficiency 1 of PV cell

3.1.2 分析與討論1

由圖9 和圖10 可得，光照強(qiáng)度在快速變化下，RBF&APID 聯(lián)合控制中APID 在1 ms 內(nèi)介入控制，使得功率波動(dòng)的穩(wěn)態(tài)調(diào)整時(shí)間相較于RBF 神經(jīng)網(wǎng)絡(luò)和擾動(dòng)觀察法算法縮短2 倍。對(duì)比其他兩種控制方式，其輸出功率抖動(dòng)幅度小，收斂速度快。在8 ms內(nèi)P&O算法的最低功率為131 W，RBF神經(jīng)網(wǎng)絡(luò)的最低功率為162 W，而RBF&APID 的卻只有187 W。RBF&APID 的振蕩幅值相較于P&O 下降42.7%，相較于RBF 神經(jīng)網(wǎng)絡(luò)下降15.4%；輸出功率轉(zhuǎn)換效率相較于P&O 和RBF 神經(jīng)網(wǎng)絡(luò)分別提升7.16%和1.43%。

上述數(shù)據(jù)顯示，RBF&APID 的控制策略能夠在光照強(qiáng)度發(fā)生快速變化和擾動(dòng)情況下，由于RBF神經(jīng)網(wǎng)絡(luò)的實(shí)時(shí)性的優(yōu)點(diǎn)，相較于P&O 算法，能夠在光照強(qiáng)度連續(xù)變動(dòng)的情況下轉(zhuǎn)化更多的能量。當(dāng)功率開始波動(dòng)時(shí)，由于APID的介入，提升了光伏發(fā)電系統(tǒng)的抗干擾能力，使其功率波形更線性化，有效地抑制了功率的波動(dòng)，增強(qiáng)其發(fā)電質(zhì)量。在小擾動(dòng)的情況下，RBF 神經(jīng)網(wǎng)絡(luò)仍然是作為主動(dòng)控制。RBF&APID 的控制策略能夠在光照強(qiáng)度發(fā)生劇烈的擾動(dòng)情況下，快速跟蹤最大功率點(diǎn)。

3.2 神經(jīng)網(wǎng)絡(luò)誤差波動(dòng)對(duì)光伏發(fā)電的影響

3.2.1 仿真模型環(huán)境2

當(dāng)光照強(qiáng)度為1 000 W/m2時(shí)，對(duì)溫度發(fā)生一定斜率上升和下降變化的3 種模式進(jìn)行對(duì)比，結(jié)果如圖11 和圖12 所示。溫度在0～12 h 內(nèi)由10 ℃上升至40 ℃，12～24 h內(nèi)由40 ℃下降至10 ℃。定義在1 000 W/m2、25 ℃時(shí)對(duì)應(yīng)最大功率Pmpp為100%輸出效率。

圖11 不同溫度下的輸出功率Fig.11 Output power at different temperatures

圖12 光伏電池發(fā)電效率2Fig.12 Power generation efficiency 2 of PV cell

3.2.2 分析與討論2

當(dāng)溫度變化緩慢時(shí)，P&O算法本身受到步長(zhǎng)采樣的影響，高精度的步長(zhǎng)會(huì)導(dǎo)致正反擾動(dòng)的頻率過高，輸出效率雖高但劇烈波動(dòng)。降低步長(zhǎng)，輸出功率收斂，但輸出效率會(huì)降低，如圖12中P&O算法步長(zhǎng)為1.25×10-3時(shí)，最高輸出效率也僅為85%。在面對(duì)溫度、光照強(qiáng)度等多變量問題中，P&O算法存在局限性且輸出效率僅維持在82%～93%之間。從圖11（a）和圖12中可知，RBF神經(jīng)網(wǎng)絡(luò)在經(jīng)過一定精度和有監(jiān)督學(xué)習(xí)的訓(xùn)練模式下，也會(huì)出現(xiàn)輸出功率的下浮抖動(dòng)等缺點(diǎn)，體現(xiàn)神經(jīng)網(wǎng)絡(luò)的誤差波動(dòng)對(duì)光伏電池的影響。圖11（b）中8～16 h內(nèi)可以看出RBF&APID聯(lián)合控制中，APID能夠修正RBF神經(jīng)網(wǎng)絡(luò)算法的誤差，抑制輸出功率的下浮波動(dòng)，提高了光伏發(fā)電的穩(wěn)定性，使得光伏發(fā)電模塊輸出功率能保持在93.82%～98.38%。

3.3 局部陰影對(duì)光伏發(fā)電的影響

3.3.1 仿真模型環(huán)境3

溫度為25 ℃時(shí)，在0.75 s 光照強(qiáng)度由500-500-500 W/m2變化至300-400-500 W/m2。

3.3.2 分析與討論3

局部陰影會(huì)導(dǎo)致光伏發(fā)電輸出功率呈現(xiàn)多峰值的現(xiàn)象，對(duì)于RBF神經(jīng)網(wǎng)絡(luò)應(yīng)用與多峰值的問題中，實(shí)際上并不會(huì)陷入局部最優(yōu)解，此類算法的問題在于神經(jīng)網(wǎng)絡(luò)本身的特性，需要大量的多峰值訓(xùn)練數(shù)據(jù)集，且在訓(xùn)練輸出精度一定的情況下仍會(huì)出現(xiàn)較大的波動(dòng)。如同圖11（b）中RBF神經(jīng)網(wǎng)絡(luò)輸出功率的下浮波動(dòng)，此時(shí)APID輔助控制，可以及時(shí)減少神經(jīng)網(wǎng)絡(luò)的輸出誤差。對(duì)于多峰值問題，傳統(tǒng)算法會(huì)陷入局部最優(yōu)解，從而導(dǎo)致輸出功率降低，功率輸出如圖13（a）所示。RBF神經(jīng)網(wǎng)絡(luò)則表現(xiàn)出較大幅度的振蕩，RBF&APID 則體現(xiàn)出良好的尋優(yōu)性，在1 ms 內(nèi)穩(wěn)定輸出功率的波動(dòng)，提升光伏發(fā)電系統(tǒng)的魯棒性，功率輸出如圖13（b）所示。

圖13 局部陰影時(shí)輸出功率Fig.13 Output power under partial shading

4 結(jié) 論

本文提出了一種基于RBF神經(jīng)網(wǎng)絡(luò)和APID反饋控制相結(jié)合光伏發(fā)電系統(tǒng)最大功率點(diǎn)跟蹤控制算法，以解決傳統(tǒng)算法在響應(yīng)速度慢、陷入局部最優(yōu)解和訓(xùn)練樣本不足以及RBF 神經(jīng)網(wǎng)絡(luò)無(wú)自適應(yīng)能力等方面的問題。通過仿真實(shí)驗(yàn)，分析了環(huán)境對(duì)光伏電池的影響和算法本身的特性，并得到如下主要結(jié)論。

（1）光照強(qiáng)度發(fā)生強(qiáng)烈變化后的8 ms 內(nèi)，RBF&APID 的響應(yīng)速度僅為1 ms，可將光伏電池能量轉(zhuǎn)換效率相較于P&O 算法和RBF 神經(jīng)網(wǎng)絡(luò)分別提高7.16%和1.43%；同時(shí)將光伏發(fā)電系統(tǒng)的振蕩調(diào)整時(shí)間縮短2 倍；RBF&APID 聯(lián)合算法收斂速度快，能夠有效抑制光伏電池輸出功率波動(dòng)，并提升光伏電池能量轉(zhuǎn)換效率。

（2）在RBF神經(jīng)網(wǎng)絡(luò)輸出達(dá)到誤差精度但仍出現(xiàn)誤差波動(dòng)范圍較大的情況下，能夠及時(shí)地由APID 進(jìn)行修正，如在溫度變化的過程中雙控模式下能夠有效地抑制功率的波動(dòng)。該方法可以有效解決RBF 神經(jīng)網(wǎng)絡(luò)無(wú)自適應(yīng)能力和有限樣本集條件下的缺陷，使得光伏發(fā)電系統(tǒng)具有更好的抗干擾能力。