自适应BP神经网络在光伏MPPT中的应用

2012年3月

太阳能学报

Vol．33，No．3

Mar．，2012

ACTAENERGIAESOLARISSINICA

0096（2012）03-0468-05文章编号：0254-

自适应BP神经网络在光伏MPPT中的应用

胥芳，张任，吴乐彬，徐红伟（特种装备制造与先进加工技术教育部/浙江省重点实验室，浙江工业大学，杭州310014）

摘要：根据光伏电池的内部结构和输出伏安特性建立Matlab仿真模型。比较了扰动观察法（P＆O）、电导增量

法、恒定电压法、开路电压法和寄生电容法等几种光伏系统最大功率跟踪（MPPT）算法。由于这些算法存在在最大且受环境影响、鲁棒性较差等问题，提出一种基于神经网络的MPPT算法。将温度和光强作功率点附近扰动较大、

为输入变量，通过神经网络识别后可得到最大功率点。仿真表明所提出的方法具有良好的适应性，显著提高了光伏系统的转换效率。

关键词：太阳能；光伏系统；最大功率跟踪（MPPT）；神经网络；仿真中图分类号：TM615

文献标识码：A

0引言

电阻组成

［1］

。

常用的太阳能光伏电池主要是硅太阳电池。太

其输出功阳能光伏电池在不同温度和光照作用下，率呈非线性特征。为了提高输出效率和降低发电成

本，进而广泛推广光伏发电技术。为使光伏电池始终工作在最大功率输出点，出于成本、难度、复杂性和稳定性考虑，研究一种高效的最大功率输出（MPPT）算法具有重大现实意义。

目前，国内外学者提出了多种MPPT算法。常

［1］

用的有扰动观察法（P＆O）、电导增量法、恒定电压

［2］法、开路电压法和寄生电容法。这些算法结构简单，但在最大功率点附近扰动较大，且受环境影响，

图1Fig．1

光伏电池板等效电路图EquivalentcircuitofPVpanels

［2］

光伏电池的数学模型可表示为

I=IPH－I0e

：

（1）

[q（V+IRS）

nkT－1

]－

U+RSIRSH

RSH近似为无穷大，理想情况下RS可近似为零，

式（1）可简化为：

I=IPH－I0(enkT－1)

P=VI

qV

鲁棒性较差。近几年，神经网络理论的应用取得了较大发展，神经网络具有自适应特点，可以很好地拟合光伏电池的非线性特性。本文设计了神经网络控制器，使神经网络MPPT控制器具有参数自适应调控制效果通过仿真和试验加以证实。整，

（2）（3）

I———输出电流；IPH———光生电流；I0———反向式中，

——电子电荷；V———输出电压；RS———饱和电流；q—

——二极管品质因子；k———玻尔兹曼常串联电阻；n—

——开氏温度；RSH———并联电阻。数；T—

公式（2）表明光伏电池的输出功率是日照强度和温度的非线性函数。1．2

光伏电池的输出特性

为了更好地理解光伏电池的特性，根据公式（2）、（3）所示的光伏电池的非线性函数关系绘制出

1

1．1

光伏电池的特性

光伏电池的等效模型

根据光伏太阳电池板的内部结构和输出伏安特

性得到光伏方阵的等效电路如图1，它由一个受光强和温度影响的电流源并联一个二极管再串联一个

04-13收稿日期：2011-基金项目：浙江省开放式基金（2010EM003）

通讯作者：胥芳（1964—），女，博士、教授、博士生导师，主要从事农业工程、新能源技术方面的研究。fangx@zjut．edu．cn

3期胥芳等：自适应BP神经网络在光伏MPPT中的应用469

其在日照不同、结温相同和日照相同、结温不同情况

V、P-V特性曲线，如图2、图3。下的光伏电池I-图2为光伏电池日照强度不变、温度变化情况V和P-V特性曲线，下的一组I-从图2中可看出，光伏电池的结温对光伏电池的短路电流影响不大，随

着温度的上升输出短路电流仅略有增加。光伏电池的开路电压随电池结温上升而下降，且变化范围较大。光伏电池输出功率的总变化趋势与不同日照条件下的功率变化相似。但相同日照情况下其最大输出功率随电池温度的上升而下降，且最大功率点对应的工作电压随温度上升而下降

［3］

图3Fig．3

不同光强下光伏电池电压-电流（功率）曲线Voltage-Current（Power）curveofPVcellunder

differentinsolation

。

综上所述，光伏电池的输出功率与其所受的日照

强度、环境温度有密切关系。图4为根据公式（1）～（3）绘制出其在不同日照、不同结温情况下的光伏电池最大功率特性曲面。在不同外部环境情况下，光伏电池的输出功率会有较大变化。图5为所建立

DC-DC变换电系统的总体结构，主要由光伏电池、MOS管始终工作路、负载和神经网络控制器组成，

在开关状态，温度T和光强G是输入变量，通过神经网络识别后可得到最大功率点，它与系统实际工作的最大功率点之间有一个差值，此差值用来控制占空比α。

图2Fig．2

不同温度下光伏电池电压-电流（功率）曲线Voltage-Current（Power）curveofPVcellunder

differenttemperature

图3为光伏电池结温不变、日照强度变化情况下

V和P-V特性曲线，的一组I-从图3中可看出，光伏电池的短路电流随光照强度增强而变大，两者近似为比

例关系。光伏电池的开路电压在各种日照条件下变化不大。光伏电池的最大输出功率随光照强度增强而变大，且在同一日照环境下有唯一的最大输出功率输出功率随电池端电压上升点。在最大功率点左侧，

呈近似线性上升趋势。到达最大功率点后，输出功率

［3］开始快速下降，且下降速度远大于上升速度。

470太阳能学报33卷

2

2．1

BP神经网络的结构

BP神经网络的拓扑结构

BP学习算法的中心思想是调整权值使网络总

——时的输入和输出，对输入节点而言两者相当；wij—

输入层神经元j与隐含层神经元i之间的连接权值；——隐含层神经元i的阈值；M———输入层的节点θi—数，即输入个数。

隐含层第i个神经元的输出为：

p

opi=g（neti）

误差最小，即采用梯度搜索技术，以期使网络的实际

输出值与期望输出值的误差均方值最小。其网络学习过程是一种误差边向后传播边修正权系数的过程。BP神经网络特别适合非线性特征的拟合。通过多层神经网络系统，可精确地拟合光伏非线性系统。图6为本文设计的BP神经网络系统，包含输入层，隐含层，输出层3层。其中输入层有2层，隐含层有100层，输出层有1层。

［4］

（i=1，2，…，q）（5）

g（·）———激活函数。式中，

若对于每一样本p的输入模式的二次型误差函数为：

1Jp=

2

L

（tp∑ki=1

－opk）

2

（6）

则系统对所有N个训练样本的总误差函数为：

NNL

1p2

J=∑Jp=∑∑（tp（7）k－ok）2p=1p=1k=1输出层的任意神经元k在样本p作用时的加权

系数增量公式为：

p

wki（k+1）=wki（k）+ηδpkoi

（8）

隐含层的任意神经元k在样本p作用时的加权

系数增量公式为：

p

wij（k+1）=wij（k）+ηδpioj

（9）

图6Fig．6

神经网络的MPPT

从光伏模型可知，如果环境温度T和光强G已

就可确定最大功率点，本文在设计BP神经网络知，

的MPPT算法时，使用环境温度T、光强G和测试得

通过理论样本的训练，最后达到误差到的最大功率，

从而使输出得到期望的最大功率。该算法能收敛，

在短时间的训练下使模型逼近最大功率点，从而可显著提高功率跟踪的响应速度和精度。

NeuralnetworksforMPPT

一般来说，隐含层节点数太少，网络将不能建立

复杂的映射关系，使网络培训效果较差，容错性不理想；节点数过多，又使网络学习时间过长，误差也不

BP神经网络应有一个最佳隐含层一定最小。因此，

节点数。要根据设计者的经验和多次实验确定。本文根据设定的训练精度要求和训练过程不断调整后的结果得出2．2

［5］

3

3．1

算例仿真分析

仿真过程的实现

。

BP神经网络的学习过程

神经网络能够通过对样本的反向学习训练，不

使网络的输断改变网络的连接权值以及拓扑结构，

出值不断地接近期望的输出。

在训练网络的学习阶段，设有N个训练样本，首先假定用其中某一个样本p的输入｛x｝和输出｛t｝对网络进行训练，隐含层的第i个神经元在样本p作用下的输入为

net=

p

i

［6］M

p

p

本文采用MATLAB的神经网络工具箱进行仿

真，具体仿真步骤如下：

1）确定学习样本和目标样本

采用温度T、光强G和它们对应的最大功率点数据作为初始样本数据。2）建立BP神经网

选择隐层和输出层神经元传递函数分别为tansig和purelin，Marquardt网络算法采用Levenberg-算法trainlm。

3）训练网络直到其达到预定误差精度

在网络进行训练之前，需要设置训练参数，设学

训练时间为50s，训练误差为0．01，其习率为10%，

：

M

p

j

wijo∑j=1

－θi=

wijxp∑j

j=1

－θi

（4）

（i=1，2，…，q）

p

xp——分别为输入节点j在样本p作用式中，j和oj—

3期胥芳等：自适应BP神经网络在光伏MPPT中的应用471

余参数使用缺省值。

4）网络测试

对训练好的网络进行仿真，绘制网络输出曲线，并与原始数据曲线比较输出结果。5）性能误差的分析3．2仿真结果的对比、分析

本仿真实验的输入节点数为2个，输出节点数为1个。且网络经训练后均达到预定的精度要求，从训练过程曲线来看，网络的训练速度很快，经过一次循环迭代过程就达到要求的精度。

图7对比了训练前后的输出结果。从图7中可看出，得到的曲线和原始曲线的非线性曲线很接近，BP网络对MPPT有很好的跟踪效说明经过训练后，

应。网络非线性程度越高，对于BP网络的要求越则相同的网络逼近效果稍差。隐层神经元的数高，

目对于网络逼近效果也有影响，一般来说，隐层神经则BP网络逼近非线性的能力越强，而元数目越多，

同时网络训练所用的时间相对较长。隐层神经元数目太少，则BP网络逼近非线性的能力下降，网络不能很好地学习，需要训练的次数较多，训练精度也不够

［7］

图8Fig．8

实验输出误差

Experimentaloutputerror

动法的本质缺点即为阵列输出功率会在最大功率点

附近的小范围内反复振荡，而振荡的幅值则由算法的步长决定。而神经网络算法下，通过观察功率输出误差，训练参数的选择对于训练效果的影响较大。如果学习速率太大，将导致其误差值来回振荡；学习速率太小，则导致动量能量太小。一般情况下只能采用不同的学习速率进行对比尝试。对于训练必须给予足够的训练次数，能够克服缺点，以使其训练结果是最后稳定到最小值的结果

［8］

。根据经验公式确定一个参考值，然后依据多。

选择合适的隐层神经元数目。次实验结果进行调整，

仿真结果表明，神经网络算法对环境有很强的鲁棒性，基本可以对最大功率实施跟踪，具有很好的自适应能力。

4结论

本文在对光伏电池温度特性和光强特性理论分析的基础上，提出一种具有良好适应性的MPPT算——神经网络MPPT算法。仿真结果表明，法—相对于传统的MPPT算法，具有非线性映射能力、泛化能力和较强容错能力的BP神经网络在处理这方面问题中具有独特优势。使得运算速度明显快于其他方

图7训练后神经网络的输出结果Fig．7Trainedneuralnetworkoutput

法，避开了特征因数与判别目标的复杂关系描述，特别是公式的表达。网络可自己学习和记忆各输入量和输出量之间的关系。仿真表明，基于自适应BP神经网络的MPPT算法显著提高了不同环境下最大功率点的跟踪能力，从而使光伏系统的性能和效率显著提高。

［参考文献］

［1］崔

岩，蔡炳煌，李大勇．太阳能光伏系统MPPT控

图8对比了扰动观察法（P＆O）和BP神经网络

仿真过程中，两者采用的控法下最大功率跟踪情况，

制参数完全相同，而控制方法完全不同。扰动观测

法具有简单可靠、易实现的优点。但该方法由于不断干扰光伏阵列工作电压，故理论上虽然在某日照强度和环境温度下光伏阵列存在唯一的最大功率

却无法最终稳定运行在该最优点，可看到输出点，

功率误差曲线一直处于波动状态。因此，可以说扰

．太阳能学报，2006，27（6）：制算法的对比研究［J］

472

535—539．

太阳能学报33卷

J］．ElectricPowerSystemsResearch，2011，81systems［（1）：43—50．

［5］ChaouachiA，KamelRM，NagasakaK．Anovelmulti-modelneuro-fuzzy-basedMPPTforthree-phasegrid-con-nectedphotovoltaicsystem［J］．SolarEnergy，2010，84（12）：2219—2229．

［6］ChenWei，ShenHui，ShuBifen，etal．Evaluationof

performanceofMPPTdevicesinPVsystemswithstoragebatteries［J］．RenewableEnergy，2007，32（9）：1611—1622．

［7］HiyamaT，KouzumaS，ImakuboT．Identificationofoptimal

operatingpointofPVmodulesusingneuralnetworkforrealtimemaximumpowertrackingcontrol［J］．IEEETransactions1995，10（2）：360—367．onEnergyConversion，

［8］HiyamaT，KouzumaS，ImakuboT，etal．Evaluationof

neuralnetworkbasedrealtimemaximumpowertrackingcontrollerforPVsystem［J］．IEEETransactionsonEner-gyConversion，1995，10（3）：543—548．

［1］CuiYan，CaiBinghuang，LiDayong．Comparativestudies

ontheMPPTcontrolalgorithemsofsolarenergyphotovol-taicsystem［J］．ActaEnergiaeSolarisSinica，2006，27（6）：535—539．

［2］章丹艳，吴晓波，赵梦恋．光伏电池最大功率点跟踪

．浙江大学学报，2009，43（11）：芯片的设计［J］2000—2005．

［2］ZhangDanyan，WuXiaobo，ZhaoMenglian．Integrated

circuitdesignforsolarcellmaximumpowerpointtracking［J］．JournalofZhejiangUniversity，2009，43（11）：2000—2005．

［3］BahgatABG，HelwaNH，AhmadGE，etal．Maximum

powerpointtrakingcontrollerforPVsystemsusingneuralJ］．RenewableEnergy，2005，30（8）：1257—networks［1268．

［4］BenSalahC，OualiM．Comparisonoffuzzylogicand

neuralnetworkinmaximumpowerpointtrackerforPV

SELF-ADAPTIONBPNEURALNETWORKFORTHE

MAXIMUM-POWER-POINTTRACKINGINPHOTOVOLTAIC

XuFang，ZhangRen，WuLebin，XuHongwei

（KeyLaboratoryofE＆M（ZhejiangUniversityofTechnology），MinistryofEducation＆ZhejiangProvince，

ZhejiangUniversityofTechnology，Hangzhou310014，China）

Abstract：Matlabsimulationmodelwasestablishedaccordingtotheinternalstructureofthephotovoltaiccellsandoutputvoltagecharacteristics．Theperturbationandobservationmethod（P＆O），theincrementalconductancemethod，aconstantvoltagemethod，theopencircuitvoltageandtheparasiticcapacitancemethodandavarietyofPVsystemmaximumpowerpointtracking（MPPT）algorithmswerecompared．Sincethesealgorithmsdisturbanceinthevicinityofthemaximumpowerpointandaresubjecttoenvironmentalimpact，lessrobustness，aMPPTalgo-rithmbasedonneuralnetworks．Temperatureandlightintensityastheinputvariables，afteridentificationbytheneuralnetworktogetthemaximumpowerpoint．Simulationresultsshowedthattheproposedmethodhasgooda-daptability，significantlyimprovestheconversionefficiencyofphotovoltaicsystems．

Keywords：solarenergy；photovoltaicsystem；maximumpowerpointtracking；neuralnetwork；simulation