基于BP神经网络光伏系统多峰最大功率点跟踪策略.docVIP

基于BP神经网络光伏系统多峰最大功率点跟踪策略 　　摘要：针对在实际发电过程中光伏阵列P-U特性曲线呈现多个功率峰值点问题，本文在光伏电池的结构、原理和模型的基础上，分析了在非均匀光照条件下光伏系统的输出特性，根据复杂光照条件下最大功率点呈现多峰的特性，提出了一种基于BP神经网络的最大功率点跟踪策略。仿真结果表明：将BP神经网络用于多峰最大功率跟踪控制精度高，响应迅速，且系统适应性良好。 　　关键词：光伏系统；多峰最大功率点跟踪；BP神经网络；输出特性 　　中图分类号：TP183 文献标识码：A 文章编号：1007-9416（2017）06-0070-04 　　太阳能资源丰富，分布广泛，开发利用前景广阔。光伏发电是一种简易而清洁的太阳能利用方式，近年来受到广泛青睐，发展迅速。但在发展过程中也存在许多问题，其中效率是其主要问题[1]。提高光伏系统效率的主要措施之一是最大功率点跟踪控制[2]。然而在光伏发电时，光伏阵列易受到建筑、树木等造成的阴影影响，使其P-U特性曲线呈现多个功率峰值点，导致传统的MPPT算法（如恒压法、导电增量法、扰动观察法等）易陷入局部极值点，从而无法寻找到全局最大功率点[3-5]。BP神经网络具有鲁棒性高，适应性良好，追踪速度快等优点，能够有效避免算法陷入局部极值点[6]。基于以上分析，本文拟采用BP神经网络进行光伏阵列多峰MPPT控制，以达到提高光伏系统效率的目的。最终通过仿真分析，并与传统跟踪方法进行对比，该方案能够快速准确地跟踪最大功率点，有效提高了光伏阵列的输出功率，具有良好的实用价值。 　　1 局部阴影条件下光伏阵列的输出特性 　　1.1 光伏电池的等效模型 　　光伏电池的等效模型，如图1所示。 　　Sref、Tref分别代表标准情况下的参考光强与参考温度；Isc、Usc、Im、Um为标准情况下光伏电池的四个参数；S、T为任意时刻的光强与温度；a、c代表温度补偿系数，b代表光强补偿系数。 　　1.2 复杂光照条件下光伏阵列的输出特性 　　1.2.1 不同光照分布下光伏阵列的输出特性 　　本文以10块光伏电池板串联构建光伏阵列。假设在标准环境温度下，该阵列受到A、B、C三类光照分布。分布情况如表1所示。 　　仿真采用型号为DPL5M36-85的光伏电池。在温度T=25℃，光照强度C=1kW/m2下，其参数为：开路电压Uoc=22.2V，短路电流Isc=5.45A，最大功率点电压Um=17.2V，最大功率点电流Im=4.95A。三种不同光照条件下光伏阵列的I-V特性、P-V特性仿真曲线如图2所示。 　　图2（a）表明当光照条件不均匀时，光伏阵列的I-U曲线会出现拐点；由图2（b）可知，当光伏阵列处于光照条件A下时，只存在一个最大功率点：P1=852.79W，U1=174.93V；当光伏阵列处于光照条件B下时，出现两个功率极值点（U2，P2），（U3，P3），P2=607.19W，U2=124.55V，P3=755.20W，U3=181.42V，其中极值点（U3，P3）为全局最大功率点。 　　当光伏阵列处于光照条件C下时，出现三个功率极值点（U4，P4），（U5，P5），（U6，P6），其中极值点（U6，P6）为全局最大功率点。P6=405.45W，U6=192.27V。 　　处于不同阴影分布时，光伏阵列的输出特性曲线不同。串联光伏阵列受到的不同光照强度数目决定了I-V，P-V特性曲线拐点的数目，即有几种不同的入射光照，P-V特性曲线就有几个局部峰值功率点，呈现多峰特性[7]。 　　1.2.2 不同温度下光伏阵列的输出特性 　　处于光照条件C下的光伏阵列，当外界温度变化时（0℃，25℃，40℃），其P-V、I-V输出特性曲线如图3所示。 　　由上述分析可知，在复杂环境条件下，功率电压特性将出现多峰关系，峰值随环境情况而变动，具有不确定性。传统的MPPT方法，如扰动观察法、电导增量法和恒压法等将无法有效追踪最大功率点，从而导致整个光伏系统效率的下降[8]。 　　2 BP神经网络在多峰最大功率点跟踪中的应用 　　2.1 BP神经网络 　　BP神经网络是一种按误差逆传播算法训练的多层前馈网络。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络结构模型图4所示。 　　2.2 BP神经网络在多峰最大功率点跟踪中的应用 　　本文采用三层神经网络结构，输入?佑胧涑霾愀鍪?分别3和1。其输入量分别为时间（t）、温度（T）、光照强度（S），输出量为最大功率点功率P。 　　经过反复测试比较，隐含层神经元个数设置为10个。隐含层的初始权值设置为0.1*randn（4， 10）；输出层的初始权值设置为[+1，-1，+1，-