本发明涉及信号处理技术领域，具体涉及一种激光供能系统中追踪光伏阵列最大输出功率点以提高能效的方法。
背景方法
激光供能系统作为新型光电能量传输系统，因其在高电压、强电磁干扰等恶劣环境下仍可稳定安全供电，近年来使用场景越来越广泛。
激光供能系统的能量传输方式分为有线跟无线两种方式：有线方式即媒质采用光纤，光纤具有抗干扰、高速、高带宽的特点。激光供能系统能够在强电磁干扰的情况下传输高速信号，在电力、医疗、工业传感器等领域都有不错的应用；无线方式即以空气为媒介，利用激光相干性好方向性强强度高的特点，向特定环境下工作的目标机器提供能源支持，使其顺利完成指定任务的能源输送技术。激光供能技术对比其他取能方式具有结构简单、小型化、稳定性高的优势。在不方便使用有线介质的情况下，无线传输是一种不错的选择。
最大功率点跟踪(mppt)即根据外界不同的环境温度、光照强度等特性来调节光伏阵列的输出功率，使得光伏阵列始终输出最大功率。目前公认的主流方法有开路电压法/短路电流法，扰动观察法，增量电导法等。开路电压法/短路电流法结构简单，但追踪时间长，精度差。扰动观察算法理念简单，追踪速度快，但在最大功率点会来回振荡，影响判断。增量电导法是扰动观察法的衍生，但其流程复杂，参照量大，对传感器的精度要求高，实现起来也很困难。
技术实现要素：
本发明的目的就是要针对现有技术的不足，提供一种激光供能系统中追踪光伏阵列最大输出功率点以提高能效的方法，其重点研究激光供能系统的光电转换过程，追踪光伏阵列所在电路的最大输出功率点，使电路工作于该点，输出功率达到最大，系统的能量使用效率达到最大。
为实现上述目的，本发明所涉及的一种激光供能系统中追踪光伏阵列最大输出功率点以提高能效的方法，包括如下步骤：
步骤1：采集电路参数与外界数据，确定神经网络模型；
步骤2：由已知数据对神经网络的层间权值做更新迭代，利用训练好的模型预测最大输出电压与开路电压的比值，使得激光供能系统迅速工作于最优值环境；
步骤3：采用扰动观察法进行小步长高精度追踪，重复进行指定次数后的最终输出值即为光伏阵列最大功率点对应的电压值。
进一步地，所述步骤1中：
所述确定神经网络模型的方法为：
首先查阅光伏阵列中的固有数据参数，即np,ns,voc,vsc作为神经网络输入层中的内界输入值；同时收集环境温度和激光强度，作为输入层的外界输入量；设定隐含层包含20个隐含单位中心量，定义输出层的输出值为最大功率点电压与开路电压的比值；激活函数采用sigmoid函数。
进一步地，所述步骤2中：
对模型层间赋予初始权重，训练神经网络模型的方法为：先进行前向传播算法，然后使用反向传播算法，最后将更新后的权值代入步骤2中，重新计算各神经元的输出值。
作为优选项，所述前向传播算法为：
计算输入层到隐含层过程中隐含层各神经元的输入加权和，其对应的输出值代入激活函数给出，同理得到隐含层到输出层过程中输出神经元的输入加权和和对应的输出，前向传播过程结束。
作为优选项，所述反向传播算法为：
总误差为均方误差函数，为各神经元输出绝对误差平方的均值，对每个权重参数，可以用整体误差对其求偏导，来反映该权重值对整体误差产生了多少影响，设定学习率为0.05，更新出神经网络中每条路径的新权值，从而调整系统，使得输出量逼近最优解，误差反向传播法完成。
进一步地，所述步骤3中：
所述采用扰动观察法的具体步骤为：
输出最后两次修正过后的输出层神经元的输出值，将该数值乘以开路电压，转换成对应的最大功率点电压值；调节光伏阵列所在升压电路的占空比，使得输出电压正好为这些值时，记录对应的电路输出电流；电压与匹配电流配对成数据组，将这两个数据组作为扰动观察法的前后输入量，记录为[v(k),i(k)],[v(k-1),i(k-1)]。
更进一步地，所述采用扰动观察法中：
在前后时刻功率差大于等于或小于0的不同情况下，比较前后时刻电压差值与0的大小，在不同的情况下，相应的对v(k)电路下的占空比更新，调节光伏阵列所在电路中的占空比，得到更新过后的输出电压与电流值，多次迭代后，输出值逐渐向最优值逼近。
进一步地，所述步骤3中：
所述光伏阵列最大功率点对应的电压值确定方法为：
将升压变换电路中调节变占空比操作后得到的输出电压与电流记录为u(k+1)、i(k+1)，然后令k＝k+1，迭代该过程q次后，结束该步骤，输出电压值。
本发明的优点在于：在辐照强度快速变化或温度频繁交替改变情况下，复合追踪算法比传统单一的扰动观察法稳定性好，用时也更短；神经网络算法可以快速逼近最大功率点，避免了扰动观察法前期的盲目搜索；在最优值环境下用小步长的扰动观察法，可以尽可能的减少该算法会带来的振荡，相应的也提高了追踪的精度。
附图说明
图1为本发明的工作流程图；
图2为激光供能系统的结构示意图；
图3为应用于神经网络中的结构图；
图4为光伏阵列的输出p-v曲线图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细描述：
如图1，一种激光供能系统中追踪光伏阵列最大输出功率点以提高能效的方法，包括如下步骤：
步骤1：采集电路参数与外界数据，确定神经网络模型：
所述确定神经网络模型的方法为：
首先查阅光伏阵列中的固有数据参数，即np,ns,voc,vsc作为神经网络输入层中的内界输入值；同时收集环境温度和激光强度，作为输入层的外界输入量；设定隐含层包含20个隐含单位中心量，定义输出层的输出值为最大功率点电压与开路电压的比值；激活函数采用sigmoid函数。
步骤2：由已知数据对神经网络的层间权值做更新迭代，利用训练好的模型预测最大输出电压与开路电压的比值，使得激光供能系统迅速工作于最优值环境：
对模型层间赋予初始权重，训练神经网络模型的方法为：先进行前向传播算法，然后使用反向传播算法，最后将更新后的权值代入步骤2中，重新计算各神经元的输出值。
所述前向传播算法为：
计算输入层到隐含层过程中隐含层各神经元的输入加权和，其对应的输出值代入激活函数给出，同理得到隐含层到输出层过程中输出神经元的输入加权和和对应的输出，前向传播过程结束。
所述反向传播算法为：
总误差为均方误差函数，为各神经元输出绝对误差平方的均值，对每个权重参数，可以用整体误差对其求偏导，来反映该权重值对整体误差产生了多少影响，设定学习率为0.05，更新出神经网络中每条路径的新权值，从而调整系统，使得输出量逼近最优解，误差反向传播法完成。
步骤3：采用扰动观察法进行小步长高精度追踪，重复进行指定次数后的最终输出值即为光伏阵列最大功率点对应的电压值：
所述采用扰动观察法的具体步骤为：
输出最后两次修正过后的输出层神经元的输出值，将该数值乘以开路电压，转换成对应的最大功率点电压值；调节光伏阵列所在升压电路的占空比，使得输出电压正好为这些值时，记录对应的电路输出电流；电压与匹配电流配对成数据组，将这两个数据组作为扰动观察法的前后输入量，记录为[v(k),i(k)],[v(k-1),i(k-1)]。
在前后时刻功率差大于等于或小于0的不同情况下，比较前后时刻电压差值与0的大小，在不同的情况下，相应的对v(k)电路下的占空比更新，调节光伏阵列所在电路中的占空比，得到更新过后的输出电压与电流值，多次迭代后，输出值逐渐向最优值逼近。
所述光伏阵列最大功率点对应的电压值确定方法为：
将升压变换电路中调节变占空比操作后得到的输出电压与电流记录为u(k+1)、i(k+1)，然后令k＝k+1，迭代该过程q次后，结束该步骤，输出电压值。
本发明在实际使用时：
建立好神经网络模型后，对路径中的权重赋予初值。通过前向传播过程得到输出层的输出值，可与实际值进行比对来判断模型是否能较好反映实际函数。通过反向传播过程，计算隐含层和输出层中的每条路径的输出误差，整合成总的输出误差，偏导运算后，从而对路径权值更改。最后反带入更改后的权值，得到调整后的输出层的输出值。迭代多次后，该值逐渐趋近最优解。
采集上述步骤中最后两次的输出值，将其乘以电路开路电压值后，得到最大功率点电压值，即可知道对应的电流值。将同一时刻的电压，电流配对成组，一共两组数据。接着选用扰动观察法来做进一步的精细追踪。
在不同情况下，分别调整电路的占空比，获得更逼近最优解的电压值，记录为v(k+1),令k＝k+1。同样，迭代若干次后，输出值即为最大功率对应的输出电压值。将电路的输出电压调整到该点，系统的能量效率达到最大。
最后，应当指出，以上实施例仅是本发明较有代表性的例子。显然，本发明不限于上述实施例，还可以有许多变形。凡依据本发明的方法实质对以上实施例所做的任何简单修改、等同变化及修饰，均应认为属于本发明的保护范围。