感器CT的負(fù)極與第一功率管Q1的源極連接，電流傳感器CT的測量信號輸 出端與MPPT控制器連接；第一功率管Q1的柵極經(jīng)第一驅(qū)動模塊接MPPT控制器，第一功率 管Q1的漏極與濾波電容器C1正極連接；第二功率管Q2的源極接地、第二功率管Q2的柵極 經(jīng)第二驅(qū)動模塊接MPPT控制器，第二功率管Q2的漏極與電流傳感器CT的負(fù)極連接；濾波 電容器C1的負(fù)極接地；DC-DC變換器的電壓輸入正端與第一功率管的漏極連接、DC-DC變換 器的電壓輸入負(fù)端接地、DC-DC變換器的脈寬調(diào)制信號輸入端經(jīng)第S驅(qū)動模塊接MPPT控制 器、DC-DC變換器的電壓輸出正端與負(fù)載正端連接，DC-DC變換器的電壓輸出負(fù)端接地。
[0040] 在實(shí)施例中，所述DC-DC變換器為反激（Flyback)電路；
[0041] 所述MPPT控制器為16位數(shù)字信號控制器dsPIC33FJ16GS504 ;
[0042] 所述輸入電壓傳感器PT為LV-28P;
[0043] 所述電流傳感器CT為ACS712化CTR-20A-T;
[0044] 所述電池溫度傳感器T為DS18b20 ;
[0045] 所述第一功率管Q1為IRF5210、第二功率管Q2為IRF4321 ;
[0046] 所述第一驅(qū)動模塊為復(fù)合管放大電路，第二驅(qū)動模塊和第S驅(qū)動模塊為 MCP14E4 ；
[0047] 所述PM2. 5濃度傳感器為GP2Y1010AU0F。
[0048] 當(dāng)?shù)谝还β使躋1、第二功率管Q2都處于關(guān)斷狀態(tài)時，電壓傳感器PT的測量信號為 光伏電池的開路電壓V。。;當(dāng)?shù)谝还β使躋1導(dǎo)通、第二功率管Q2關(guān)斷時，電壓傳感器PT的 測量信號為光伏電池的工作電壓Vd。。當(dāng)?shù)谝还β使躋1關(guān)斷、第二功率管Q2導(dǎo)通時，電流 傳感器CT的測量信號為光伏電池的短路電流L。;當(dāng)?shù)谝还β使躋1導(dǎo)通、第二功率管Q2關(guān) 斷時，電流傳感器CT的測量信號為光伏電池的工作電流Id。。
[0049] 實(shí)施例中，首先獲取基于和聲捜索算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型，模型的輸 入為光伏電池的開路電壓V。。、短路電流L。、環(huán)境溫度T空氣中PM2. 5濃度C，輸出為最大功 率點(diǎn)MPP電壓預(yù)測值Vuf。
[0050] 和聲捜索算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的獲取包含收集訓(xùn)練樣本和訓(xùn)練模型 兩部分：
[00川 （1)收集訓(xùn)練樣本
[0052] 和聲捜索算法服改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的作用是根據(jù)光伏電池的工作 環(huán)境預(yù)測出最大功率點(diǎn)MPP對應(yīng)的電壓預(yù)測值Vuf。光伏電池的利用率除了與光伏電池的 內(nèi)部特性有關(guān)，還受使用環(huán)境如福照度E、溫度T和負(fù)載等因素有關(guān)，其中光伏電池的開路 電壓V。。、短路電流I,。和空氣中PM2. 5濃度C可W很好地表征照射到太陽能電池板上的光 照強(qiáng)度E。記某一工作環(huán)境下的參數(shù)為X(i) = [￥。。(1)，1,。(1)^(1)，〔(1)]，對應(yīng)最大功率 工作點(diǎn)電壓為Vmay(i)，則可構(gòu)成一對樣本狂(i)，Vmay(i))。通過收集各種不同環(huán)境下的樣 本對，形成樣本集{狂(i)，(i) ) }，就可W通過訓(xùn)練和聲捜索算法服改進(jìn)的BP神經(jīng)網(wǎng)絡(luò) ANN預(yù)測模型擬合出它們之間的復(fù)雜關(guān)系，從而根據(jù)V。。、L。、C和T來給出最大功率工作點(diǎn) 電壓預(yù)測值Vuf。
[0053] 預(yù)測模型訓(xùn)練樣本的獲取采用觀察法來采集。采集過程為：先驅(qū)動第一功率管Q1 導(dǎo)通并且使第二功率管Q2關(guān)斷，然后初始化DC-DC變換器的PWM脈沖占空比DW較小的初 始值D。，使其每次W微小固定增量AD不斷增加，對于第k次，有
[0054] DG〇=D〇+k.AD(1)
[00巧]其中；
[005引 D似為脈沖占空比第k次增長后的值。
[0057] 同時，測量光伏電池的工作電壓Vd。似和工作電流Id?；?，計(jì)算當(dāng)前輸出功率P似：
[005引 P似=Vde似?IdeOO似
[0059] 與前一次輸出功率P化-1)比較，當(dāng)出現(xiàn)P(k) <?化-1)時，認(rèn)為此時的工作狀態(tài) 已接近最大功率點(diǎn)。令：
[0060] D化）=D〇+ (k-0.W?AD0)
[0061] 測量此時的工作電壓Vd。作為最大功率工作點(diǎn)電壓Vm。,，然后驅(qū)動第一功率管Q1關(guān) 斷、第二功率管Q2關(guān)斷，測量光伏電池的開路電壓V。。，然后驅(qū)動第二功率管Q2導(dǎo)通、第一 功率管Q1關(guān)斷，測量光伏電池的短路電流Is。，并采集此時電池溫度TW及空氣中PM2. 5濃 度C，即得到一對樣本狂(i)，(i))。實(shí)施例中，共獲取2450對樣本。
[00的]似訓(xùn)練模型
[006引和聲捜索算法化armonysearchalgorithm,服）是一種基于音樂原理的元啟發(fā) 型算法，具有很強(qiáng)的宏觀捜索能力W及尋優(yōu)的全局性。BP神經(jīng)網(wǎng)絡(luò)是一種基于有監(jiān)督的學(xué) 習(xí)、使用非線性的可導(dǎo)函數(shù)作為傳遞函數(shù)的前饋神經(jīng)網(wǎng)絡(luò)。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貶大量的輸 入-輸出模式映射關(guān)系，而無需事前揭示描述該種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是 使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和闊值，使網(wǎng)絡(luò)的誤差平方和最小。
[0064] 圖2為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練流程示意圖。訓(xùn)練過程由信息的正向傳播和誤差的反 向傳播階段組成。正向傳播中，輸入層各神經(jīng)元接收外界輸入信息，并傳遞給隱含層（可W 是多層）進(jìn)行信息處理，最后傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀 態(tài)。當(dāng)實(shí)際輸出與期望輸出不符時，說明網(wǎng)絡(luò)結(jié)構(gòu)的權(quán)值還不夠合理，該時進(jìn)入誤差的反向 傳播階段，即將誤差信號沿原通路逐層反傳計(jì)算，按誤差梯度下降的方法修正各層權(quán)值從 而使誤差最小。周而復(fù)始的該一學(xué)習(xí)過程，是各層權(quán)值不斷調(diào)整的過程，它一直進(jìn)行到網(wǎng)絡(luò) 輸出誤差達(dá)到期望值，或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。
[0065] BP網(wǎng)絡(luò)算法的具體步驟如下：
[006引1)網(wǎng)絡(luò)初始化遺所有加權(quán)系數(shù)為最小的隨機(jī)數(shù)。將BP網(wǎng)絡(luò)的各個權(quán)重W。和闊 值初始化為介于[-1,1]中的隨機(jī)數(shù)。設(shè)置最大迭代次數(shù)M和目標(biāo)誤差值，網(wǎng)絡(luò)誤差 平方和SSE的初值為0。
[0067] 2)給定輸入輸出訓(xùn)練集X及T。
[0068] 3)輸入信號正向傳播，計(jì)算隱含層和輸出層各神經(jīng)元相對于前一層i的凈輸入向 量I,'，
[ocm]其中；
[0072] Ij.為各神經(jīng)元相對于前一層i的凈輸入向量；
[0073] 為權(quán)值；
[0074] 日j為闊值；
[0075] 0為樣本的期望輸出。
[0076] 4)計(jì)算并檢驗(yàn)網(wǎng)絡(luò)誤差平方和SSE;
[0077] SSE = E (T廣Oj) 2 (6)
[007引其中，Tj為樣本的訓(xùn)練樣本輸出。判斷是否滿足訓(xùn)練結(jié)束條件，若迭代次數(shù)超過最 大迭代次數(shù)M或者網(wǎng)絡(luò)誤差平方和SSE小于目標(biāo)誤差值，則滿足訓(xùn)練結(jié)束條件，訓(xùn)練結(jié)束， 否則進(jìn)入5)。
[0079] 5)誤差反向傳播：根據(jù)樣本X所對應(yīng)的期望輸出向量Oj.，計(jì)算輸出層的各
[0080] 神經(jīng)元的誤差向量邸Rj:
[0081] ERRj=Oj(l-Oj)(T廣Oj) (7)
[0082] 對從最后一個到第一個隱含層的神經(jīng)元j，根據(jù)后一較高層中連接到j(luò)的所有神 經(jīng)元的誤差加權(quán)和來計(jì)算誤差向量ERRj.:
[008引ERRj'=Oj'(l-Oj')Ek巧RRkWj'k)巧）
[0084] 6)調(diào)整權(quán)值及闊值；將網(wǎng)絡(luò)中的各個權(quán)重向量Wy和闊值向量0浪照下式進(jìn)行調(diào) 整：
[0085] Wjj=Wij+aERRjOj(9)
[0086] 0j'= 0j'+址RRj(10)
[0087] 其中；a為學(xué)習(xí)率。
[0088] BP算法的主要缺點(diǎn)是訓(xùn)練結(jié)果受初始權(quán)值和闊值影響，不能保證權(quán)值及闊值收 斂到誤差平面的全局最小點(diǎn)，該是因?yàn)椴捎锰荻认陆捣赡墚a(chǎn)生一個誤差局部最小值，即 陷入局部最優(yōu)問題。和聲捜索算法具有全局尋優(yōu)的能力，因此，首先利用和聲捜索算法優(yōu)化 BP網(wǎng)絡(luò)初始權(quán)值和闊值，然后再采用梯度下降法繼續(xù)網(wǎng)絡(luò)的訓(xùn)練。該樣，可大大加快訓(xùn)練速 度并保證訓(xùn)練結(jié)果為全局最優(yōu)。
[0089] 圖3為和聲捜索算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法流程圖，具體改進(jìn)算法服-BP步驟如 下：
[0090] 1)初始化算法參數(shù)：算法參數(shù)包含初始化和聲記憶庫大?。℉armonyMemory Size,HM巧、和聲記憶庫保留概率（HarmonyMemoirConsideringRate,HMCR)、微調(diào)擾動 率（PitchAcUustingRate,PAR)、迭代次數(shù)（IterationNumber,IN)。HMS的大小是服的 一個重要參數(shù)，服之所W具有更強(qiáng)的全局捜索能力，很大程度上依賴于歷S的存在，一般來 說，歷S越大，找到全局最優(yōu)區(qū)域的能力越強(qiáng)。但由于服是多點(diǎn)開始的，隨著歷S的增大， 計(jì)算量將會變大，從而影響到達(dá)最優(yōu)解的速度。HMCR是和聲捜索的另一個重要因素，其取值 范圍是0到1之間的數(shù)，它決定每次迭代過程中新解產(chǎn)生的方式。在和聲捜索算法中，新解 產(chǎn)生時每個變量都依賴于HMCR，所WHMCR應(yīng)取較大的值。音調(diào)微調(diào)擾動率PAR在和聲捜索 算法中起控制局部捜