本发明属于智能电网领域，具体涉及一种基于核偏最小二乘的最大功率点跟踪控制方法。
背景技术：
21世纪以来，能源危机日益加剧，化石燃料面临枯竭，其造成的环境污染和温室效应也成为摆在人类面前的巨大问题，所以人们转而寻求其他可再生能源。光伏发电凭借绿色无污染、发电装置过程简单、无噪声等优点，获得了人们的青睐。
光伏发电的基本组件是光伏电池，它通过光生伏打效应将光能直接转化为电能。光伏电池由晶体硅制成，造价成本较高。由于光伏电池的输出电压和输出电流随着外界光照强度和工作温度的变化而变化，且具有强烈的非线性，因此在特定的工作环境下存在着一个唯一的最大功率点。为了最大限度地提高光伏电池的转换效率，必须使其始终工作在最大功率点。现有的最大功率点(MPPT)电压跟踪控制方方法主要有恒定电压法、扰动观察法、电导增量法等。恒定电压法忽略了温度对输出功率的影响，实际光伏电池并不工作在最大功率点；扰动观察法由于不断地引入扰动，光伏电池总是在最大功率点附近波动；电导增量法应用时在步长选择上存在困难。
技术实现要素：
本发明的目的在于提出一种基于核偏最小二乘的最大功率点跟踪控制方法，引入一种机器学习的算法来动态预测光伏电池最大功率点的工作电压，并实时调整光伏电池的工作电压等于最大功率点(MPPT)电压预测值，从而保证光伏电池始终工作在最大功率点，使得光伏电池的输出功率最大化，提高光电转换效率，产生更高的经济效益。
为了解决上述技术问题，本发明提供一种基于核偏最小二乘的最大功率点跟踪控制方法，步骤如下：
步骤一、根据光伏电池的光电转换特性，确定影响其输出功率的各种因素；
步骤二、采集光伏电池实际运行数据与对应的最大功率点电压，得到训练集样本和预测集样本；
步骤三、使用核偏最小二乘回归算法对训练集样本进行回归拟合，建立输入变量与最大功率点电压的非线性关系，将预测集样本作为核偏最小二乘算法的输入，将其输出做为最大功率点电压的预测值；
步骤四、将光伏电池的工作电压动态调整为最大功率点电压的预测值，使其工作在最大功率点。
步骤一中，影响其输出功率的各种因素包括工作温度、光照辐射强度和电路负载。
步骤二中，在不同的工作温度、光照强度和负载下，收集光伏电池实际运行数据，并采集在该运行条件下的对应的最大功率点电压值，剔除明显异常值后，形成训练集样本和测试集样本。
步骤三中，自变量为工作温度、光照强度和所带负载，因变量为最大功率点电压。
本发明与现有技术相比，其显著优点在于：
(1)本发明通过挖掘实际数据的内在规律，预测光伏电池的最大功率点工作电压，预测结果更符合实际情况，具有更高的预测精度和稳定性。
(2)本发明只需调整光伏电池工作电压等于MPPT(最大功率点)电压预测值，避免了对工作电压施加扰动，从而有效避免系统在最大功率点处的震荡运行。
(3)本发明提供的核偏最小二乘算法能够有效地描述变量与最大功率点电压间的非线性关系，并且算法可由程序语言实现，可省去硬件设备。
下面结合附图对本发明作进一步详细描述。
附图说明
图1是本发明的基于核偏最小二乘的最大功率点跟踪控制方法流程图。
图2是本发明的光伏电池最大功率点跟踪系统图。
具体实施方式
容易理解，依据本发明的技术方案，在不变更本发明的实质精神的情况下，本领域的一般技术人员可以想象出本发明基于核偏最小二乘的最大功率点跟踪控制方法的多种实施方式。因此，以下具体实施方式和附图仅是对本发明的技术方案的示例性说明，而不应当视为本发明的全部或者视为对本发明技术方案的限制或限定。
结合附图。结合附图，本发明基于核偏最小二乘的最大功率点跟踪控制方法，包括以下步骤：
步骤一、研究光伏电池的光电转换特性，确定影响其输出功率的各因素。
本步骤中，分析研究光伏电池的内部结构，PN结实现光电转换的过程以及工作原理，在此基础上完整系统地提取影响其最大功率输出的各因素，包括工作温度、光照辐射强度和电路负载。
步骤二、采集光伏电池实际运行数据与对应的MPPT电压，得到训练集样本和预测集样本。
本步骤中，在不同的工作温度、光照强度和负载下，利用温度和光强传感器收集光伏电池实际运行数据，收集负载数据，并采集在该运行条件下的对应的MPPT电压值，剔除明显异常值后，形成训练集样本和测试集样本，自变量为工作温度(℃)、光照强度(lx)和所带负载(Ω)，因变量为最大功率点电压(V)。
步骤三、使用训练集样本训练核偏最小二乘算法，并对预测集样本估计其MPPT电压。
本步骤中，利用核偏最小二乘回归算法对训练集样本进行回归拟合，建立输入变量(工作温度、光照强度、负载)与最大功率点电压的非线性关系，并将预测集样本作为核偏最小二乘算法的输入，估计其输出，即为MPPT电压预测值，具体做法如下：
1)设变量X∈Rn×p,Y∈Rn，p为自变量个数，这里自变量X为光伏电池工作温度、外界光照强度、所带负载，p取值为3，Y为因变量最大功率点电压，n为观测样本的个数。利用变量均值和方差对X和Y数据做预处理，消除样本幅值对建模的影响：
其中，μx为自变量均值，σx为自变量标准差；
μy为因变量均值，σy为因变量标准差。
2)对所给的转化处理后的数据X，利用如下公式计算对应的核矩阵K:
其中，核矩阵元素的计算所采用高斯核函数，其表达式为：
3)随机初始化Y的得分向量μ
4)计算特征空间中X的得分向量th并进行归一化:
5)计算Yh的权值向量ch:
6)计算Yh的得分向量uh并进行归一化:
7)重复4)-6)直至th收敛
8)缩小矩阵K、Y，重复3)-7)直至提取p个t、u：
训练样本的MPPT电压拟合公式为：
T、U为得分向量t、u构成的矩阵，为拟合结果。
预测样本的MPPT电压拟合公式为：
Yt＝KtU(TTKU)-1TTY (10)
Kt＝φ(xnew)φ(x)T (11)
xnew为预测样本输入数据，x为输入训练数据，Y为输出训练数据，Kt为预测样本数据对应的核矩阵，Yt为预测MPPT电压的结果。
步骤四、动态调整光伏电池的工作电压为MPPT电压预测值，使其工作在最大功率点。
本步骤中，调整光伏电池的工作电压等于MPPT电压预测值，使光伏电池工作在最大功率点，光伏电池最大功率点跟踪系统图如图2。
当光照、温度或负载变化时，核偏最小二乘算法预测值实时更新，保持光伏电池工作电压等于MPPT电压预测值，实现MPPT电压的动态跟踪。