一种基于弹性BPNN的光伏最大功率点跟踪控制算法.pdf

《一种基于弹性BPNN的光伏最大功率点跟踪控制算法.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、I》．研筮～⋯⋯⋯⋯⋯⋯⋯⋯⋯．一种基于弹,~&BPNN的光伏最大功率点跟踪控制算法武警_．T-fZ大学信息工程系技术侦查教{一+．．研●●室．●C．李—、文b龙j一一陈军峰【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~7MPPT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人变量，通

2、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；光伏转换引言出，在环境温度不变、光照强度增加的情况权值以及拓扑结构，使误差函数最小化使网太阳能发电作为一种新型的电能生产方下，对于，_曲线，光伏电池的短路电流和开络的输出值不断地接近期望的输出。式，凭借其环保、节能的特点迅速成为当前路电压均有较大的上升幅度；对于尸一曲线，3．弹性BP算法●_=T●●J的发展热点。目前太阳能发电中所用的光伏光伏电池的最大功率点随之变大，且成山峰BP网络的隐含层激活函数一般采用

3、双曲电池在不同的温度和光强下，其输出功率呈形状，在最大功率点左侧，输出功率和电池正切S型函数，它能把输入变量的输入范围从非线性特征。为提高输出效率和降低发电成电压近似呈线性上升关系，达到最大功率点无限大对应到有限的输出变量中。当输入变本，光伏发电技术的研究得到了广泛推进。后，输出功率开始迅速下降且比之前上升速量取值很大时，Sigmoid函数斜率趋于零，梯大量研究表明，使光伏电池工作在最大功率度快很多。度的幅度非常小。尽管权值和阈值离最佳值点可以最大化转换光能，而最大功率点会受相差很远，但权值和闽值的修正量也很小，温度、光强、阴影等外界因素的影响，能够会导致训练时间很长

4、。针对此问题，研究者准确地找到最大功率点称为研究光伏转换的提出了弹性BP算法，克服了梯度幅度的不利关键。因此，研究一种高效的最大功率输出影响，在进行权值修正时，仅仅用到偏导的(MPPT)算法具有重大现实意义。符号，其幅值并不影响权值修正。当连续迭1．光伏电池的模型与输出特性代的梯度方向相同时，可将权值和闽值的修1．1光伏电池的等效模型正值乘以一个增量因子，使修正值增加：反光伏电池相当于具有与受光面平行的极U／之，可将权值和阈值的修正值乘以一个减量薄PN截面的大面积的等效二极管，其理想电因子，使修正值减小当梯度为零时，权值路和等效电路如图l(a)(b)所示。温度增加和阈

5、值的修正值保持不变；当权值的修正值发生振荡时，修正值将减小。如果权值在相I1——一—～一——●一同梯度上连续被修正，则其幅度必将增加，_1因此克服了梯度幅度偏导的不利影响。I4算法仿真实验分析4．1仿真实验I曲UocU／Vr1]RL本文采用MATLAB的神经网络工具箱进行11T1图3光照强度不变、环境温度变化情况下的一组肼匍帙系曲线图仿真，分以下几个步骤：I1Dj图3为光照强度不变、环境温度变化情况(1)采集样本和样本的预处理【t——J一—J下的一组I-洱口P帙系曲线图。从图3可以看实验采集了西安2014年4月1日至2014年4月(a)出，在光照强度不变、环境温度增加

6、的情况7目连续7天8时至18时的日照强度、环境温度以下，对于曲线，短路电流的初始大小影响及太阳能电池板的输出电压和电流数据。从7天RsIL不大，只是随着环境温度的增加，短路电流中选取7日至l1日共5天的数据作为网络训练样开始下降的时间越靠后；对于P-l／曲线，光伏本集，12日、13目两天作为网络测试样本集。电池的输出功率开始呈线性上升关系，到达训练样本集采取每3分钟采集一次数据的方法，最高点后开始迅速下降，且输出功率下降速共计l000组数据，然后通过光伏电池输出特性R度比上升速度快很多。曲线拟合得出电池板的最大功率点电压，作为综合以上两组曲线图可以看出，光伏电网络训练

7、的输出，将对应时刻的日照强度和环池的最大输出功率与光照强度和环境温度有境温度两类数据作为网络输入。密切关系，相对来说，最大输出功率受光照由于神经网络所采用的激励函数为s型函(b)强度因素影响更大一些。在接下来。的算法数，输入样本过大会使得权值的调整过程非常中，我们主要以光强和温度作为输入变量来缓慢，所以对样本进行归一化处理，把它们的1．2光伏电池的输出特性进行实验仿真和分析。数值归一化到[-1，1]之间。归一化公式为：为了进一步了解光伏电池特性，根据公2．BP神经网络结构只：(P-minP)，(埘P～minP)(41)式1．1—6所示的光伏电池的函数