收稿日期：2023-01-04

基金項目：2022廣東省青年創(chuàng)新人才項目（2022KQNCX214）

通信作者：姜新正（1968—），男，學士、高級工程師，主要從事電氣工程及其自動化、微特電機及其控制方面的研究。492247696@qq.com

DOI：10.19912/j.0254-0096.tynxb.2023-0011 文章編號：0254-0096（2024）05-0556-09

摘 要：針對太陽能發(fā)電單元最大功率點控制（MPPT）在復雜工況條件下存在的振蕩、跟蹤耗時長、精度較低的問題，提出一種基于改進區(qū)間二型模糊神經(jīng)網(wǎng)絡(luò)的預測控制模型。首先將減法聚類與區(qū)間二型模糊均值聚類算法相結(jié)合，辨識模型前件模糊規(guī)則層結(jié)構(gòu)，計算得到聚類中心；其次，基于自導式粒子群算法優(yōu)化后件權(quán)重層權(quán)值參數(shù)，進而提升網(wǎng)絡(luò)全局尋優(yōu)能力；最后，通過與TS模糊神經(jīng)網(wǎng)絡(luò)模型、基于反向傳播算法的區(qū)間二型模糊神經(jīng)網(wǎng)絡(luò)模型進行仿真對比，驗證所提模型在不同工況下對最大功率點追蹤的快速性與精確性。

關(guān)鍵詞：光伏發(fā)電；最大功率點跟蹤；預測控制；模糊神經(jīng)網(wǎng)絡(luò)；模糊聚類；粒子群算法

中圖分類號：TM743""""""""""""""""" 文獻標志碼：A

0 引 言

光伏發(fā)電以其獨有的優(yōu)勢成為經(jīng)濟社會高質(zhì)量發(fā)展，清潔能源大規(guī)模開發(fā)的必然選擇。其一，光伏組件對安裝場景無特定的限制條件，能較好地融入各類環(huán)境條件。其二，通過對光伏組件進行串并聯(lián)可向不同電壓、功率的負載供電。然而太陽電池發(fā)電狀態(tài)對環(huán)境溫度與太陽輻照度條件十分敏感，其最大功率狀態(tài)很難保持，這就需對最大功率點跟蹤（maximum power point tracking，MPPT）控制策略進行不斷研究［1-6］。常用的MPPT主要包括恒壓法、電導增量法、擾動觀察法以及各種智能算法與常規(guī)方法的組合等方法［7］。恒壓法算法與硬件都易實現(xiàn)，是一種典型的開環(huán)控制，但在跟蹤進度上存在誤差大、抗擾動性能力弱的缺點；干擾觀察法結(jié)構(gòu)簡單、易于實現(xiàn)，但其在環(huán)境多變工況下易出現(xiàn)誤判，最大功率點附近也會產(chǎn)生振蕩；電導增量法通過修改邏輯判斷式可有效減小最大跟蹤點振蕩，不過在選擇步長與閾值時會面臨困難。近年來智能算法在MPPT上的應用愈加廣泛，如模糊控制、神經(jīng)網(wǎng)絡(luò)［8-9］。諸多研究表明，模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)相結(jié)合能使系統(tǒng)兼具對復雜非線性問題與不確定性問題的辨識能力［10］。目前，基于模糊神經(jīng)網(wǎng)絡(luò)等智能算法的建模方法已成為光伏發(fā)電MPPT控制研究的熱點。楊東海等［11］給出一種利用模糊神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)對光伏系統(tǒng)MPPT控制，利用蟻群算法對網(wǎng)絡(luò)權(quán)值進行優(yōu)化，提高算法速度，通過實驗驗證了所提方案在解決網(wǎng)絡(luò)陷入局部最優(yōu)方面具有較好的效果；張嚴等［12］基于反向傳播（back propagation，BP）神經(jīng)網(wǎng)絡(luò)給出一種自適應模糊控制MPPT算法，對MPP進行預測，得到參考電壓，將這一參考電壓與太陽電池實際電壓的差值和前一時刻占空比[D（n-1）]作為控制器的輸入，通過模型訓練最終構(gòu)建能平穩(wěn)跟蹤MPP的自適應模糊控制器；楊順吉等［13］基于模糊控制結(jié)合變步長擾動觀測，利用電網(wǎng)電壓定向矢量控制方法構(gòu)建雙閉環(huán)并網(wǎng)控制模型，通過仿真，驗證了其在大時間尺度與高穩(wěn)態(tài)精度要求下的控制效果；武迪等［14］通過分析β-U曲線，給出一種基于[β]參數(shù)的MPPT算法，分別采用變步長占空比擾動法和模糊控制法來進行跟蹤，通過Matlab平臺仿真，驗證了其跟蹤速度與穩(wěn)態(tài)精度能獲得大大提高。

實際上，在面對環(huán)境變化情況復雜等一系列不確定性較強的問題時，一型模糊神經(jīng)網(wǎng)絡(luò)對輸入空間的聚類分析依然存在不足：1）傳統(tǒng)的模糊均值聚類算法對于初始聚類中心個數(shù)選擇是經(jīng)驗化的，模糊規(guī)則數(shù)與前件結(jié)構(gòu)的確定缺乏理論性；2）傳統(tǒng)的后件層調(diào)整算法較為簡單，在進行誤差反饋調(diào)節(jié)時易陷入局部最［13］；3）工業(yè)過程是復雜多變的，一型模糊系統(tǒng)對隨機系統(tǒng)的辨識能力不足［14］。針對以上問題，馬彬等［15］提出一種基于區(qū)間二型模糊神經(jīng)網(wǎng)絡(luò)的垂直切換算法，提高了傳統(tǒng)垂直切換算法描述網(wǎng)絡(luò)模糊性以及隨機性的能力，通過實驗證實其能大大減小切換決策的錯誤率，并降低耗時，有效增加了網(wǎng)絡(luò)吞吐量。楊威等［16］基于區(qū)間二型模糊神經(jīng)網(wǎng)絡(luò)給出一種自適應反演控制策略，將傳統(tǒng)的KM迭代算法用自適應調(diào)節(jié)因子代替，從而建立起自適應連接，有效解決了雙關(guān)節(jié)機械臂系統(tǒng)中大量不確定性參數(shù)精確辨識的問題；施建中等［17］為解決反向傳播算法在二型模糊神經(jīng)網(wǎng)絡(luò)中易收斂于非最優(yōu)解的問題，提出利用模糊[C]均值聚類對的區(qū)間二型模糊神經(jīng)網(wǎng)絡(luò)進行結(jié)構(gòu)辨識的算法，在實際試驗中驗證了所提算法對多個非線性系統(tǒng)辨識的精度可靠性。上述研究成果均驗證了區(qū)間二型模糊神經(jīng)網(wǎng)絡(luò)在復雜系統(tǒng)建模當中的有效性，而二型模糊系統(tǒng)相對于一型模糊系統(tǒng)具有更高的復雜耦合系統(tǒng)辨識能力［18-22］。基于此，為提高光伏發(fā)電最大功率點跟蹤的快速性與準確性，提出一種基于改進區(qū)間二型模糊神經(jīng)網(wǎng)絡(luò)的預測控制器，利用減法聚類與區(qū)間二型模糊均值聚類算法相結(jié)合辨識前件層結(jié)構(gòu)，并利用自導式粒子群算法優(yōu)化后件層參數(shù)，進一步提升區(qū)間二型模糊神經(jīng)網(wǎng)絡(luò)訓練的速率，提高全局最優(yōu)計算能力。

1 太陽電池原理模型

1.1 太陽電池數(shù)學模型

圖1所示為太陽電池的簡化模型，[I]為太陽電池輸出電流；[U]為輸出電壓；[Iph、I0、Id]分別為光電流、二極管反向飽和電流以及并聯(lián)電阻電流；[Rs、Rsh]分別為串聯(lián)等效電阻與并聯(lián)等效電阻；[G、T]分別為太陽輻照度和溫度。

太陽電池輸出電流[I]為：

[I=Iph-Id-Ish" =Iph-I0expq（U+Rs×I）AKT-1-U+IRsRsh]" （1）

式中：[A]—— 二極管理想狀態(tài)下的參數(shù)，量綱為1；[K]——玻爾茲曼常數(shù)；[q]——電荷，C。可見光照和溫度是影響輸出電流的主要因素。

1.2 太陽電池輸出特性

不同光照和溫度條件下，電池呈現(xiàn)不同的光照功率與電池負載電壓（P/U）特性。圖2、圖3顯示在相同溫度不同太陽輻照度及相同光照不同溫度下的太陽電池輸出特性。

2 區(qū)間二型模糊神經(jīng)網(wǎng)絡(luò)預測控制器模型

2.1 控制器設(shè)計方案

將溫度與太陽輻照度作為光伏模塊以及所提模型的輸入，由區(qū)間二型模糊神經(jīng)網(wǎng)絡(luò)得出電氣參數(shù)，利用脈沖寬度調(diào)制對Boost電路占空比進行控制?？刂平Y(jié)構(gòu)原理如圖4所示。

2.2 區(qū)間二型模糊神經(jīng)網(wǎng)絡(luò)（IT2FNN）結(jié)構(gòu)

提出的IT2FNN以太陽能輻照度與環(huán)境溫度為輸入，光伏輸出最大功率為輸出，對于前件層，考慮第j條模糊規(guī)則Rule j為：

[if x1 is Aj1 and…and xn is Ajn，then """" yj′=bj+i=1naijxi，（j=1，2，…，M）] （2）

式中：[i=1，…，n]——輸入?yún)?shù)數(shù)量；[x=[x1， x2， …， xn]]——輸入變量；[y′j]——規(guī)則權(quán)值，下標對應從[1～j]個權(quán)值；[ Ajn]——第[i]個輸入的第[j]條規(guī)則的隸屬函數(shù)度；[aij]和[bj]——后件參數(shù)，[i]對應第[i]個輸入，[j]對應第[j]個規(guī)則。IT2FNN基本結(jié)構(gòu)包括輸入層、隸屬函數(shù)層、激活層、后件層和輸出層，如圖5所示。

輸入層：該層與輸入相連，用于傳遞輸入變量，無需權(quán)值調(diào)整，其節(jié)點數(shù)與輸入變量數(shù)量相同。

隸屬函數(shù)層：每個神經(jīng)元代表一個區(qū)間二型隸屬函數(shù)，依據(jù)輸入變量與均值數(shù)量關(guān)系，區(qū)間二型模糊集不確定跡（foot of uncertain，F(xiàn)OU）的上界和下界隸屬函數(shù)計算得到輸出，具體為：

[uij（xi）=exp-12xi-cijσij2， xi ≤cij+cij2exp-12xi-cijσij2， xigt;cij+cij2]"" （3）

[uij（xi）=exp-12xi-cijσij2， xi ≤cij1 ， cijlt;xilt;cij exp-12xi-cijσij2， xigt;cij]"""""" （4）

式中：[0≤uij≤uij≤1]，[0≤cij≤cij≤1]。[uij]——第[i]輸入第[j]隸屬函數(shù)層神經(jīng)元輸出值的下界；[uij]——第[i]輸入第[j]隸屬函數(shù)層神經(jīng)元輸出值的上界；[cij]——第[i]輸入第[j]隸屬函數(shù)層神經(jīng)元中心值下界；[cij]——第[i]輸入第[j]隸屬函數(shù)層神經(jīng)元中心值上界；[σij]——隸屬函數(shù)層神經(jīng)元的寬度值。

激活層：該層節(jié)點的實質(zhì)是對應的模糊規(guī)則，通過product t-norm規(guī)則下的meet運算對激活強度[Fj]進行計算，運算過程為：

[Fj=fj， fj]"""""" （5）

[fj=i=1nu_ijfj=i=1nuij]" （6）

式中：[Fj]——第[j]個神經(jīng)元的激活強度；[fj]與[fj]——激活層第[j]個神經(jīng)元的激活強度下界和上界，[0≤fj≤fj≤1]。

后件層：該層用于描述與輸入變量相關(guān)的線性模型，每個節(jié)點的輸出如式（7）的線性組合表示。

[y′j=bj+i=1naijxi]"""""" （7）

該層通過設(shè)置輸出上下界比值來減少運算量，實現(xiàn)最終輸出的解模糊化：

[y=py+（1-p）y=pj=1Mfjy′jj=1Mfj+（1-p）j=1Mfjy′jj=1Mfj]"""" （8）

式中：[p]——輸出上界所占的比例；[1-p]——輸出下界所占的比例。

提出的IT2FNN優(yōu)化流程如圖6所示。

2.2.1 前件層結(jié)構(gòu)辨識

為使IT2FNN網(wǎng)絡(luò)前件層結(jié)構(gòu)更為合理，利用減法聚類算法（subtractive clustering method，SCM）與區(qū)間二型模糊均值聚類算法（interval type2 fuzzy c-means algorithm，IT2FCM）對IT2FNN進行前件層結(jié)構(gòu)辨識，確定模糊規(guī)則數(shù)、初始化隸屬函數(shù)參數(shù)。

1）基于SCM求解聚類中心數(shù)量

首先，設(shè)定臨界值[δ]（達到運算結(jié)束條件的最后一個聚類中心與第一個聚類中心密度指標的比值），接著對每個樣本的點密度指標進行計算：

[M（xi）=c=1ne-ad（xc，xi）]"""""" （9）

[Mc（xi）=Mc-1（xi）-M?c-1e-βd（xc-1，xi）β=4τ22]"" （10）

[M?c-1M?1lt;δ]""""" （11）

式中：[M（xi）]——密度指標，其值越大代表該點鄰域中聚集的點越多，當[M（xi）]出現(xiàn)最大值時表明對應的點可被作為聚類中心。運算過程如下：將計算中得到的第一個聚類中心去除，然后計算下一個聚類中心，以此類推，當[δ]在計算到第[c]個聚類中心時小于設(shè)定值，則[c]即為最理想的聚類中心數(shù)量。

2）基于IT2FCM計算聚類中心

由減法聚類獲得了最佳聚類中心數(shù)量[c]，繼而基于區(qū)間二型模糊聚類進行聚類中心的計算，步驟如下：

第1步：取聚類數(shù)量為[c（2≤c≤N）]，[N]為樣本總量，設(shè)定模糊系數(shù)[m1]和[m2]，設(shè)置迭代停止閾值[?]，初始化聚類中心V。

第2步：根據(jù)式（12）和式（13）對上、下隸屬度函數(shù)進行計算：

[μi（k）=max1j=1cdikdjk2m1-1，1j=1cdikdjk2m2-1]""" （12）

[μi（k）=max1j=1cdikdjk2m1-1，1j=1cdikdjk2m2-1]""" （13）

式中：[dik=xk-υiA]——第[k]個樣本[xk]～第[i]個聚類中心[υi]的歐氏距離；[ui（k）]和[μi（k）]——[xk]～聚類中心[υi]的上、下隸屬度函數(shù)。

第3步：利用KM算法對聚類中心[V]的區(qū)間［[VL，VR]］進行迭代更新。算法步驟如下：

①對樣本[xk=（xk1，xk2，…，xkM），]進行升序排列，[（k=1，2，…，N）]：

[x11≤x21≤…≤xN1]

[x11≤x22≤…≤xN2]

[?]

[x1M≤x2M≤…≤xNM]

② 取初始化隸屬度函數(shù)[μik=（μik+μik）]。求解第[i]個聚類中心：

[υi=k=1Nxkμikk=1Nμik] （14）

③ 根據(jù)[x（s）≤υi≤x（s+1）]找出切換點[s]，對應區(qū)間值為：

[υiL=k=1sxkμik+k=s+1Nxkμikk=1sμik+k=s+1Nμik] （15）

[υiR=k=1sxkμik+k=s+1Nxkμikk=1sμik+k=s+1Nμik] （16）

④ 若[υiL=υi]，則停止迭代，得到[υi]的區(qū)間最小值[υiL]；若不滿足，則取[υi=υiL]，返回③。類似可求得區(qū)間最大值[υiR]。

⑤ 取更新后聚類中心[V′=（υL+υR）/2]，若滿足[V′-Vlt;ε]則停止迭代，否則令[V=V′]，返回②。

2.2.2 后件層參數(shù)優(yōu)化

設(shè)[m]個微粒組成的[D]維度空間粒子群：每個粒子的空間位置為[Xi={xi1， xi2， …， xiD}]，[i=1，2，…，m]，每個粒子在迭代中會經(jīng)歷多個位置，其中最好位置為[Pi={pi1，pi2， …， piD}]，微粒個體飛行速度[Vi={vi1， pi2， …， viD}]，全局最優(yōu)位置[Pg=][{pg1， pg2， …， pgD}]，全局最優(yōu)適應值[Fg]。其中速度更新迭代為：

[vid（k+1）=ωvid（k）+c1r1pid（k）-xid（k）+""""""""""""""""" c2r2pgd（k）-xid（k）]""" （17）

位置更新迭代如式（18）和式（19）所示。

[xid（k+1）=axid（k）+（1-a）（pad（t）-xid（k））+vid（k+1）]"""" （18）

[pad′（t）=pad′（1）?pad′（2）?…?pad′（t-1）"" i=（1， 2， …， m;d=1， 2， …， D）] （19）

式中：[a∈[0，1]]；[r1、][r2]——隨機數(shù)；[pad′（t）]——[t]次實驗后粒子局部最優(yōu)集合；[ω]——自導式粒子群算法對慣性權(quán)值；[c1、][c2]——學習系數(shù)，更新為：

[ω（t）=Smax-t-1δMaxInter×（Smax-Smin）]""""" （20）

[c1=（c1f-c1i）×tδMaxInter+c1i]" （21）

[c2=（c2f-c2i）×tδMaxInter+c2i]" （22）

式中：[Smax]和[Smin]——設(shè)定值；[t]——當前迭代次數(shù)；[δMaxInter]——設(shè)定的最大迭代次數(shù)；[c1f]、[c1i]——學習系數(shù)的初值；[c2f、][c2i]——學習系數(shù)終值。后件層權(quán)值優(yōu)化計算公式為：

[δFitness=1Ni=1Nj=1M（Odji-Oji）2]"" （23）

式中：[N]——樣本數(shù)量；[M]——后件第2層神經(jīng)元數(shù)量；[Odji]、[Oji]——[i]樣本第[j]個網(wǎng)絡(luò)節(jié)點的輸出期望值與真實值。設(shè)置迭代次數(shù)，最小計算誤差。

2.2.3 模型訓練

采用梯度下降法對網(wǎng)絡(luò)后件各神經(jīng)元的連接權(quán)值a，b以及輸出上下界比例值p進行調(diào)整。

[E（t）=12t=1ky（t）-yd（t）2]"""""" （24）

式中：[y（t）]和[yd（t）]——第[t]次學習后的實際輸出與期望輸出，各參數(shù)更新為：

[p（t+1）=p（t）-ηp?E（t）?p（t）]""" （25）

[aij（t+1）=aij（t）-ηa?E（t）?aij（t）]""""" （26）

[bij（t+1）=bij（t）-ηb?E（t）?bj（t）]""""" （27）

式中：[ηp]——[p]的學習率；[ηa]——[aij]的學習率；[ηb]——[bj]的學習率；后件參數(shù)的求導分別為：

[?E（t）?p（t）=[y（t）-yd（t）]j=1Mf_jy′jj=1Mf_j-j=1Mfjy′jj=1Mfj]""""" （28）

[?E（t）?aij（t）=?E?y·?y?y′·?y?aij]""" （29）

[?E（t）?bij（t）=?E?y·?y?y′·?y?bj]""" （30）

[?E（t）?y（t）=y（t）-yd（t）]"" （31）

[?y?y′=qfji=1Mfj+（1-q）fji=1Mfj]""""" （32）

[?y?aij=xi]"""" （33）

[?y?bj=1]"""""" （34）

綜上，所提IT2FNN的學習算法的具體過程如下：

1）利用SCM得出最佳聚類中心數(shù)量，而后基于IT2FCM求解聚類中心，進而實現(xiàn)對前件結(jié)構(gòu)的辨識，包括關(guān)鍵參數(shù)不確定均值[cij]，與神經(jīng)元寬度值[σij]。

2）基于SGPSO優(yōu)化后件層參數(shù)[aij、][bj]以及輸出比例值[p]。設(shè)定參數(shù)學習率[ηq、][ηa、][ηb、][η1、][η2和ησ]，網(wǎng)絡(luò)學習次數(shù)[t]。

3）初始化后件參數(shù)學習率[ηp、][ηa、][ηb]，設(shè)置迭代終止條件，利用輸入數(shù)據(jù)集開始訓練網(wǎng)絡(luò)，基于BP算法對優(yōu)化后的后件層各參數(shù)進行調(diào)整。

4）迭代計算時，若當前樣本到達學習次數(shù)設(shè)定值后，進行以下一組樣本的學習，直至所有樣本學習完畢。

3 仿真分析

分別構(gòu)建基于TS-FNN預測控制器、基于誤差反饋調(diào)節(jié)的傳統(tǒng)區(qū)間二型模糊神經(jīng)網(wǎng)絡(luò)的預測控制器，為便于區(qū)分，將所提改進的區(qū)間二型模糊神經(jīng)網(wǎng)絡(luò)簡寫為SFP-IT2FNN，未優(yōu)化的區(qū)間二型模糊神經(jīng)網(wǎng)絡(luò)為IT2FNN，在Matlab平臺采用SM-55進行仿真實驗。實驗樣本為300組溫度在25～60 ℃之間，太陽輻照度在0～1000 W/m2之間的數(shù)據(jù)集，其中270組用于訓練，15組用于測試，15組用于驗證，其他相關(guān)電氣參數(shù)見表1。

根據(jù)2.2.2節(jié)利用SGPSO算法對后件層權(quán)值參數(shù)進行優(yōu)化，以提高網(wǎng)絡(luò)的擬合精度，圖7顯示了各權(quán)值在迭代計算時的變化過程，優(yōu)化后的后件層權(quán)值繼續(xù)進行網(wǎng)絡(luò)迭代計算進一步調(diào)整搜尋全局最優(yōu)解。圖8為TSFNN網(wǎng)絡(luò)、IT2FNN網(wǎng)絡(luò)、SFP-IT2FNN網(wǎng)絡(luò)的訓練結(jié)果圖，選取相同迭代次數(shù)后SFP-IT2FNN收斂精度更高。TSFNN網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)較少因此在訓練至約200次就已達到收斂，IT2FNN與SFP-IT2FNN網(wǎng)絡(luò)結(jié)構(gòu)更為復雜，結(jié)構(gòu)參數(shù)更多，相比TSFNN訓練所需時間較長。但比較訓練最終結(jié)果可看到SFP-IT2FNN具有最高的精度，TSFNN雖然收斂速度較快但最終學習效果差于IT2FNN與SFP-IT2FNN，區(qū)間二型模糊系統(tǒng)實現(xiàn)了對輸入控件更加精細的劃分，特別是對太陽輻照度多變的情況下輸入空間的高度不確定性問題。

訓練完成后，在不同溫度下對提出的SFP-IT2FNN模型進行實驗仿真，在光照固定時溫度在第0.3秒從25 ℃升高至60 ℃，在第0.6秒升高至35 ℃，圖9為在光照1000 W/m2時各個溫度條件下最大功率點位置（曲線圓圈標注）。

將所提方法與擾動觀察法（perturb and observe algorithms，Pamp;O）進行仿真對比。Pamp;O實質(zhì)為一種試錯性的算法，其控制原理為：設(shè)置一定規(guī)律的輸出電壓擾動，然后通過對比功率值來預判下一次電壓擾動方向。圖10為一定太陽輻照度照條件下溫度發(fā)生改變時SFP-IT2FNN與Pamp;O的最大功率追蹤控制對比曲線，SFP-IT2FNN對于最大功率的追蹤明顯更快速。圖11為電壓變化曲線，圖12為電流變化曲線。表2為SFP-IT2FNN與Pamp;O在不同溫度下的實際輸出功率與理論最大功率統(tǒng)計情況。

溫度在60 ℃時SFP-IT2FNN實際輸出功率為60.8 W，Pamp;O為61.5 W，理論最大功率為61 W；溫度在40 ℃時SFP-IT2FNN實際輸出功率為56.8 W，Pamp;O為57.6 W，理論最大功率為57 W；溫度在30 ℃時SFP-IT2FNN實際輸出功率為55.8 W，CVT為55.4 W，理論最大功率為55 W。

為進一步驗證SFP-IT2FNN的優(yōu)越性，將其與TSFNN、IT2FNN進行仿真對比，圖13為3種模型跟蹤功率曲線的橫坐標拉伸對比圖，給定光照條件為1000 W/m2，溫度25 ℃，理論最大功率為60 W。結(jié)果顯示，TSFNN用時最長，而在穩(wěn)定后呈現(xiàn)出較大波動，IT2FNN雖然也能快速追蹤大最大功率點但用時較SFP-IT2FNN更長。

更進一步驗證SFP-IT2FNN對太陽電池發(fā)電功率最大點跟蹤性能，只對IT2FNN和SFP-IT2FNN兩個模型在溫度、太陽輻照度變化情況下下進行再次仿真實驗。時間溫度和光照面積分別為25 ℃、800 W/m2，一段時間后溫度從25 ℃升高至35 ℃，最大功率點降低；之后將太陽輻照度從800 W/m2提高至1000 W/m2，由圖14可見，SFP-IT2FNN在最大功率變化后可更快速完成跟蹤，且與IT2FNN相比，前者曲線在拐點處波動更小，表明SFP-IT2FNN具有更好的泛化能力與穩(wěn)定性。表3為實驗結(jié)果數(shù)據(jù)。

4 結(jié) 論

提出的基于區(qū)間二型模糊神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電最大功率預測控制模型具有一定優(yōu)勢，表現(xiàn)在：其一，光伏組件接收的太陽輻照度變化與環(huán)境氣溫改變具有較大隨機性，而區(qū)間二型模糊系統(tǒng)可更好地處理這類不確定性問題，使最大功率預測精度到到提升，減法聚類算法與區(qū)間二型模糊均值聚類算法相結(jié)合是為獲得更為合理的模糊規(guī)則數(shù)與聚類中心；由于區(qū)間二型模糊神經(jīng)網(wǎng)絡(luò)增加了結(jié)構(gòu)的復雜性因此為提升其學習速度，利用SGPSO算法對后件權(quán)值參數(shù)進行優(yōu)化，以提高其訓練速度。本研究存在的不足在于，所提SFP-IT2FNN雖然在最大功率追蹤穩(wěn)定性與精度上提升較多，但對于大尺度時間上的跟蹤速度提升并不明顯，想要進一步提升速度也是本課題后期繼續(xù)研究的工作重點，主要從結(jié)構(gòu)精簡角度出發(fā)盡可能的減少參數(shù)數(shù)量。

［參考文獻］

［1］"""" 臧健康， 衛(wèi)東， 魏繆宇. 基于多峰狀態(tài)的光伏組串參數(shù)求解與波峰最大功率點計算方法［J］. 太陽能學報， 2020， 41（11）： 86-94.

ZANG J K， WEI D， WEI M Y. Multi-paek state-based photovolatic string parmater extraction and global maximum"" power"" point"" calculation"" method［J］."" Acta energiae solaris sinica， 2020， 41（11）： 86-94.

［2］"""" 徐巖， 靳偉佳， 朱曉榮. 基于遺傳粒子群算法的光伏并網(wǎng)逆變器參數(shù)辨識［J］. 太陽能學報， 2021， 42（7）： 103-109.

XU Y， JIN W J， ZHU X R. Parameter identification of photovoltaic grid-connected inverter based on GAPSO［J］. Acta energiae solaris sinica， 2021， 42（7）： 103-109.

［3］"""" KUMAR M， SHIVA KRISHNA RAO K D V. Modelling and parameter estimation of solar cell using genetic algorithm［C］//2019 International Conference on Intelligent Computing and Control Systems （ICCS）. Madurai， India， 2020： 383-387.

［4］"""" SUBUDHI B， PRADHAN R. Bacterial foraging optimization approach to parameter extraction of a photovoltaic module［J］. IEEE transactions on sustainable energy， 2018， 9（1）： 381-389.

［5］"""" MUTTILLO M， MUTTILLO V， DE RUBEIS T. Towards the design of microcontroller based embedded sensory systems with a five-parameter single diode estimation method for photovoltaic panels［C］//2020 IEEE International Workshop on Metrology for Industry 4.0 amp; IoT. Roma， Italy， 2020： 197-201.

［6］"""" 梁智超， 李夢達， 鄭旭彬， 等. 基于模糊和聲搜索算法的光伏MPPT控制研究［J］. 電源技術(shù)， 2022， 46（3）： 320-323.

LIANG Z C， LI M D， ZHENG X B， et al. Research on photovoltaic MPPT control based on fuzzy harmony search algorithm［J］. Chinese journal of power sources， 2022， 46（3）： 320-323.

［7］"""" 王亞鋒， 安坤， 孟江. 基于RBF神經(jīng)網(wǎng)絡(luò)的遲滯非線性模型預測控制［J］. 電子測量技術(shù)， 2021， 44（23）： 42-47.

WANG Y F， AN K， MENG J. Nonlinear model predictive control of hysteresis based on RBF neural network［J］. Electronic measurement technology， 2021， 44（23）： 42-47.

［8］"""" 張舵. 基于模糊理論的動力系統(tǒng)事件觸發(fā)控制研究［D］. 成都： 電子科技大學， 2022.

ZHANG D. Research on event trigger control of dynamical systems based on fuzzy theory［D］. Chengdu： University of Electronic Science and Technology of China， 2022.

［9］"""" 伍冬睿， 曾志剛， 莫紅， 等. 區(qū)間二型模糊集和模糊系統(tǒng)： 綜述與展望［J］. 自動化學報， 2020， 46（8）： 1539-1556.

WU D R， ZENG Z G， MO H， et al. Interval type-2 fuzzy sets"" and"" systems："" overview"" and"" outlook［J］."" Acta automatica sinica， 2020， 46（8）： 1539-1556.

［10］""" 鄭高， 肖建， 蔣強， 等. 二型模糊系統(tǒng)理論與應用［J］. 合肥工業(yè)大學學報（自然科學版）， 2009， 32（7）： 966-971.

ZHENG G， XIAO J， JIANG Q， et al. Research on theory and application of type-2 fuzzy logic systems［J］. Journal of Hefei university of technology （natural science）， 2009， 32（7）： 966-971.

［11］""" 楊東海， 劉洋， 王毅， 等. 基于二進制蟻群模糊神經(jīng)網(wǎng)絡(luò)的光伏系統(tǒng)MPPT控制算法研究［J］. 電氣工程學報， 2017， 12（6）： 41-46.

YANG D H， LIU Y， WANG Y， et al. Research on MPPT control algorithm of photovoltaic system by binary ant colony algorithm and fuzzy neural network［J］. Journal of electrical engineering， 2017， 12（6）： 41-46.

［12］""" 張嚴， 王亞君， 余佳琪. 基于神經(jīng)網(wǎng)絡(luò)-自適應模糊的光伏MPPT算法［J］. 國外電子測量技術(shù)， 2022， 41（4）： 62-69.

ZHANG Y， WANG Y J， YU J Q. Photovoltaic MPPT algorithm based on ANN-adaptive FLC［J］. Foreign electronic measurement technology， 2022， 41（4）： 62-69.

［13］""" 楊順吉， 李慶生. 光伏模糊自適應最大功率點跟蹤及并網(wǎng)研究［J］. 電力科學與工程， 2022， 38（6）： 1-8.

YANG S J， LI Q S. Research on fuzzy adaptive photovoltaic MPPT and its grid connection［J］. Electric power science and engineering， 2022， 38（6）： 1-8.

［14］""" 武迪， 許春雨， 鄭麗君， 等. 基于β參數(shù)的光伏系統(tǒng)最大功率點跟蹤算法研究［J］. 太陽能學報， 2020， 41（6）： 234-241.

WU D， XU C Y， ZHENG L J， et al. Maximum power point tracking algorithm of photovoltaic system based on β-parameter［J］. Acta energiae solaris sinica， 2020， 41（6）： 234-241.

［15］""" 馬彬， 王雙雙， 陳海波. 基于區(qū)間二型模糊神經(jīng)網(wǎng)絡(luò)的垂直切換算法［J］. 電子學報， 2021， 49（5）： 928-935.

MA B， WANG S S， CHEN H B. Vertical handover algorithm based on interval type-2 fuzzy neural network［J］. Acta electronica sinica， 2021， 49（5）： 928-935.

［16］""" 楊威， 徐擁華， 楊永峰， 等. 機械臂的改進區(qū)間二型模糊神經(jīng)網(wǎng)絡(luò)控制［J］. 空間控制技術(shù)與應用， 2021， 47（1）： 70-77.

YANG W， XU Y H， YANG Y F， et al. Improved interval Type2 fuzzy neural networks control of manipulator［J］. Aerospace control and application， 2021， 47（1）： 70-77.

［17］""" 施建中， 梁紹華. 基于模糊聚類的二型模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)辨識［J］. 科學技術(shù)與工程， 2020， 20（4）： 1454-1460.

SHI J Z， LIANG S H. Type 2 fuzzy neural network system identification based on fuzzy clustering［J］. Science technology and engineering， 2020， 20（4）： 1454-1460.

［18］""" SHAHPARAST H， HAMZELOO S， SAFARI E. An incremental type-2 fuzzy classifier for stock trend prediction［J］. Expert systems with applications， 2023， 212： 118787.

［19］""" HESARIAN M S， TAVOOSI J. Evaluating the smoothness of the washed fabric after laundry with the washing machine based on a new type-2 fuzzy neural network［J］. Complexity， 2022， 2022： 1-9.

［20］""" MACIEL L， BALLINI R， GOMIDE F， et al. Forecasting cryptocurrencies prices using data driven level set fuzzy models［J］. Expert systems with applications， 2022， 210： 118387.

［21］""" CASTILLO O， CASTRO J R， PULIDO M， et al. Interval type-3 fuzzy aggregators for ensembles of neural networks in COVID-19 time series prediction［J］. Engineering applications of artificial intelligence， 2022， 114： 105110.

［22］""" 蘇藝凡， 黨建武， 王陽萍， 等. 改進的區(qū)間二型模糊聚類遙感影像變化檢測［J］. 測繪通報， 2021（7）： 44-51， 58.

SU Y F， DANG J W， WANG Y P， et al. Remote sensing image change detection based on improved interval type-2 fuzzy clustering［J］. Bulletin of surveying and mapping， 2021（7）： 44-51， 58.

MPPT CONTROL BASED ON IMPROVED PARTICLE SWARM INTERVAL

Li Kai 1，Jiang Xinzheng2

（1. School of Information and Communication Engineering，Guangdong Vocational College of Post and Telecom， Guangzhou 510630，China；

2. School of Intelligent Manufacturing and Electrical Engineering， Guangzhou Institute of Technology， Guangzhou 510540， China）

Abstract：In order to solve the problems of maximum power point control， propose a predictive control model based on interval type two fuzzy neural network， such as oscillation， long tracking time and low accuracy under complex operating conditions. Firstly， the Fuzzy rule layer structure of interval type two fuzzy neural network is identified and the cluster center is calculated by combining subtractive clustering and interval two type fuzzy mean clustering algorithm； Secondly， self guided particle swarm optimization is used to optimize the weight layer of the subsequent layer to improve the global optimization capability of the network. Finally， through simulation comparison with TS fuzzy neural network model and interval type Ⅱ fuzzy neural network model based on back propagation algorithm， the rapidity and accuracy of the proposed model for maximum power point tracking under different working conditions are verified.

Keywords：PV power； MPPT； predictive control； fuzzy neural network； fuzzy clustering； particle swarm optimization algorithm