光伏发电技术及其应用作者魏学业第七章课件.ppt

对于隐含层和输出层每个神经元的输出函数为 ? （7-16） 式中，函数用来定义神经元的输入-输出特性；是用第k个采样样本训练时，神经元i的输入信号。是前一层输出的加权和，即 ? （7-17） 式中，为神经元j和i间的连接权值；为神经元j的输出信号。 2．BP神经网络算法的学习过程 神经网络能够通过对样本的反向学习训练，不断改变网络的连接权值以及拓扑，使网络的输出值不断地接近期望的输出。反向传播用于逐层传递误差，修改神经元间的连接权值，以使网络对于输入信息经过计算后得到的输出能达到期望的误差要求。 学习的方法是使用一组训练样本对网络的连接权值进行，每一个样本中都包括输入与期望输出两部分。在正向传播算法中，首先将训练样本的输入信息输入到网络中，输入信息从输入层经过隐层节点逐层计算处理后传至输出层。在计算处理过程中，每一层神经元的状态只影响下一层神经元的状态，如果在输出层得到的结果不是所期望的输出，那么就转向反向传播。反向传播把误差信号沿路经反向传回，并按一定的原则对各层神经元的权值进行修正，直到第一个隐层。这时再开始正向传播，利用刚才的输入信息进行正向网络计算，如果网络的输出达到了误差要求，学习过程结束，如果达不到要求，就再进行反向传播的连接权值调整。 在训练网络的学习阶段，设有N个训练样本，首先假定用其中某一个样本p的输入{xp}和输出{tp}对网络进行训练，隐含层的第i个神经元在样本p作用下的输入为 ? （7-18） 式中， 和 分别为输入节点j在样本p作用时的输入和输出，对输入节点而言两者相当；为输入层神经元j与隐含层神经元i之间的连接权值；为隐含层神经元i的阈值；M为输入层的节点数，即输入个数。 隐含层第i个神经元的输出为 ? （7-19） 式中， 为激活函数；net为整个输入量的加权求和的值。 3．算法仿真分析 算法仿真的步骤如下： （1）确定学习样本和目标样本 由光伏模型可知，如果环境温度T和光强G已知，就可确定最大功率点。在设计BP神经网络的MPPT算法时，使用环境温度T、光强G和测试得到的对应最大功率点数据作为初始样本数据。 （2）建立BP神经网 选择隐层和输出层的神经元传递函数分别为tansig和purelin，网络算法采用Levenberg—Marquardt算法trainlm。 （3）训练网络直到其达到预定误差精度 在网络进行训练之前，需要设置训练参数，设学习率为10%，训练时间为50s，训练误差为0.01，其余参数使用默认值。为了避免误差落入的是误差曲面的局部最小值，并显示出算法的优劣性，确定最大训练次数要足够大（1000次以上），并选择合适的训练函数，以便能更好地跟踪最大功率点电压。 （4）网络测试 对训练好的网络进行仿真，绘制网络输出曲线并与原始数据曲线比较输出结果。 （5）仿真结果对比 仿真实验的输入节点数为3个，输出节点数为1个。BP网络结构如图7-29所示。参考式（7-13）～式（7-15）并结合实际试验效果，最终选取隐含层的神经元数m。 图7-29 三层BP神经网络结构 为了精确地确定最大功率点，连接权值必须由典型的样本数据确定。确定连接权值的过程就是训练过程。在最大功率点跟踪过程中，需要采样一天24小时中的光强、温度几组数据，通过BP神经网络结构进行学习训练。最后达到误差收敛，从而使输出得到期望的最大功率。 图7-30对比了训练前后的输出结果。从图中可看出，得到的曲线和原始曲线的非线性曲线很接近，说明经过训练后，BP网络对MPPT有很好的跟踪效应。网络非线性程度越高，对于BP网络的要求越高，则相同的网络逼近效果稍差。隐层神经元的数目对于网络逼近效果也有影响，一般来说，隐层神经元数目越多，则BP网络逼近非线性的能力越强，而同时网络训练所用的时间相对较长。隐层神经元数目太少，则BP网络逼近非线性的能力下降，网络不能很好地学习，需要训练的次数较多，训练精度也不够。根据经验公式确定一个参考值，然后依据多次实验结果进行调整，选择合适的隐层神经元数目。 采用BP神经网络进行MPPT控制还可以跟其他算法如扰动观察法进行跟踪比较，实验输出误差的仿真结果如图