基于神经网络的光伏系统MPPT控制算法设计

吕晨旭

摘 要： 提出一种基于人工神经网络（ANN）的最大功率点跟踪（MPPT）控制算法。该算法通过扰动和观察（P&O）方法获得人工神经网络模型所需的参数，并分为离线和在线两种模式：离线模式通过测试神经网络参数，找到最佳的网络结构、激活函数和训练算法；在线模式实现优化人工神经网络以便应用于光伏系统。人工神经网络的输入变量为输出功率参数和电压参数，输出变量为归一化的增加或者减少占空比（+1或者-1）。通过Matlab/Simulink模型对所提跟踪算法的性能进行测试验证，结果显示所提算法表现出良好的动态响应速度和稳态控制精度。

关键词： 人工神经网络； 扰动与观测算法； 光伏电池模型； MPPT控制； 离线模式； 在线模式

中图分类号： TN711?34 ； TP273 文献标识码： A 文章编号： 1004?373X（2018）03?0132?04

Abstract： A maximum power point tracking （MPPT） control algorithm based on artificial neural network （ANN） is proposed. The algorithm can obtain the parameters needed by the ANN model by means of perturbation and observation （P&O） method. It includes the offline mode and online mode. The former mode can find the optimal network structure， activation function and training algorithm by testing the neural network parameters. The latter mode can optimize the ANN， and apply it to the PV system. The input variables of the ANN are taken as the parameters of the output power and voltage， and the output variable is normalized as the increased or decreased duty ratio （+1 or -1）. The performance of the proposed tracking algorithm is tested with Matlab/Simulink model for verification. The results show that the algorithm has perfect dynamic response speed and high steady?state control accuracy.

Keywords： artificial neural network； perturbation and observation algorithm； photovoltaic cell model； maximum power point tracking control； offline mode； online mode

0 引 言

目前，光伏（PV）能量轉换系统已经成为最重要的可再生能源系统之一。随着光伏电池技术、能源转换效率、光伏阵列尺寸和电子功率以及MPPT控制等技术的发展，使得能量转换系统得到广泛的推广[1?2]。比如，农村地区的供水系统、电池充电、山间小屋、气象测量系统、光源、岛屿电气问题、水泵、公路运输以及卫星电力系统[3]。光伏系统，有着许多重要的优势，如燃料丰富而且免费、光伏太阳板环保、操作安全、寿命长以及维护费用低等。

近期，有大量研究提出将人工神经网络技术应用到光伏系统的方法[4?5]。人工神经网络评估未知参数的能力促进了其在MPPT中的应用。

因此，本文提出一种基于人工神经网络的MPPT控制算法，能够在不同大气条件下提供合适的占空比，因为经过训练的神经网络能够迅速绘出输入数据与输出数据之间的非线性关联。通过扰动和观察（P&O）方法[6?7]获得人工神经网络模型所需的数据，并通过符号函数将数据转换为逻辑表格。提出的人工神经网络MPPT控制算法分为两种模式：离线模式要求测试不同组的神经网络参数来找出最佳神经网络控制算法 （结构、激活函数和训练算法）；在线模式将最佳的人工神经网络MPPT控制算法用于光伏系统。通过Matlab/Simulink模型对提出跟踪算法的性能进行测试验证，结果显示提出算法在响应时间和MPPT跟踪方面均表现出较好的性能。

1 光伏电池模型

光生伏打效应是通过太阳能电池板将日光直接转化为电力的过程。埃德蒙贝克雷尔于1839年演示了第一台光伏设备。太阳能电池板的等效电路如图1所示[4]。其包含了单个二极管代表p?n结电池，串联电阻以及并联电阻。太阳能电池板终端具有将照射光转换成电流的功能，输出电流通过下式来表示：

式中：代表入射光产生的电流（正好与太阳照射成正比）；代表通过二极管的电流；代表通过并联电阻器的电流。

光伏列阵的电流电压特性如下：

式中：代表电池反向饱和电流；代表电池输出电压；代表二极管理想的恒定值；代表相关电池的工作温度；代表电子电荷；代表玻耳兹曼常量；代表电池的串联电阻。

产生的光电流与太阳辐射相关，如下式所示：

式中：代表在参考温度与辐射条件下，光伏电池短路电流；代表太阳辐照（单位：W/m2）；代表光伏电池参考温度；代表短路电流温度系数。endprint

2 提出的MPPT控制算法

2.1 扰动观测（P&O）方法修改

因为简单和容易执行，扰动与观测法是MPPT方法中最为通用的办法之一[8]。因此，本文通过扰动和观察（P&O）方法获得人工神经网络模型所需的数据，当阵列电压产生少许干扰（加大或者减少），然后将实际的功率值与先前取得的数值做比较，如果因为干扰导致功率增加，接下来会在相同方向采取干扰，如果功率降低，将在相反的方向执行新扰动。图2详细阐明了修改的扰动与观测法流程。

2.2 基于人工神经网络的MPPT控制算法

人工神经网络被视作一项能够提供多种方法解决疑难杂症的技术。神经网络由许多简单而且联系非常密切的单元组成，这些单元与大脑生物细胞的神经元类似。这些神经元经大量的联系关联着，信号才能得以通过。通过进入的连接，每个神经元收到许多的信号并且发出单向的对外反应。这种网络具有非比寻常的模式识别能力和学习能力。

本文从人工神经网络模式中选取三层正反馈，以便在光电组件中提取最大功率。提出的人工神经网络结构如图3所示，用于选择最大功率点的占空比。

该人工神经网络结构的输入变量为光伏阵列输出功率导数（dP）和电压导数（dV），与给定的太阳辐射和操作温度环境相对应。人工神经网络输出变量为相应的占空比。

所提出方法使用一个具有前馈反向传播ANN的结构，该结构具有三个隐藏层。第一层拥有4个神经元，第二层有10个神经元，第三层有4个神经元。输出层由1个带有线性活动函数的输出神经元组成，如图3所示。隐藏层中最佳数量的神经元与隐藏层的数量是由多次测试得出，以便达到最佳预测精度。本文所提的ANN光伏系统控制算法是基于扰动与观测（P&O）方法原理，占空比的增加或者减少取决于输出功率导数/电压导数（dP/dV）信号。表1总结了MPPT控制算法的基本原理。

该算法的操作分为以下两个步骤：

1） 离线步骤：需要训练不同组的神经网络参数，根据结构、激活函数以及训练算法找出最佳神经网络控制算法。

2） 在线步骤：将找出的最佳人工神经网络MPPT控制算法用于光伏系统追踪最大功率点。

3 仿真结果

为验证本文提出的人工神经网络光伏系统MPPT控制算法的有效性，利用Matlab/Simulink进行仿真实验。实验中光伏模型相关参数如表2所示。其仿真模型如图4所示。将仿真的时间分别设为0.1 s，使用固定步长进行仿真。

在恒定和变化的日晒条件下利用Matlab/Simulink仿真軟件来测试以及验证提出的人工神经网络MPPT控制算法，结果显示如图5和图6所示。

输出功率（G=1 000 W/m2，600 W/m2，800 W/m2）

图5和图6显示了恒定和变化日晒条件下神经网络MPPT控制最大功率点跟踪。可见两种情况下，神经网络MPPT控制得出的功率值与理论值非常接近。所以，本文中讨论的MPPT控制算法具有相当重要的精确性。

在不同的环境温度和光照强度条件下分别对传统扰动观察法、提出的ANN MPPT控制算法进行仿真，得到的仿真波形图如图7所示。

图7a）为提出算法和扰动观察法的电压波形图，其中光照强度为1 000 W/m2不变，在0.03 s时环境温度由15 ℃突变到30 ℃，可以看出相比传统的扰动观察法，提出的ANN控制算法响应速度更快，曲线平滑且波动较小。

图7b）为提出的ANN控制算法和扰动观察法的功率波形图，其中环境温度25 ℃，在0.025 s时光照强度由600 W/m2突变到1 000 W/m2，可以看出相比扰动观察法，提出的ANN控制算法功率值更大，效率高。

图7c）为提出的ANN控制算法和扰动观察法的电流波形图。在0.02 s时温度从10 ℃突变到35 ℃，在0.06 s时光照强度由W/m2突变到 W/m2。可以看出，提出的ANN控制算法响应速度更快，电流数值也更大。

4 结 论

本文提出一种新的神经网络MPPT控制算法，分为离线模式和在线模式。该算法基于扰动观察法（P&O）原理，占空比的减少或者增加取决于信号。仿真结果展示了在不同的环境温度和光照强度条件下神经网络MPPT表现出较好的性能，输出曲线平滑，特别是跟踪精确度高、响应速度快。

参考文献

[1] 杨旭，曾成碧，陈宾.基于广义动态模糊神经网络的光伏电池MPPT控制[J].电力系统保护与控制，2010，38（13）：22?25.

YANG Xu， ZENG Chengbi， CHEN Bin. MPPT control of photovoltaic cells based on generalized dynamic fuzzy neural network [J]. Power system protection and control， 2010， 38（13）： 22?25.

[2] 金晓虎，陈华，冯涛.新型光伏系统MPPT控制策略的研究[J].中国电力，2014，47（3）：33?36.

JIN Xiaohu， CHEN Hua， FENG Tao. Research on a new MPPT control strategy of PV system [J]. Electric power， 2014， 47（3）： 33?36.

[3] 荣德生，刘凤.自适应神经模糊算法在光伏MPPT中的仿真分析[J].微电子学与计算机，2016，33（5）：92?96.

RONG Desheng， LIU Feng. Simulation analysis of adaptive neural?fuzzy algorithm in photovoltaic MPPT [J]. Microelectronics and computer， 2016， 33（5）： 92?96.endprint

[4] 胥芳，张任，吴乐彬，等.自适应BP神经网络在光伏MPPT中的应用[J].太阳能学报，2012，33（3）：468?472.

XU Fang， ZHANG Ren， WU Lebin， et al. Self?adaption BP Neural network for the maximum?power?point tracking in photovoltaic [J]. Acta energiae solaris sinica， 2012， 33（3）： 468?472.

[5] 宋亮，王晓东，刘雯，等.光伏电池MPPT扰动观察法的研究现状[J].半导体光电，2012，33（4）：455?462.

SONG Liang， WANG Xiaodong， LIU Wen， et al. Research of perturbation and observation method for MPPT of PV arrays [J]. Semiconductor optoelectronics， 2012， 33（4）： 455?462.

[6] 杭凤海，杨伟，朱文艳.光伏系统MPPT的扰动观测法分析与改进[J].电力系统保护与控制，2014（9）：110?114.

HANG Fenghai， YANG Wei， ZHU Wenyan. Analysis and improvement of MPPT disturbance observer method for PV system [J]. Power system protection and control， 2014（9）： 110?114.

[7] 方波，罗书克，康龙云.光伏占空比扰动控制MPPT及其仿真研究[J].可再生能源，2013，31（10）：5?9.

FANG Bo， LUO Shuke， KANG Longyun. PV duty ratio perturbation control MPPT and simulation [J]. Renewable energy， 2013， 31（10）： 5?9.

[8] 曹金虎，薛士龙，陈意惠，等.基于自适应占空比扰动的MPPT算法研究[J].佳木斯大学学报（自然科学版），2011，29（1）：76?79.

CAO Jinhu， XUE Shilong， CHEN Yihui， et al. MPPT algorithm research on the basis of self?adaptive duty cycle disturbance [J]. Journal of Jiamusi University （natural science edition）， 2011， 29（1）： 76?79.

[9] 石俊，陈丁.改进的光伏发电系统MPPT预测算法的研究[J].计算机仿真，2014，31（11）：127?131.

SHI Jun， CHEN Ding. The research of an improved GA?BP neural network in MPPT predict algorithm of photovoltaic gene?ration system [J]. Computer simulation， 2014， 31（11）： 127?131.

[10] 苏义鑫，向炉阳，张丹红.基于改进扰动法的光伏电池MPPT仿真研究[J].武汉理工大学学报（信息与管理工程版），2012，34（2）：135?139.

SU Yixin， XIANG Luyang， ZHANG Danhong. Simulation on photovoltaic cells MPPT algorithm based on improved perturbation method [J]. Journal of Wuhan University of Technology （information & management engineering）， 2012， 34（2）： 135?139.endprint