基于预测模型加扰动控制的最大功率点跟踪研究

《基于预测模型加扰动控制的最大功率点跟踪研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于预测模型加扰动控制的最大功率点跟踪研究　　【摘要】分析了光伏发电系统最大功率点跟踪的基本工作原理，通过对现有控制方法的深入研究，设计了基于预测模型加扰动控制的最大功率点跟踪研究方法，仿真实验结果表明：基于预测模型加扰动控制的最大功率点跟踪研究方法不但能保证光伏阵列稳定准确的运行在最大功率点，而且跟踪速度明显提高，对于提高整个太阳能光伏发电系统的效率有非常重要的意义。　　【关键词】光伏发电；最大功率点跟踪；预测模型；扰动控制　　【Abstract】ThispaperanalyzesthebasicworkingprincipleofMPPTofphotovoltaicpowergenera

2、tionsystem，anddesignstheMPPTmethodbasedonpredictivemodelandperturbationmethod.ThesimulationresultsshowthattheMPPTmethodbasedonpredictionmodelandperturbationandobservationmethodccannotonlyensurethestabilityandaccuracyofPVarray，butalsoimprovetheefficiencyofthewholesystem.　　【Keywords】Photovoltaicpower

3、generation；MPPT；Forecastingmodel；Disturbancecontrol　　0引言5　　光伏能源是可再生能源的一种，也是目前开发利用较多的一种可再生能源。光伏能源属于清洁能源，其具有无污染、可再生、分布广泛等特点，近年来被广泛认可并使用，就我们国家的情况而言，无论从现实需要，还是从未来的发展潜力考虑，太阳能都应是各种可再生能源中的首选。　　1传统的最大功率跟踪方法　　1.1恒定电压法　　恒定电压法在太阳能电池温度变化不大时，太阳能电池的输出P―V曲线上的最大功率点几乎分布于一条垂直直线的两侧。恒定电压法特点是：检测参数少、对硬件电路的要求低、实现比较容易，但是跟

4、踪控制的效率差、仅适用于小功率发电设备中。　　1.2扰动观察法　　扰动观察法[1]是通过对系统的输出电压、电流或PWM信号上叠加一个或正或负的扰动，在跟踪控制过程中，通过不间断地比较系统的输出功率值来判断所受的扰动是增强型的还是削弱型的，进而对控制PWM脉冲信号进行调节，实现最大功率跟踪控制。扰动观察法的特点是：实现起来比较容易，但是在最大功率点附近的波动现象会影响系统的输出。　　1.3电导增量法　　电导增量法是根据光伏电池的输出特性中电压和功率的关系实现控制的。电导增量法的特点：实现起来比较容易，而且与扰动观察法相比，在最大功率点附近没有较大的波动现象，但在实践中对硬件的要求较高，最大功率

5、跟踪控制调节的周期也会增加，影响了控制的时实性。　　2基于预测模型加扰动控制的最大功率点跟踪方法5　　目前对太阳能光伏MPPT的研究主要是解决其中的两个问题[2]，一是跟踪速度，二是系统的稳态性。基于以上两个问题，本文提出了基于预测模型加扰动控制的最大功率点跟踪方法。本方法相当于在原有太阳能光伏发电系统的MPPT控制器上添加一个调节器，改进后的MPPT控制器主要分为两部分，预测模型控制器是为了快速准确地找到最大功率点位置，扰动控制器是为了避免预测模型误差，使跟踪结果更精确。本项目提出的基于预测模型加扰动控制的最大功率点跟踪方法原理图如图1所示。　　2.1极限学习机理论　　本项目?用近年来发展

6、起来的智能算法―神经网络极限学习机来训练预测模型控制器，极限学习机（ELM）是一种误差比较小的单隐层前馈神经网络训练算法，跟传统的基于梯度下降的学习算法相比极限学习机有很大的优势：ELM的计算速度非常快，他随机给定隐含层的连接权值，训练过程不需要迭代调整；传统的梯度下降算法，容易陷入局部极小，而ELM算法由于其求解输出权值最小二乘解的过程是一个凸优化问题，因此不会陷入局部最优，具有比传统算法更好的泛化性；ELM的参数选择简单，只需要选择合适的隐层结点便可获得良好的性能，而传统的基于梯度下降的算法如网络等，还需要选择合适的学习率，训练?i长等。　　2.2预测模型控制器的训练　　本文设计的MPP

7、T控制器中的模型控制器是为了快速准确的找到光伏阵列的最大功率点，因此把最大功率点作为预测模型控制器模型的输出，由于在环境温度和光照强度一定时，最大功率点的功率和电压是确定的，所以在模型中可以选择最大功率点的功率作为输出，也可以选择最大功率点的电压作为输出。5　　关于整个控制器里模型控制器的输入和输出变量已经确定，由于它们之间呈现出高度的非线性关系，利用传统的辨识方法很难辨识出这样一个两输入一输出的模型，本文?