基于BP神经网络的光伏系统多峰最大功率点跟踪策略

姚远

摘要：针对在实际发电过程中光伏阵列P-U特性曲线呈现多个功率峰值点问题，本文在光伏电池的结构、原理和模型的基础上，分析了在非均匀光照条件下光伏系统的输出特性，根据复杂光照条件下最大功率点呈现多峰的特性，提出了一种基于BP神经网络的最大功率点跟踪策略。仿真结果表明：将BP神经网络用于多峰最大功率跟踪控制精度高，响应迅速，且系统适应性良好。

关键词：光伏系统；多峰最大功率点跟踪；BP神经网络；输出特性

中图分类号：TP183 文献标识码：A 文章编号：1007-9416（2017）06-0070-04

太阳能资源丰富，分布广泛，开发利用前景广阔。光伏发电是一种简易而清洁的太阳能利用方式，近年来受到广泛青睐，发展迅速。但在发展过程中也存在许多问题，其中效率是其主要问题[1]。提高光伏系统效率的主要措施之一是最大功率点跟踪控制[2]。然而在光伏发电时，光伏阵列易受到建筑、树木等造成的阴影影响，使其P-U特性曲线呈现多个功率峰值点，导致传统的MPPT算法（如恒压法、导电增量法、扰动观察法等）易陷入局部极值点，从而无法寻找到全局最大功率点[3-5]。BP神经网络具有鲁棒性高，适应性良好，追踪速度快等优点，能够有效避免算法陷入局部极值点[6]。基于以上分析，本文拟采用BP神经网络进行光伏阵列多峰MPPT控制，以达到提高光伏系统效率的目的。最终通过仿真分析，并与传统跟踪方法进行对比，该方案能够快速准确地跟踪最大功率点，有效提高了光伏阵列的输出功率，具有良好的实用价值。

1 局部阴影条件下光伏阵列的输出特性

1.1 光伏电池的等效模型

光伏电池的等效模型，如图1所示。

Sref、Tref分别代表标准情况下的参考光强与参考温度；Isc、Usc、Im、Um为标准情况下光伏电池的四个参数；S、T为任意时刻的光强与温度；a、c代表温度补偿系数，b代表光强补偿系数。

1.2 复杂光照条件下光伏阵列的输出特性

1.2.1 不同光照分布下光伏阵列的输出特性

本文以10块光伏电池板串联构建光伏阵列。假设在标准环境温度下，该阵列受到A、B、C三类光照分布。分布情况如表1所示。

仿真采用型号为DPL5M36-85的光伏电池。在温度T=25℃，光照强度C=1kW/m2下，其参数为：开路电压Uoc=22.2V，短路电流Isc=5.45A，最大功率点电压Um=17.2V，最大功率点电流Im=4.95A。三种不同光照条件下光伏阵列的I-V特性、P-V特性仿真曲线如图2所示。

图2（a）表明当光照条件不均匀时，光伏阵列的I-U曲线会出现拐点；由图2（b）可知，当光伏阵列处于光照条件A下时，只存在一个最大功率点：P1=852.79W，U1=174.93V；当光伏阵列处于光照条件B下时，出现两个功率极值点（U2，P2），（U3，P3），P2=607.19W，U2=124.55V，P3=755.20W，U3=181.42V，其中极值点（U3，P3）为全局最大功率点。

当光伏阵列处于光照条件C下时，出现三个功率极值点（U4，P4），（U5，P5），（U6，P6），其中极值点（U6，P6）为全局最大功率点。P6=405.45W，U6=192.27V。

处于不同阴影分布时，光伏阵列的输出特性曲线不同。串联光伏阵列受到的不同光照强度数目决定了I-V，P-V特性曲线拐点的数目，即有几种不同的入射光照，P-V特性曲线就有几个局部峰值功率点，呈现多峰特性[7]。

1.2.2 不同温度下光伏阵列的输出特性

处于光照条件C下的光伏阵列，当外界温度变化时（0℃，25℃，40℃），其P-V、I-V输出特性曲线如图3所示。

由上述分析可知，在复杂环境条件下，功率电压特性将出现多峰关系，峰值随环境情况而变动，具有不确定性。传统的MPPT方法，如扰动观察法、电导增量法和恒压法等将无法有效追踪最大功率点，从而导致整个光伏系统效率的下降[8]。

2 BP神经网络在多峰最大功率点跟踪中的应用

2.1 BP神经网络

BP神经网络是一种按误差逆传播算法训练的多层前馈网络。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络结构模型图4所示。

2.2 BP神经网络在多峰最大功率点跟踪中的应用

本文采用三层神经网络结构，输入層与输出层个数分别3和1。其输入量分别为时间（t）、温度（T）、光照强度（S），输出量为最大功率点功率P。

经过反复测试比较，隐含层神经元个数设置为10个。隐含层的初始权值设置为0.1*randn（4， 10）；输出层的初始权值设置为[+1，-1，+1，-1，+1，-1，+1，-1，+1，-1]。设定网络学习步长为0.35，动量系数为0.8，网络训练次数为8000，网络训练精度为le-1。采用TRAINGDM算法训练BP神经网络。训练结果如图5所示。

3 仿真分析

利用BP神经网络进行仿真预测。得到最大功率点跟踪曲线，如图6所示。

由图6可知，与传统预测方法对比，BP神经网络跟踪速度快，并且几乎没有稳态误差。能够快速越过局部极值点，寻找到全局最大功率点，具有良好的动态性及鲁棒性。

图7为恒压法与BP神经网络预测误差曲线。由图7可知，在04h后，恒压法产生了很大的误差，无法准确追踪最大功率点；而BP神经网络则保持着良好的追踪效果，实际值与预测值的平均误差为6.8277。

4 结语

本文研究了光伏电池的结构及输出特性，以及在复杂光照条件下的光伏系统最大功率点出现多峰的现象，提出采用BP神经网络进行多峰情况下MPPT的跟踪。经仿真分析可知该方法可以快速准确地跟踪阴影和阴影情况下的最大功率点，从而显着提高光伏系统的输出功率以及光伏系统的效率。

参考文献

[1]林虹江，周步祥，冉伊，詹长杰，杨昶宇.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，（5）：35-40.

[2]郭亮.基于粒子群算法优化BP神经网络的光伏系统最大功率点跟踪研究[D].西南交通大学，2011.

[3]王志兵.基于恒压法结合变步长电导增量法的最大功率点跟踪[J].科学技术与工程，2012，（19）：4638-4642.

[4]熊远生，俞立，徐建明.固定电压法结合扰动观察法在光伏发电最大功率点跟踪控制中应用[J].电力自动化设备，2009，（6）：85-88.

[5]冯涛，陈华.固定电压法结合电导增量法在光伏发电最大功率点跟踪控制中的应用[J].电源技术应用，2011，（6）：23-27.

[6]李腾飞.复杂光照条件下光伏发电系统输出特性及最大功率点跟踪研究[D].太原理工大学，2014.

[7]朱艳伟，石新春，但扬清，等.粒子群优化算法在光伏阵列多峰最大功率点跟踪中的应用[J].中国电机工程学报，2012，（4）：42-48+20.

[8]崔岩，白静晶.光伏阵列多峰最大功率点跟踪研究[J].电机与控制学报，2012，（6）：87-91.