欢迎来到天天文库
浏览记录
ID:52384881
大小:236.27 KB
页数:4页
时间:2020-03-27
《神经网络在光伏发电MPPT的应用研究.pdf》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库。
1、第1期王云亮等.神经网络在光伏发电MPlYr,的应用研究神经网络在光伏发电MPPT的应用研究王云亮‘常雪莲“(天津理工大学ao天津市复杂系统控翻理论及应用重点实验室.b.自动化学院,天津3∞3“)摘要研究利用即神经网络和RBF神经同络实现光佚发电最大功率点跟踪。通过仿真,神经网络能够快速跟踪到光伏电池的最走功率点。为提高泛化性能,对网络进行串联陡进。仿真表明:新网络的泛化性能较之前独立网络有所提高,对覆l试样本的拟合效果也变得更好0关键词BP神经网络RBF神经问路竞伏最大功率点取踪泛化性能、串联中圈分类号TH86文献标识码A文章编号looo-3932(2013)01-0
2、067-04光电作为新兴能源其高投入低效率制约了这一产业的发展,因此最大功率点跟踪至关重要。常用方法有扰动观测法、恒定电压法及增量电导法等。扰动观测法算法简单、易实现,但响应速度较慢,光照强度变化较快时,容易得出错误的跟踪方向¨1;恒定电压法控制简单,但需额外的光伏器件获取控制所需的光伏器件开路电压,仅适用于小功率场合悼1,但是这些方法都需要知道光伏电池的模型。神经网络拥有非线性映射‘、多层前馈网络学习、存储大量输入输出模式映射关系的能力,而无需事先了解描述这种映射关系的数学方程。因此采用BP神经网络、RBF神经网络来实现最大功率点跟踪。泛化性能是网络的一种推广能力,判
3、断一个网络的好坏不仅要看网络模型对样本的拟合情况,更重要的是建立的模型可以有效地逼近训练样本的内在规律。为提高网络泛化性能,对已经训练好的网络模型进行串联改进。1神经网络模型1.1BP神经网络模型设计BP网络的学习过程是一种误差边向后传播边修正权系数的过程日1。BP网络的结构如图】所示。BP网络由输入层、隐含层和输出层组成,假设有Ⅳ个训练样本,样本p的输入/输出模式对{矿}和{矿}用于网络训练。隐含层第i个神经元的输出为:Ⅳo:=“∞《);,(五"i芍一吼)(i=1,2,⋯,g)(1)输入模式误差反传图1BP网络的结构式中厂(·)——隐含层的激活函数;“Jlf一输入层的
4、节点数;删;广一一输入层神经元.『与隐含层神经元i之间的连接权值;并;——输入节点歹在样本p作用时的输入;0;——隐含层神经元i的阅值。输出层第彪个神经元的输出为:《=,(叫)=,(.置”。《一01)(詹=1,2,⋯,工)(2)式中g——隐含层的节点数;彬“——隐含层神经元i与输出层神经元Ii}之间的连接权值;p广-输出层神经元的阈值。样本p的输入模式对的二次型误差函数为:1‘厶=÷.z。(《一吐)2(3)收藕日期:2012·II-28(修改穑)化工自动化及仪表第加卷权系数按照J-函数梯度变化的反方向调整,使网络逐渐收敛。输出层神经元权系数的修正公式和增量公式分别为t.
5、1’。,峨一%aj,“一叩鑫·筹一叩兰叫㈩埘H(后+1)=埘“(盘)+△埘“(5)式中曰——学习速率。隐含层权系数调整方式类似,直至误差满足要求为止。最大功率点跟踪的主要影响因素:时间、光照强度和温度。所以BP神经网络输入层有3个神经元;输出层神经元数目为1,郾预测最大功率点电压值。研究表明,当备节点均采用s銎函数时j一个隐含层就足以实现任意判决分类问题¨】。用试凑法来确定隐含层神经元数目。笔者选定隐含层神经元数目为8个,此时网络的泛化性能最好。1.2RBF神经网络模型设计RBF网络结构如图2所臻。,r图2RBF网络的结构示意图RBF网络与BP网络结构基本相同,区别在于
6、RBF网络隐含层节点传输函数为径向基函数。最常见的是高斯激活函数,RBF网络隐含层第i个节点的输出表示为:叱(茹)=exp[一粤l(川,2,.--,q)(6)‘Ⅷ‘J其中幽、O"i、ci分别是第i个馥节点的输出、标准化常数、薄新函数的中心向量;髫是输入样本;口是隐含层节点数。RBF网络的隐含层到输出层实现耻。(菇)一y。的线性映射,即:Y^=乏协KH‘一以(女=i,2,⋯,£)(7)式中q——隐含层的节点数;埘。i—一豫禽层鬻输出层的加彀系数;y。——输出层第k个节点的输出;8厂_隐含层的阈值。RBF网络中输入层与输出层的神经元个数和名称与13P网络一致。隐含层神经元个
7、数由系统自行调节。设计过程中最重要的参数是径向基函敷的扩展速度spread。在所有尝试中,选定泛化性能最佳的spread=0.42。2改进的神经网络模型BP两_络具有较强的数据压缩能力,同时具有一定的容错能力¨。。RBF网络不仅具有任意精度的函数逼近能力和最优泛函逼近特性,丽且具有较快的收敛速度。将两种网络串联,构成BP.RBF混合神经两络(图3)[61。图3BP—RBF网络的结构串联神经网络的实质就是在第一级神经网络的基础之上对网络进行再次调节,使之朝着实际最大功率点电压更进一步。3仿真翁果与分析仿真使用MatlabR2008a平台,数
此文档下载收益归作者所有