基于大变异GA-BP的MPPT的仿真与研究

刘 宁，张 晶，赵圣芳

（山东科技大学 自动化学院，青岛 266000）

基于大变异GA-BP的MPPT的仿真与研究

刘 宁，张 晶，赵圣芳

（山东科技大学 自动化学院，青岛 266000）

研究了温度、光照强度对太阳能电池板输出特性曲线的影响。为了提高太阳能电池板的光电转换效率，结合影响光伏的两大因素，提出了一种基于大变异遗传算法优化神经网络的最大功率点跟踪的方案。将温度以及光照强度作为该神经网络的输入建立出预测模型，通过MATLAB进行仿真。仿真结果显示出该系统可以准确快速的跟踪到最大功率点从而有效的提高了光伏电池的光电转换效率。

大变异；神经网络；遗传算法；最大功率点跟踪

0 引言

随着工业化进程的加快，传统能源已经无法满足人类发展的要求，加上传统能源有在使用过程中对环境造成较大污染的问题，因此，以太阳能为代表的新能源受到了人们的重视，成为了新的研究热点。但是由于光伏系统中光电转换效率一直较为低下，这一原因使得太阳能的推广和发展都受到了严重的阻碍。为了改变这一现象，各国都着力研究如何让太阳能电池板一直工作于最大功率点。

当今社会最常用的最大功率点跟踪方法有扰动观察法（P&D）、电导增量法、模糊逻辑控制法、恒电压法以及滞环比较法，但这些方法都普遍无法准确快速地追踪到太阳能的最大功率点。本文根据影响太阳能电池板输出功率的因素，如光照强度、温度等设计出BP神经网络，鉴于BP神经网络的缺点，引入大变异遗传算法的思想来优化BP神经网络，根据实际的测量数据进行训练，预测出最大功率点对应的电压，从而实现MPPT控制，提高光伏系统的工作效率[1]。

1 光伏电池模型以及输出特性

1.1 光伏电池建模

太阳能电池板利用半导体硅所特有的光生伏打效应实现光电转换。

太阳能电池板的等效模型如图1所示。

根据太阳能电池板的光生伏打效应和基尔霍夫定理可以列出该光伏电池的输出特性表达式：

图1 光伏电池等效电路图

为了能够更加直接地看出光伏电池的特性曲线，也为了在MATLAB中搭建模型方便，将光伏电池的输出电流和输出电压的公式推导出来。

光伏电池的输出电流公式为：

式中，Ic和Vc为输出电流和输出电压；Iph为光电流；Is为饱和电流；VT为温度电压；m为二极管因素。

由式(2)可以推导出光伏电池的输出功率公式为：

式中，Pc为输出功率；Vc为输出电压；Iph为光电流；Is为饱和电流；VT为温度电压；m为二极管因素。

1.2 光伏电池输出特性

本文太阳能电池板选取的是航天机电牌的光伏电池，其型号为HT60-156-265，该光伏电池在标准测试条件：大气质量AM1.5，辐照度1000，电池温度，时其电气参数如表1所示。

表1 部分参数现场数据

光伏电池的输出特性曲线如图2所示。

图2 光伏电池的输出特性曲线

从上面给出的特征曲线可以看出，要想使得太阳能光伏电池的光电转换效率提高，则必须跟踪光伏电池的最大功率点[2]。

2 BP神经网络的计算

BP神经网络是当今社会非常流行的误差反向传播学习算法，这是一种多层网络的逆推学习算法。

1）输入层设计

输入层的设计是根据待解决问题来确定的。在本文的研究中，影响光伏电池最大功率点的因素是光照强度和温度。因此该BP神经网络的输入层为两个输入点，输入层采用的tansig型传递函数。

2）输出层设计

输出层的设计也是根据待解决问题的结构来确定的。对光伏系统而言，其需要解决的问题为输出功率，因此该BP神经网络的输出点数为1，输出层采用的传递函数是logsig型。

3）隐含层设计

（1）隐含层层数设计

当BP神经网络中的每一个传输点都是S型函数的时候，此时该网络结构能够解决所有的任意判决分类。由于增加隐含层的数量会是得BP神经网络的结构变复杂，训练时间延长，所以本文采用的是单隐含层。

（2）隐含层节点数设计

BP神经网络中隐含层中节点的个数对神经网络性能有着很大的影响。如果隐含层的节点数选的不合适则该BP神经网络则容易出现“过拟合”的现象。本文采用的是黄金分割法来确定BP神经网络的隐含层节点数。本文的隐含层节点数设计为5个，其结构图如图3所示[3]。

图3 MPPT的BP神经网络结构图

3 基于大变异GA-BP的MPPT控制系统研究

由于BP神经网络学习算法存在着收敛速度相对较慢并且在探索过程中容易陷入到局部最优解的缺点，为了提高BP神经网络学习算法的精确度，通常会使用遗传算法来优化BP神经网络。从理论分析上可知，遗传算法通过对自身进行适应度函数的改进以及操作算子的调整，这样可以使得GA-BP神经网络避免出现早熟的现象。但是在实际应用中，为了能够使得该算法的效果趋于稳定，我们通常会将遗传算法中的变异算子设置的较小。由于变异算子较小，所以一旦遗传算法算法出现早熟现象，在几代之内很难产生最佳个体。为了改变这一现象，将大变异的思想引入到遗传算法。该思想的主要实现方法是，当遗传算法进化到某一代时，在该代中所有的个体的适应度都非常接近，此时将变异的概率扩大，进行一次大变异操作，这样就可以使得种群在短时间内产生大量新的个体，从而使得遗传算法摆脱早熟困境。实现这一操作所利用的变换公式为：

式中，Fmax为大适应度；Favg为均适应度；α为密集因子，其取值介于0.5～1之间。当上述表达式成立时，此时遗传算法的变异因子变为原变异因子的5倍或者5倍以上。虽然引入大变异思想后，遗传算法能够在短时间内产生新个体，但是如果该操作持续时间过长则会造成系统的不稳定，因此必须在合适的时间内切换为之前的变异率，从而使得遗传算法优化效果提高，其算法流程图如图4所示。

图4 大变异遗传算法优化BP神经网络学习算法的流程图

4 预测模型的预测结果及分析

为了验证大变异GA-BP算法对太阳能电池板最大功率点工作电压的预测准确性，本文利用MATLAB2014a来实现上述算法的学习过程以及迭代过程。预测模型的训练数据采用的是一天中6h～18h中每次间隔5分钟采集到的温度以及辐照度数据，共计144组数据。预测模型中的测试数据采用的是后一天里6h～18h中每次间隔30分钟采集到的温度以及辐照度数据，共计24组数据。通过图3设计的网络模型进行训练学习，本文将最大训练次数设计为1000次，训练期望误差为0.00001，学习速率为0.1，显示间隔次数为10。训练函数采用的是trainlm，输入层采用的传递函数为tansig函数，输出层采用的传递函数为logsig函数。遗传算法的参数设置为，种群规模为10，进化终止代数为100，交叉概率设置为0.4，变异概率设置为0.1大变异率为0.5[4～6]。

其预测结果如图5所示。从图中可以看出相对于GA-BP网络而言，大变异GA-BP网络的预测结果更加接近真实值。网络训练图形如图6所示。从图中可以看出，在精度要求一样的情况下GA-BP网络需要97步，大变异GA-BP需要82步。由此可以看出相对与GA-BP网络，大变异GA-BP网络能够更好的预测出太阳能电池的最大功率点的工作电压。为了能够更加直观的反映出大变异GA-BP网络预测数据的准确性，图7给出了预测数据、实际数据以及预测数据和时间数据之间的误差数据。从图中可以看出最大功率点工作电压的预测值和实际值之间没有明显的误差，说明大变异GA-BP网络预测数据的准确性非常高[7]。

图5 预测结果对比图

图6 网络训练图

图7 预测电压的误差曲线

5 结论

本文将影响光伏电池的两大因素作为GA-BP网络的输入建立起预测模型。针对传统的GA-BP网络容易陷入早熟困境的问题引入了大变异的思想，建立起大变异GA-BP网络。通过仿真实验可以看出大变异GA-BP网络较传统的GA-BP网络有着更好的预测效果。通过仿真验证了该算法的可信性，有效地提高了太阳能电池板的光电转换效率。

【】【】

[1] 陈令军,戴瑜兴,全惠敏.基于改进的扰动观察法在光伏发电MPPT中的应用[J].电源技术,614-616.

[2] 林虹江,周步祥,冉伊,詹长杰.基于遗传优化BP神经网络算法的光伏系统最大功率点跟踪研究[J].电测与仪表,2015:35-40.

[3] 梁惺彦,张蔚.基于BP神经网络光伏发电系统MPPT的研究[J].制造业自动化,2012:112-130.

[4] 朱正伟,郭枫,孙广辉,钱露.基于RBF-BP神经网络的光伏MPPT研究[J].计算机仿真,2015:131-134.

[5] 黄敏敏,颜文俊.基于遗传算法优化神经网络的光伏发电预测[J].机电工程,2015:1509-1512.

[6] Schmidhuber J. Deep learning in neural networks: An overview[J].Neural Networks, 2015,61:85-117.

[7] 董丽娜,肖志刚,高立艾,索雪松.基于SIMULINK仿真的太阳能光伏系统最大功率点跟踪[J].中国农机化学报,2016:227-231.

Simulation and research based on cataclysmic mutation GA-BP MPPT

LIU Ning, ZHANG Jing, ZHAO Sheng-fang

TP273

：A

1009-0134(2017)07-0111-03

2017-03-27

刘宁（1967 -），女，山东青岛人，副教授，硕士，主要从事电力系统及其自动化等方面的教学和科研工作。