本申請涉及電子技術(shù)領(lǐng)域，尤其涉及一種光伏陣列的最大功率點跟蹤方法及系統(tǒng)。

背景技術(shù)：

MPPT控制器的全稱“最大功率點跟蹤”(Maximum Power Point Tracking)太陽能控制器，使傳統(tǒng)太陽能充放電控制器的升級換代。其能夠?qū)崟r偵測太陽能板的發(fā)電電壓，并追蹤最高電壓電流值，使系統(tǒng)以最大功率輸出對蓄電池充電。當(dāng)前使用的自尋優(yōu)MPPT算法有擾動觀察法和電導(dǎo)增量法等，但存在如追蹤速度慢，精準度低的問題。

技術(shù)實現(xiàn)要素：

本發(fā)明實施例提供了一種光伏陣列的最大功率點跟蹤方法及系統(tǒng)，用以解決現(xiàn)有技術(shù)中最大功率點跟蹤存在追蹤速度慢，精準度低的問題。

其具體的技術(shù)方案如下：

一種光伏陣列的最大功率點跟蹤方法，所述方法包括：

獲取在各個參數(shù)下的訓(xùn)練樣本以及測試樣本；

根據(jù)預(yù)設(shè)參數(shù)，確定反向傳播BP神經(jīng)網(wǎng)絡(luò)參數(shù)，并根據(jù)所述參數(shù)對所述BP神經(jīng)網(wǎng)絡(luò)進行初始化設(shè)置；

確定所述BP神經(jīng)網(wǎng)絡(luò)中的種群數(shù)目以及優(yōu)化目標；

判斷進化次數(shù)是否達到所述優(yōu)化目標；

若是，則獲得最優(yōu)神經(jīng)元初始權(quán)值以及閾值；

將期望值與輸出值進行誤差計算，并根據(jù)計算結(jié)果對初始權(quán)值以及閾值進行更新；

根據(jù)更新的初始權(quán)值以及閾值，判定是否達到指定檢測精度值；

若是，則訓(xùn)練結(jié)束，得到需要的BP神經(jīng)網(wǎng)絡(luò)；

運行所述BP神經(jīng)網(wǎng)絡(luò)，并調(diào)整所述BP神經(jīng)網(wǎng)絡(luò)的輸出電壓，以使所述BP神經(jīng)網(wǎng)絡(luò)運行至設(shè)定的最大功率點。

可選的，在確定所述BP神經(jīng)網(wǎng)絡(luò)中的種群數(shù)目以及優(yōu)化目標之后，并且在判斷進化次數(shù)是否達到所述優(yōu)化目標之前，所述方法還包括：

對神經(jīng)元初始值以以及閾值進行實數(shù)編碼；

對各個種群進行適應(yīng)度計算，得到適應(yīng)度計算結(jié)果；

循環(huán)進行指定操作，計算適應(yīng)度操作，直至達到進化次數(shù)。

可選的，所述方法還包括：

若進化次數(shù)未達到所述優(yōu)化目標，則重新對各個種群進行適應(yīng)度進行計算；

根據(jù)計算得到的結(jié)果，進行指定操作，直至達到進化次數(shù)。

可選的，所述方法還包括：

若所述檢測進度未達到所述指定檢測精度值，則重新進行期望值與輸出值的誤差計算，得到計算結(jié)果；

根據(jù)所述計算結(jié)果，對權(quán)值以及閾值進行更新。

一種光伏陣列的最大功率點跟蹤系統(tǒng)，所述系統(tǒng)包括：

獲取模塊，用于獲取在各個參數(shù)下的訓(xùn)練樣本以及測試樣本；

初始化模塊，用于根據(jù)預(yù)設(shè)參數(shù)，對反向傳播BP神經(jīng)網(wǎng)絡(luò)進行初始化設(shè)置；

處理模塊，用于確定反向傳播BP神經(jīng)網(wǎng)絡(luò)參數(shù)，并根據(jù)所述參數(shù)對所述BP神經(jīng)網(wǎng)絡(luò)進行初始化設(shè)置；確定所述BP神經(jīng)網(wǎng)絡(luò)中的種群數(shù)目以及優(yōu)化目標；判斷進化次數(shù)是否達到所述優(yōu)化目標；若是，則獲得最優(yōu)神經(jīng)元初始權(quán)值以及閾值；將期望值與輸出值進行誤差計算，并根據(jù)計算結(jié)果對初始權(quán)值以及閾值進行更新；根據(jù)更新的初始權(quán)值以及閾值，判定是否達到指定檢測精度值；若是，則訓(xùn)練結(jié)束，得到需要的BP神經(jīng)網(wǎng)絡(luò)，運行所述BP神經(jīng)網(wǎng)絡(luò)，并調(diào)整所述BP神經(jīng)網(wǎng)絡(luò)的輸出電壓，以使所述BP神經(jīng)網(wǎng)絡(luò)運行至設(shè)定的最大功率點。

可選的，所述處理模塊，還用于對神經(jīng)元初始值以以及閾值進行實數(shù)編碼；對各個種群進行適應(yīng)度計算，得到適應(yīng)度計算結(jié)果；循環(huán)進行指定操作，計算適應(yīng)度操作，直至達到進化次數(shù)。

可選的，所述處理模塊，還用于若進化次數(shù)未達到所述優(yōu)化目標，則重新對各個種群進行適應(yīng)度進行計算；根據(jù)計算得到的結(jié)果，進行指定操作，直至達到進化次數(shù)。

可選的，所述處理模塊，還用于若所述檢測進度未達到所述指定檢測精度值，則重新進行期望值與輸出值的誤差計算，得到計算結(jié)果；根據(jù)所述計算結(jié)果，對權(quán)值以及閾值進行更新。

綜上來講，通過分析BP與GA-BP神經(jīng)網(wǎng)絡(luò)算法對光伏陣列最大功率追蹤情況可以看出，隨著外界環(huán)境的變化，運用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)能夠以高精度，高速率的狀態(tài)，保持較準確追蹤最大功率點。

附圖說明

圖1為本發(fā)明實施例中一種光伏陣列的最大功率點跟蹤方法的流程圖；

圖2為本發(fā)明實施例中光伏電池的等效電路示意圖；

圖3為本發(fā)明實施例中的光伏板在不同環(huán)境下的輸出特性示意圖之一；

圖4為本發(fā)明實施例中的光伏板在不同環(huán)境下的輸出特性示意圖之二；

圖5為本發(fā)明實施例中的GA-BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖；

圖6為本發(fā)明實施例中的GA-BP神經(jīng)網(wǎng)絡(luò)流程示意圖；

圖7為本發(fā)明實施例中采用BP神經(jīng)網(wǎng)絡(luò)進行最大功率點的追蹤迭代情況示意圖；

圖8為本發(fā)明實施例中BP與GA-BP神經(jīng)網(wǎng)絡(luò)算法對光伏陣列最大功率追蹤情況示意圖；

圖9為本發(fā)明實施例中一種光伏陣列的最大功率點跟蹤系統(tǒng)的結(jié)構(gòu)示意圖。

具體實施方式

下面通過附圖以及具體實施例對本發(fā)明技術(shù)方案做詳細的說明，應(yīng)當(dāng)理解，本發(fā)明實施例以及實施例中的具體技術(shù)特征只是對本發(fā)明技術(shù)方案的說明，而不是限定，在不沖突的情況下，本發(fā)明實施例以及實施例中的具體技術(shù)特征可以相互組合。

如圖1所示為本發(fā)明實施例中一種光伏陣列的最大功率點跟蹤方法的流程圖，該方法包括：

S101，獲取在各個參數(shù)下的訓(xùn)練樣本以及測試樣本；

S102，根據(jù)預(yù)設(shè)參數(shù)，確定反向傳播BP神經(jīng)網(wǎng)絡(luò)參數(shù)，并根據(jù)所述參數(shù)對所述BP神經(jīng)網(wǎng)絡(luò)進行初始化設(shè)置；

S103，確定所述BP神經(jīng)網(wǎng)絡(luò)中的種群數(shù)目以及優(yōu)化目標；

S104，判斷進化次數(shù)是否達到所述優(yōu)化目標；

S105，若是，則獲得最優(yōu)神經(jīng)元初始權(quán)值以及閾值；

S106，將期望值與輸出值進行誤差計算，并根據(jù)計算結(jié)果對初始權(quán)值以及閾值進行更新；

S107，根據(jù)更新的初始權(quán)值以及閾值，判定是否達到指定檢測精度值；

S108，若是，則訓(xùn)練結(jié)束，得到需要的BP神經(jīng)網(wǎng)絡(luò)；

S109，運行所述BP神經(jīng)網(wǎng)絡(luò)，并調(diào)整所述BP神經(jīng)網(wǎng)絡(luò)的輸出電壓，以使所述BP神經(jīng)網(wǎng)絡(luò)運行至設(shè)定的最大功率點。

具體來講，在本發(fā)明實施例中，通過分析光伏特性曲線進行最大功率點追蹤。建立過程主要分為：GA-BP神經(jīng)網(wǎng)絡(luò)算法的設(shè)計，以及光伏陣列的SMINULINK仿真模型建立。

第一部分：光伏電池數(shù)學(xué)模型的建立及特性分析：光伏電池的輸出特性指在一定的環(huán)境溫度和光照強度下，電池的輸出電壓與電流之間的關(guān)系以及輸出的電壓及對應(yīng)的功率關(guān)系。根據(jù)電子學(xué)理論，可以得出光伏電池的等效電路如圖2。

光伏電池等效電路，可以等價為一個電流源的非線性原件，圖2中，I_L為光生電流，其值的大小受環(huán)境的溫度和光照強度影響，I_D為流經(jīng)二極管的電流，I為光伏電池輸出的負載電流，U_D為等效二極管的端電壓，在無光照的情況下，光伏電池的基本行為特征類似于一個普通的二極管；U為負載兩端電壓，R_L為電池的負載電阻，R_s為等效串聯(lián)電阻，R_sh為等效并聯(lián)電阻。因為光伏電池的性能指標會因為外部環(huán)境的因素而受到影響，為了使所建立的數(shù)學(xué)模型可以很好的反應(yīng)出光伏電池的實際特性曲線，一般根據(jù)不同的光伏電池制造商，在標準工作狀態(tài)下采用不同的參數(shù)：I_sc、U_oc、U_m、I_m，其中，I_m為最大功率點電流，U_m為最大功率點電壓，由此可以簡化出一個近似的工程使用模型，如式：

考慮到環(huán)境與溫度和光伏電池溫度之間的關(guān)系，電池溫度T和環(huán)境溫度T_space、光照強度S關(guān)系為：

T＝T_space+KS (2)

其中(2)式中K為比例常數(shù)，值為:K＝0.005℃·m²·W^-1；

將對光伏電池有影響的外部環(huán)境因素加入公式內(nèi)，分別可得出光伏電池的開路電壓U_oc，短路電流I_sc，最大功率點電壓U_m，最大功率點電流I_m的對應(yīng)表達式如下：

式中部分變量為：

其中，S_ref與T_ref取標準環(huán)境下的基準值，即T_ref＝25°，S_ref＝1000W/m²a,b,c是常數(shù)系數(shù)因子；

通過以上光伏陣列等效電路所得出的方程，可以通過SIMULINK仿真出光伏板在不同環(huán)境下的輸出特性如圖3、4。在完成第一部分之后，則對神經(jīng)網(wǎng)絡(luò)進行搭建，具體的如第二部分所示。

第二部分：神經(jīng)網(wǎng)絡(luò)建(a)設(shè)置BP神經(jīng)網(wǎng)絡(luò)參數(shù)的初始化，設(shè)置輸入層神經(jīng)元數(shù)2個，隱層神經(jīng)元數(shù)5個，輸出神經(jīng)元1個(b)初始化種群，并對種群編碼，考慮到最大功率點的追蹤精度，以及算法求解過程的非必要編碼與解碼，在此采用浮點型實數(shù)對基因編碼；(c)選擇預(yù)測數(shù)據(jù)與期望數(shù)據(jù)之間誤差作為適應(yīng)度函數(shù)；(d)循環(huán)進行選擇，交叉，變異，計算適應(yīng)度操作，直到達到進化次數(shù)，在此選擇輪盤賭的方法進行個體的選擇如式(5)，概率P_si反應(yīng)了個體i的適應(yīng)度值在整個群體適應(yīng)度總和所占的比例，此值越大，個體的適應(yīng)度值越大；適應(yīng)度函數(shù)采用式(6)，其中E為期望輸出與實際輸出的誤差平方和；(e)得到最優(yōu)的初始權(quán)值和閾值；(f)利用遺傳算法解出的最優(yōu)初始權(quán)值和閾值，進行BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練；GA-BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖5；其基本流程如圖6；

在光伏陣列最大功率追蹤前，首先通過其在不同的光照、溫度情況下對應(yīng)的P-U輸出特性中獲取不同情況下最大功率值的訓(xùn)練樣本以及測試樣本，其中每組數(shù)據(jù)一共包括三個值--(溫度，光照，最大功率點)；對于BP的訓(xùn)練網(wǎng)絡(luò)的參數(shù)初始化，輸入層傳遞函數(shù)采用tansig型，輸出層函數(shù)采用purelin型，訓(xùn)練函數(shù)采用trainlm型。運用MATLAB/SIMLINK搭建光伏陣列MPPT數(shù)學(xué)模型如圖6。

圖6中的MPPT模塊運用了基于GA-BP人工神經(jīng)網(wǎng)絡(luò)最大功率點的追蹤算法，在光伏陣列運行過程中，修改輸入的溫度以及光照強度，此時，運行已經(jīng)訓(xùn)練的GA-BP神經(jīng)網(wǎng)絡(luò)進行追蹤，通過BOOST電壓模塊，調(diào)節(jié)其晶體管的占空比，從而改變光伏陣列的輸出電壓并讓其工作于GA-BP神經(jīng)網(wǎng)絡(luò)所預(yù)測的最大功率點；如圖7為分別采用BP神經(jīng)網(wǎng)絡(luò)(右圖)，GA-BP神經(jīng)網(wǎng)絡(luò)(左圖)進行最大功率點的追蹤迭代情況；圖8為BP與GA-BP神經(jīng)網(wǎng)絡(luò)算法對光伏陣列最大功率追蹤情況。

綜上來講，通過分析圖8BP與GA-BP神經(jīng)網(wǎng)絡(luò)算法對光伏陣列最大功率追蹤情況可以看出，隨著外界環(huán)境的變化，運用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)能夠以高精度，高速率的狀態(tài)，保持較準確追蹤最大功率點。

進一步，在本發(fā)明實施例中，還提供了一種光伏陣列的最大功率點跟蹤系統(tǒng)，如圖9所述為本發(fā)明實施例中一種光伏陣列的最大功率點跟蹤系統(tǒng)的結(jié)構(gòu)示意圖，該系統(tǒng)包括：

獲取模塊901，用于獲取在各個參數(shù)下的訓(xùn)練樣本以及測試樣本；

初始化模塊902，用于根據(jù)預(yù)設(shè)參數(shù)，對反向傳播BP神經(jīng)網(wǎng)絡(luò)進行初始化設(shè)置；

處理模塊903，用于確定反向傳播BP神經(jīng)網(wǎng)絡(luò)參數(shù)，并根據(jù)所述參數(shù)對所述BP神經(jīng)網(wǎng)絡(luò)進行初始化設(shè)置；確定所述BP神經(jīng)網(wǎng)絡(luò)中的種群數(shù)目以及優(yōu)化目標；判斷進化次數(shù)是否達到所述優(yōu)化目標；若是，則獲得最優(yōu)神經(jīng)元初始權(quán)值以及閾值；將期望值與輸出值進行誤差計算，并根據(jù)計算結(jié)果對初始權(quán)值以及閾值進行更新；根據(jù)更新的初始權(quán)值以及閾值，判定是否達到指定檢測精度值；若是，則訓(xùn)練結(jié)束，得到需要的BP神經(jīng)網(wǎng)絡(luò)，運行所述BP神經(jīng)網(wǎng)絡(luò)，并調(diào)整所述BP神經(jīng)網(wǎng)絡(luò)的輸出電壓，以使所述BP神經(jīng)網(wǎng)絡(luò)運行至設(shè)定的最大功率點。

進一步，在本發(fā)明實施例中，所述處理模塊903，還用于確定反向傳播BP神經(jīng)網(wǎng)絡(luò)參數(shù)，并根據(jù)所述參數(shù)對所述BP神經(jīng)網(wǎng)絡(luò)進行初始化設(shè)置；確定所述BP神經(jīng)網(wǎng)絡(luò)中的種群數(shù)目以及優(yōu)化目標；判斷進化次數(shù)是否達到所述優(yōu)化目標；若是，則獲得最優(yōu)神經(jīng)元初始權(quán)值以及閾值；將期望值與輸出值進行誤差計算，并根據(jù)計算結(jié)果對初始權(quán)值以及閾值進行更新；根據(jù)更新的初始權(quán)值以及閾值，判定是否達到指定檢測精度值；若是，則訓(xùn)練結(jié)束，得到需要的BP神經(jīng)網(wǎng)絡(luò)。

進一步，在本發(fā)明實施例中，所述處理模塊903，還用于對神經(jīng)元初始值以以及閾值進行實數(shù)編碼；對各個種群進行適應(yīng)度計算，得到適應(yīng)度計算結(jié)果；循環(huán)進行指定操作，計算適應(yīng)度操作，直至達到進化次數(shù)。

所述處理模塊903，還用于若進化次數(shù)未達到所述優(yōu)化目標，則重新對各個種群進行適應(yīng)度進行計算；根據(jù)計算得到的結(jié)果，進行指定操作，直至達到進化次數(shù)。

進一步，在本發(fā)明實施例中，所述處理模塊903，還用于若所述檢測進度未達到所述指定檢測精度值，則重新進行期望值與輸出值的誤差計算，得到計算結(jié)果；根據(jù)所述計算結(jié)果，對權(quán)值以及閾值進行更新。

盡管已描述了本申請的優(yōu)選實施例，但本領(lǐng)域內(nèi)的普通技術(shù)人員一旦得知了基本創(chuàng)造性概念，則可對這些實施例作出另外的變更和修改。所以，所附權(quán)利要求意欲解釋為包括優(yōu)選實施例以及落入本申請范圍的所有變更和修改。

顯然，本領(lǐng)域的技術(shù)人員可以對本申請進行各種改動和變型而不脫離本申請的精神和范圍。這樣，倘若本申請的這些修改和變型屬于本申請權(quán)利要求及其等同技術(shù)的范圍之內(nèi)，則本申請也意圖包含這些改動和變型在內(nèi)。