自适应BP神经网络在光伏MPPT中的应用

张 梁， 孙皓月， 孙晓璐， 吕 国

（河北建筑工程学院，河北张家口 075000）

太阳能是最主要的可再生清洁能源，光伏发电系统是将太阳能直接转化为电能的有效装置。常用的太阳能光伏电池主要是硅太阳电池，其在不同温度和光照作用下，输出功率呈非线性特征,且其输出特性受日照、温度等因素的影响较大，故太阳电池本身是一种极不稳定的电源。为了提高系统发电的稳定性和发电效率，研究一种高效的最大功率输出算法具有重要的意义。

最大功率点输出控制（MPPT）是通过控制太阳电池阵列端电压的输出，使电池阵列可以在不同温度和照度下智能化地控制输出最大功率。因此，最大功率点的跟踪是一个自寻优的过程[1]。

目前常用的最大功率点跟踪方法有扰动观察法、电导增量法、恒定电压法、开路电压法等。这些算法结构简单、实现方便，但是也存在着在最大功率点附近扰动大，且受环境影响大，鲁棒性较差等问题。

针对以上问题，本文提出了一种基于BP神经网络的MPPT控制方法，仿真结果表明该方法能够实现较好的控制性能。

1 光伏电池特性分析

光伏电池的输出特性是指在某一确定的日照强度和温度下，光伏电池的输出电压和输出电流之间的关系。同一类型的光伏电池由于日照强度、环境温度的不同，输出特性也不尽相同。

光伏电池的内部等效电路如图1所示。它由一个受光强和温度影响的电流源并联一个二极管再并联和串联一个电阻组成。

通过分析等效电路可知：

图1 光伏电池的等效电路

理想状态下，RS可近似为零，RSh近似为无穷大，因此式（1）可以简化表示为：

式中：I为输出电流；Iph为光生电流；I0为反向饱和电流；q为电子电荷；U为输出电压；RS为串联电阻；A为二极管品质因子；K为玻尔兹曼常数；T为开氏温度；Rsh为并联电阻。

通过以上公式可见：光伏电池的输出功率是以日照强度和温度作为自变量的非线性函数。因此，根据公式（2）及公式（3）可以绘制出在一定日照强度和温度条件下的输出特性曲线，如图2、图3所示。

图2 温度为25℃时不同光照下的I-U、P-U特性曲线

图3 光照为1000W/m2时不同温度下的I-U、P-U特性曲线

分析图2及图3可知：光伏电池的输出特性受外界环境影响很大，与光照强度和温度表现出明显的非线性。基本特性表现为：当温度不变时，光伏电池的输出最大功率随光照强度按比例增加，而光伏电池的峰值电压几乎落在同一点上；而当光照强度（S）不变时，光伏电池的最大输出功率随温度的下降而增大，同时光伏电池的峰值电压变大[2]。因此输出功率在某一点存在最大功率点，研究表明，该点处的电压约为开路电压的80%。

2 BP神经网络控制

目前常用的最大功率点跟踪算法主要有扰动观察法、电导增量法、恒定电压法、开路电压法等，相对比而言，扰动观察法、恒定电压法、开路电压法等实现简单，运行方便，但是容易陷入非最大功率点的局部极值点，并在些极值点附近振荡，破坏系统的稳定性。而电导增量法系统复杂，实现成本相应较高。因此，提出一种新的算法，来实现最大功率点的稳定快速地跟踪，具有重要的意义。

人工神经网络是人工智能研究的方法之一，具有较强的非线性映射能力，图4给出了一个人工神经网络的拓扑结构，它属于多层感知器结构，包括输入、输出层和若干个隐层。网络工作过程中，输入信息先通过输入层节点，向前传播到隐层节点，经过计算节点的激活函数运算后，将各个计算节点的输出信息传播到输出节点，最后得到最终输出结点[3]。

图4 BP神经网络结构图

BP神经网络的设计包括三个部分：输入变量、输出变量、隐含节点数目。在光伏发电MPPT跟踪中，输入的变量可以确定为光强、温度和时间；输出变量只有一个，就是最大功率点的电压。在整个算法中，隐含层节点数的确定是重要的内容。隐含层节点数的确定有一定的原则，如果节点数太少，不利于网络创建复杂的映射关系，使网络的学习培训效果差，容错性不理想；当节点数太多时，又会导致网络太大，结构复杂，学习时间太长，甚至会造成不收敛的结果。

确定隐含层节点数的经验公式很多，较常用的方法如公式（4）～公式（6）所示[3]。

式中：m为隐含层节点数；n为输入层节点数；l为输出节点数；C为1～10之间的常数。在光伏发电MPPT算法中，如图4所示，n为3，l为1，结合实际情况对C进行合适的选择后，取m等于5。

3 仿真结果

仿真过程采用MATLAB神经网络工具箱进行仿真，具体数据如下：采样周期为一天中的24 h，学习率10%，训练时间为50 s，训练误差为0.01，隐含层和输出层神经元传递函数分别为tansig和purelin，网络算法采用Levenberg—Marquardt算法trainlm。对设置好的网络进行训练，并对结果进行仿真，绘制输出曲线，如图5所示。

图5 训练后神经网络的输出结果

从图5中可知，经过训练的曲线与理想输出曲线很接近，说明经过训练后，BP网络对MPPT有很好的跟踪效果，且逼近时间短，非线性跟踪能力强。

4 结语

本文在研究最大功率点输出算法的基础上，针对光伏电池的特点，将BP神经网络控制应用到光伏电池MPPT中。经仿真结果表明，相对于传统的MPPT算法，神经网络控制技术在温度、光强等外界环境变化的情况下，体现出较高的非线性映射能力及容错能力，且运算速度明显快于其他方法，从而能够显著提高不同环境下的最大功率点跟踪能力，使光伏体系统的性能和效率显著提高，并具有较好的控制精度和稳定性。

[1]刘杰.光伏MPPT控制系统研究[D].杭州：浙江工业大学，2011：16-17.

[2]胥芳，张任，吴乐彬．自适应BP神经网络在光伏MPPT中的应用[J]．太阳能学报，2012（3）：468-470.

[3]张蔚．BP神经网络在光伏发电MPPT中的应用[J]．现代建筑电气，2010（4）：54-56.