基于LSSVM太阳能最大功率点跟踪研究.docVIP

基于LSSVM太阳能最大功率点跟踪研究 　　摘要：针对光伏组件中最大功率跟踪方法存在的不足，提出了应用最小二乘法支持向量机进行最大功率点的跟踪，并利用粒子群算法对支持向量机参数进行寻优。通过对实测数据进行的仿真分析表明，LSSVM具有较高的泛华能力，更高的预测精度和稳定性。 　　关键词：太阳能；最小二乘法支持向量机（LS-SVM）；最大功率点跟踪（MPPT）；最优化 　　 　　 　　中图分类号：TK511文献标识码：A文章编号： 　　 　　 　　 　　随着社会的不断发展，对能源的需求日益增加，能源危机亦逐步加深，太阳能作为一种清洁的、可持续的能源备受青睐。为了获得太阳能最大的利用效率和经济利益，太阳能最大功率点跟踪（MPPT）技术被广泛引用到太阳能发电中。本文针对常规算法在快速跟踪效率低等诸多缺点，尝试应用一种新的机器学习方法-最小二乘法支持向量机（LS-SVM）来实现MPPT技术。 　　LS-SVM简介 　　LS-SVM算法在SVM算法的基础上，将最小二乘法引入其中构成了最小二乘法支持向量机（LS-SVM），将标准支持向量计算法中的不等式约束化成等式约束而得到。 　　最小二乘法支持向量机的模型为： 　　（1） 　　取径向基核函数 　　 （2） 　　则最小二乘法支持向量机的预测模型可以写为： 　　 （3） 　　上式中取值过大将使模型过早收敛，达不到预测的目的，取值较大可以使训练样本数据和测试数据拟合的更好，即提高泛化能力。两个参数选取合适才能保证模型的预测精度，利用粒子群算法来进行两个参数的寻优： 　　假设一个有M个粒子组成的群体在N维搜索空间中以一定的速度飞行。粒子i在t时刻的状态可以表达如下： 　　位置： 　　速度： 　　个体搜索到的最优位置： 　　 　　全局最优位置： 　　 　　则粒子在t+1时刻的位置按照以下公式更新： 　　 　　（4） 　　其中：为惯性因子； 　　是常数，他们分别称为自身因子和全局因子； 　　是[0,1]之间的随机数。 　　为了能够提高参数优化的效果，采用了能够反映SVM回归性能的均方差函数为粒子群算法的适应度函数： 　　 （5） 　　光伏MPPT系统 　　利用SVM算法实现太阳能MPPT技术的结构图如下所示： 　　 　　 SVM实现MPPT系统结构图 　　利用SVM对样本数据进行拟合，得到最大功率点电压Vmp与开路电压Voc、温度T、时间t的函数关系。然后通过监测单体太阳能板Voc，温度T和时间t得到Vmp，通过DC/DC模块调节太阳能阵列的输出电压得到最大功率输出。DC/DC模块采用带有反馈调节功能的电路。 　　系统实现与仿真 　　采用LS-SVM算法来实现预测，使用序列最优化（SMO）和修改过的SVMlight中的工作集选择法，结合确定工作集的方法，使之转化成为典型的一次优化问题，其有解析解，使得问题清晰明了。此算法精度更高，计算速度更快，并且占用内存少。 　　数据的选取和预处理 　　针对某一年四月份某一天进行大量的数据统计，选取其中的100个数据作为训练数据，另一天的200个数据作为测试数据。利用以下公式：X=(X-Xmax)/( X- Xmin)，对Voc、t、Vmp均进行归一化处理，使其在区间0和1之间，达到降低降低建模误差的目的。 　　LS-SVM参数的预测 　　预测模型训练完成后的数据，同时训练BP神经网络，其具有一个隐藏层，足以证明LS-SVM的优越性。为了比较的准确性，BP神经网络与最小二乘法支持向量机采用完全一样的输入输出参数和个数。根据Kolmogorov定理（映射存在定理），采用五个隐藏神经元、一个输出神经元。 　　 　　采用BP神经网络和LS-SVM进行预测的绝对误差比较图 　　在Vmp突变时，两对预测方法都有一定的绝对误差值，但是针对于LS-SVM模型而言，其非线性函数的逼近效果明显好于BP模型，预测精确度更高，误差更小、更平稳。采用两种方法进行预测的相对误差分布对比如表所示。 　　两种方法进行预测的相对误差对比 　　相对误差的 　　 　　 　　可以看出，LS-SVM较BP神经网络模型的预测精度高，BP会出现比例较高的较大误差。究其原因，BP采用梯度下降法进行训练，容易误入局部最优的陷阱，并且凭经验选取连接权的初值，同时基于经验风险最小化的训练又容易产生训练误差变小，预测误差变大的过学习问题。 　　LS-SVM模型则基于结构风险最小化不仅考虑了模型复杂度，还详细分析了样本误差，使实际风险达到最小化。同时，在LS-SVM的输入节点确定以后，连接权由算法最优确定，因此模型的预测性能更好。MPPT输出电压预测模型是以LS-SVM为基础建立的，对于研究探索光伏组件MPPT预