一种光伏阵列的最大功率点跟踪方法及系统与流程

本申请涉及电子技术领域，尤其涉及一种光伏阵列的最大功率点跟踪方法及系统。

背景技术：

MPPT控制器的全称“最大功率点跟踪”(Maximum Power Point Tracking)太阳能控制器，使传统太阳能充放电控制器的升级换代。其能够实时侦测太阳能板的发电电压，并追踪最高电压电流值，使系统以最大功率输出对蓄电池充电。当前使用的自寻优MPPT算法有扰动观察法和电导增量法等，但存在如追踪速度慢，精准度低的问题。

技术实现要素：

本发明实施例提供了一种光伏阵列的最大功率点跟踪方法及系统，用以解决现有技术中最大功率点跟踪存在追踪速度慢，精准度低的问题。

其具体的技术方案如下：

一种光伏阵列的最大功率点跟踪方法，所述方法包括：

获取在各个参数下的训练样本以及测试样本；

根据预设参数，确定反向传播BP神经网络参数，并根据所述参数对所述BP神经网络进行初始化设置；

确定所述BP神经网络中的种群数目以及优化目标；

判断进化次数是否达到所述优化目标；

若是，则获得最优神经元初始权值以及阈值；

将期望值与输出值进行误差计算，并根据计算结果对初始权值以及阈值进行更新；

根据更新的初始权值以及阈值，判定是否达到指定检测精度值；

若是，则训练结束，得到需要的BP神经网络；

运行所述BP神经网络，并调整所述BP神经网络的输出电压，以使所述BP神经网络运行至设定的最大功率点。

可选的，在确定所述BP神经网络中的种群数目以及优化目标之后，并且在判断进化次数是否达到所述优化目标之前，所述方法还包括：

对神经元初始值以以及阈值进行实数编码；

对各个种群进行适应度计算，得到适应度计算结果；

循环进行指定操作，计算适应度操作，直至达到进化次数。

可选的，所述方法还包括：

若进化次数未达到所述优化目标，则重新对各个种群进行适应度进行计算；

根据计算得到的结果，进行指定操作，直至达到进化次数。

可选的，所述方法还包括：

若所述检测进度未达到所述指定检测精度值，则重新进行期望值与输出值的误差计算，得到计算结果；

根据所述计算结果，对权值以及阈值进行更新。

一种光伏阵列的最大功率点跟踪系统，所述系统包括：

获取模块，用于获取在各个参数下的训练样本以及测试样本；

初始化模块，用于根据预设参数，对反向传播BP神经网络进行初始化设置；

处理模块，用于确定反向传播BP神经网络参数，并根据所述参数对所述BP神经网络进行初始化设置；确定所述BP神经网络中的种群数目以及优化目标；判断进化次数是否达到所述优化目标；若是，则获得最优神经元初始权值以及阈值；将期望值与输出值进行误差计算，并根据计算结果对初始权值以及阈值进行更新；根据更新的初始权值以及阈值，判定是否达到指定检测精度值；若是，则训练结束，得到需要的BP神经网络，运行所述BP神经网络，并调整所述BP神经网络的输出电压，以使所述BP神经网络运行至设定的最大功率点。

可选的，所述处理模块，还用于对神经元初始值以以及阈值进行实数编码；对各个种群进行适应度计算，得到适应度计算结果；循环进行指定操作，计算适应度操作，直至达到进化次数。

可选的，所述处理模块，还用于若进化次数未达到所述优化目标，则重新对各个种群进行适应度进行计算；根据计算得到的结果，进行指定操作，直至达到进化次数。

可选的，所述处理模块，还用于若所述检测进度未达到所述指定检测精度值，则重新进行期望值与输出值的误差计算，得到计算结果；根据所述计算结果，对权值以及阈值进行更新。

综上来讲，通过分析BP与GA-BP神经网络算法对光伏阵列最大功率追踪情况可以看出，随着外界环境的变化，运用遗传算法优化的BP神经网络能够以高精度，高速率的状态，保持较准确追踪最大功率点。

附图说明

图1为本发明实施例中一种光伏阵列的最大功率点跟踪方法的流程图；

图2为本发明实施例中光伏电池的等效电路示意图；

图3为本发明实施例中的光伏板在不同环境下的输出特性示意图之一；

图4为本发明实施例中的光伏板在不同环境下的输出特性示意图之二；

图5为本发明实施例中的GA-BP神经网络结构图；

图6为本发明实施例中的GA-BP神经网络流程示意图；

图7为本发明实施例中采用BP神经网络进行最大功率点的追踪迭代情况示意图；

图8为本发明实施例中BP与GA-BP神经网络算法对光伏阵列最大功率追踪情况示意图；

图9为本发明实施例中一种光伏阵列的最大功率点跟踪系统的结构示意图。

具体实施方式

下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解，本发明实施例以及实施例中的具体技术特征只是对本发明技术方案的说明，而不是限定，在不冲突的情况下，本发明实施例以及实施例中的具体技术特征可以相互组合。

如图1所示为本发明实施例中一种光伏阵列的最大功率点跟踪方法的流程图，该方法包括：

S101，获取在各个参数下的训练样本以及测试样本；

S102，根据预设参数，确定反向传播BP神经网络参数，并根据所述参数对所述BP神经网络进行初始化设置；

S103，确定所述BP神经网络中的种群数目以及优化目标；

S104，判断进化次数是否达到所述优化目标；

S105，若是，则获得最优神经元初始权值以及阈值；

S106，将期望值与输出值进行误差计算，并根据计算结果对初始权值以及阈值进行更新；

S107，根据更新的初始权值以及阈值，判定是否达到指定检测精度值；

S108，若是，则训练结束，得到需要的BP神经网络；

S109，运行所述BP神经网络，并调整所述BP神经网络的输出电压，以使所述BP神经网络运行至设定的最大功率点。

具体来讲，在本发明实施例中，通过分析光伏特性曲线进行最大功率点追踪。建立过程主要分为：GA-BP神经网络算法的设计，以及光伏阵列的SMINULINK仿真模型建立。

第一部分：光伏电池数学模型的建立及特性分析：光伏电池的输出特性指在一定的环境温度和光照强度下，电池的输出电压与电流之间的关系以及输出的电压及对应的功率关系。根据电子学理论，可以得出光伏电池的等效电路如图2。

光伏电池等效电路，可以等价为一个电流源的非线性原件，图2中，I_L为光生电流，其值的大小受环境的温度和光照强度影响，I_D为流经二极管的电流，I为光伏电池输出的负载电流，U_D为等效二极管的端电压，在无光照的情况下，光伏电池的基本行为特征类似于一个普通的二极管；U为负载两端电压，R_L为电池的负载电阻，R_s为等效串联电阻，R_sh为等效并联电阻。因为光伏电池的性能指标会因为外部环境的因素而受到影响，为了使所建立的数学模型可以很好的反应出光伏电池的实际特性曲线，一般根据不同的光伏电池制造商，在标准工作状态下采用不同的参数：I_sc、U_oc、U_m、I_m，其中，I_m为最大功率点电流，U_m为最大功率点电压，由此可以简化出一个近似的工程使用模型，如式：

考虑到环境与温度和光伏电池温度之间的关系，电池温度T和环境温度T_space、光照强度S关系为：

T＝T_space+KS (2)

其中(2)式中K为比例常数，值为:K＝0.005℃·m²·W^-1；

将对光伏电池有影响的外部环境因素加入公式内，分别可得出光伏电池的开路电压U_oc，短路电流I_sc，最大功率点电压U_m，最大功率点电流I_m的对应表达式如下：

式中部分变量为：

其中，S_ref与T_ref取标准环境下的基准值，即T_ref＝25°，S_ref＝1000W/m²a,b,c是常数系数因子；

通过以上光伏阵列等效电路所得出的方程，可以通过SIMULINK仿真出光伏板在不同环境下的输出特性如图3、4。在完成第一部分之后，则对神经网络进行搭建，具体的如第二部分所示。

第二部分：神经网络建(a)设置BP神经网络参数的初始化，设置输入层神经元数2个，隐层神经元数5个，输出神经元1个(b)初始化种群，并对种群编码，考虑到最大功率点的追踪精度，以及算法求解过程的非必要编码与解码，在此采用浮点型实数对基因编码；(c)选择预测数据与期望数据之间误差作为适应度函数；(d)循环进行选择，交叉，变异，计算适应度操作，直到达到进化次数，在此选择轮盘赌的方法进行个体的选择如式(5)，概率P_si反应了个体i的适应度值在整个群体适应度总和所占的比例，此值越大，个体的适应度值越大；适应度函数采用式(6)，其中E为期望输出与实际输出的误差平方和；(e)得到最优的初始权值和阈值；(f)利用遗传算法解出的最优初始权值和阈值，进行BP神经网络的训练；GA-BP神经网络结构图如图5；其基本流程如图6；

在光伏阵列最大功率追踪前，首先通过其在不同的光照、温度情况下对应的P-U输出特性中获取不同情况下最大功率值的训练样本以及测试样本，其中每组数据一共包括三个值--(温度，光照，最大功率点)；对于BP的训练网络的参数初始化，输入层传递函数采用tansig型，输出层函数采用purelin型，训练函数采用trainlm型。运用MATLAB/SIMLINK搭建光伏阵列MPPT数学模型如图6。

图6中的MPPT模块运用了基于GA-BP人工神经网络最大功率点的追踪算法，在光伏阵列运行过程中，修改输入的温度以及光照强度，此时，运行已经训练的GA-BP神经网络进行追踪，通过BOOST电压模块，调节其晶体管的占空比，从而改变光伏阵列的输出电压并让其工作于GA-BP神经网络所预测的最大功率点；如图7为分别采用BP神经网络(右图)，GA-BP神经网络(左图)进行最大功率点的追踪迭代情况；图8为BP与GA-BP神经网络算法对光伏阵列最大功率追踪情况。

综上来讲，通过分析图8BP与GA-BP神经网络算法对光伏阵列最大功率追踪情况可以看出，随着外界环境的变化，运用遗传算法优化的BP神经网络能够以高精度，高速率的状态，保持较准确追踪最大功率点。

进一步，在本发明实施例中，还提供了一种光伏阵列的最大功率点跟踪系统，如图9所述为本发明实施例中一种光伏阵列的最大功率点跟踪系统的结构示意图，该系统包括：

获取模块901，用于获取在各个参数下的训练样本以及测试样本；

初始化模块902，用于根据预设参数，对反向传播BP神经网络进行初始化设置；

处理模块903，用于确定反向传播BP神经网络参数，并根据所述参数对所述BP神经网络进行初始化设置；确定所述BP神经网络中的种群数目以及优化目标；判断进化次数是否达到所述优化目标；若是，则获得最优神经元初始权值以及阈值；将期望值与输出值进行误差计算，并根据计算结果对初始权值以及阈值进行更新；根据更新的初始权值以及阈值，判定是否达到指定检测精度值；若是，则训练结束，得到需要的BP神经网络，运行所述BP神经网络，并调整所述BP神经网络的输出电压，以使所述BP神经网络运行至设定的最大功率点。

进一步，在本发明实施例中，所述处理模块903，还用于确定反向传播BP神经网络参数，并根据所述参数对所述BP神经网络进行初始化设置；确定所述BP神经网络中的种群数目以及优化目标；判断进化次数是否达到所述优化目标；若是，则获得最优神经元初始权值以及阈值；将期望值与输出值进行误差计算，并根据计算结果对初始权值以及阈值进行更新；根据更新的初始权值以及阈值，判定是否达到指定检测精度值；若是，则训练结束，得到需要的BP神经网络。

进一步，在本发明实施例中，所述处理模块903，还用于对神经元初始值以以及阈值进行实数编码；对各个种群进行适应度计算，得到适应度计算结果；循环进行指定操作，计算适应度操作，直至达到进化次数。

所述处理模块903，还用于若进化次数未达到所述优化目标，则重新对各个种群进行适应度进行计算；根据计算得到的结果，进行指定操作，直至达到进化次数。

进一步，在本发明实施例中，所述处理模块903，还用于若所述检测进度未达到所述指定检测精度值，则重新进行期望值与输出值的误差计算，得到计算结果；根据所述计算结果，对权值以及阈值进行更新。

尽管已描述了本申请的优选实施例，但本领域内的普通技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。