一种基于弹性BPNN光伏最大功率点跟踪控制算法.docVIP

一种基于弹性BPNN的光伏最大功率点跟踪控制算法 　　【摘要】根据光伏电池结构特性，研究了温度、光强、阴影三个外界因素对光伏电池输出特性的影响。比较了扰动观察法、电导增量法、恒定电压法等几种光伏系统常见的最大功率跟踪方法。由于以上方法存在方法单一、对硬件测量精度高、计算量大、存在反复振荡现象等问题，提出一种基于弹性BP神经网络的MPPT算法。弹性BP算法可以在神经网络训练过程中有效克服梯度幅度偏导的不利影响，训练后的模型将光强和温度作为输入变量，通过神经网络的识别后得到最大功率点。仿真实验表明，本文提出的方法具有良好的适应性，显著提高了光伏转换的效率。 　　【关键词】光伏电池;输出特性;弹性BP算法;MPPT算法;光伏转换 　　引言 　　太阳能发电作为一种新型的电能生产方式，凭借其环保、节能的特点迅速成为当前的发展热点。目前太阳能发电中所用的光伏电池在不同的温度和光强下，其输出功率呈非线性特征。为提高输出效率和降低发电成本，光伏发电技术的研究得到了广泛推进。大量研究表明，使光伏电池工作在最大功率点可以最大化转换光能，而最大功率点会受温度、光强、阴影等外界因素的影响，能够准确地找到最大功率点称为研究光伏转换的关键。因此，研究一种高效的最大功率输出（MPPT）算法具有重大现实意义。 　　1.光伏电池的模型与输出特性 　　1.1 光伏电池的等效模型 　　光伏电池相当于具有与受光面平行的极薄PN截面的大面积的等效二极管，其理想电路和等效电路如图1（a）（b）所示。 　　（a） 　　（b） 　　图1 光伏电池的等效电路和实际等效电路 　　1.2 光伏电池的输出特性 　　为了进一步了解光伏电池特性，根据公式1.1-6所示的光伏电池的函数关系绘制出光伏电池输出与光照、温度的曲线图。 　　图2 环境温度不变、光照强度变化情况下的一组I-V和P-V关系曲线图 　　图2为环境温度不变、光照强度变化情况下的一组I-V和P-V关系曲线图。从图2可以看出，在环境温度不变、光照强度增加的情况下，对于I-V曲线，光伏电池的短路电流和开路电压均有较大的上升幅度;对于P-V曲线，光伏电池的最大功率点随之变大，且成山峰形状，在最大功率点左侧，输出功率和电池电压近似呈线性上升关系，达到最大功率点后，输出功率开始迅速下降且比之前上升速度快很多。 　　图3 光照强度不变、环境温度变化情况下的一组I-V和P-V关系曲线图 　　图3为光照强度不变、环境温度变化情况下的一组I-V和P-V关系曲线图。从图3可以看出，在光照强度不变、环境温度增加的情况下，对于I-V曲线，短路电流的初始大小影响不大，只是随着环境温度的增加，短路电流开始下降的时间越靠后;对于P-V曲线，光伏电池的输出功率开始呈线性上升关系，到达最高点后开始迅速下降，且输出功率下降速度比上升速度快很多。 　　综合以上两组曲线图可以看出，光伏电池的最大输出功率与光照强度和环境温度有密切关系，相对来说，最大输出功率受光照强度因素影响更大一些。在接下来。的算法中，我们主要以光强和温度作为输入变量来进行实验仿真和分析。 　　2.BP神经网络结构 　　2.1 BP神经网络的学习算法和拓扑结构 　　BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传人，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望的输出不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行的。权值不断调整的过程，也就是网络学习训练过程。此过程一直进行到网络输出的误差减少到可接受的程度，或进行到预先设定的学习次数为止。 　　2.2 BP神经网络的训练过程 　　神经网络能够通过对样本的训练反馈到隐含层的网络权值中，不断改变网络的连接权值以及拓扑结构，使误差函数最小化使网络的输出值不断地接近期望的输出。 　　3.弹性BP算法 　　BP网络的隐含层激活函数一般采用双曲正切S型函数，它能把输入变量的输入范围从无限大对应到有限的输出变量中。当输入变量取值很大时，sigmoid函数斜率趋于零，梯度的幅度非常小。尽管权值和阈值离最佳值相差很远，但权值和阈值的修正量也很小，会导致训练时间很长。针对此问题，研究者提出了弹性BP算法，克服了梯度幅度的不利影响，在进行权值修正时，仅仅用到偏导的符号，其幅值并不影响权值修正。当连续迭代的梯度方向相同时，可将权值和阈值的修正值乘以一个增量因子，使修正值增加;反之，可将权值和阈值的修正值乘以一个减量因子，使修正值减小; 当梯度为零时，权