基于蛙跳和模式搜索神经网络的光伏系统MPPT方法

技术领域

本发明涉及一种光伏系统MPPT方法，尤其涉及一种基于蛙跳和模式搜索神经网络的光伏系统MPPT方法。

背景技术

近年来，针对光伏PV电站最大功率点跟踪MPPT的研究层出不穷，各种文献中也提出了很多控制方法，它们对光伏系统的不同最大功率点跟踪方法进行了能量效率、能量转换、动态性能和不同环境条件下的可靠性等方面的研究评价。在各种最大功率点跟踪方法中，人工神经网络ANN最大功率点跟踪方法因其较强的抗噪能力和无需太阳系物理参数的先验信息而名声大噪。

用于神经网络的样本分为训练样本和测试样本，训练样本的质量一定程度上决定着预测精度。如果训练样本选取的不合适，严重影响神经网络的精度。

发明内容

发明目的：本发明旨在提供一种基于蛙跳和模式搜索神经网络的光伏系统MPPT方法，解决神经网络样本数据集质量不高，最大功率点跟踪不精确的问题。

技术方案：本发明所述的基于蛙跳和模式搜索神经网络的光伏系统MPPT方法包括以下步骤

(1)获得光伏组件的温度和辐照度，采用神经网络获得最大功率点参考电压；

(2)控制器根据参考电压与光伏组件的测量电压的误差获得输出量；

(3)增强型扰动观测器P&Q根据测量电压、测量电流和控制器的输出量获得斩波电路的控制量，使光伏系统随着光照变化稳定工作在最大功率点上。

步骤(1)中，采用混合蛙跳和模式搜索算法获得神经网络的样本数据集，包括以下步骤

(11)获得光伏组件实际测量的温度、辐照度和最大功率的数据集；

(12)在数据集中采用混合蛙跳算法获得神经网络的样本数据集；

(13)采用步骤(12)中的样本数据集作为模式搜索算法的初始值，采用模式搜索获得神经网络的样本数据集；

(14)采用样本数据集训练和测试神经网络。

步骤(12)中混合蛙跳算法包括以下步骤：

(121)初始化，确定蛙群的数量、种群以及每个种群的青蛙数；

(122)随机产生初始蛙群，计算各个蛙的适应值；

(123)按适应值大小降序排序并记录最优解，并将蛙群分成族群；

(124)根据局部搜算算法，在每个族群中元进化；

(125)将各个族群混合，在每个族群都进行过一轮元进化之后，将各个族群中的蛙重新进行排序和族群划分并获得全局最优解；

(126)判断是否满足收敛条件，如果满足，则执行步骤(127)；不满足则执行步骤(123)；

(127)停止搜索，获得最优解，构成神经网络样本数据集。

步骤(13)中模式搜索算法包括以下步骤：

(131)从步骤(12)中获得初始值；

(132)判断结束条件是否满足，如果满足，执行步骤(137)，如果不满足，执行步骤(133)；

(133)设置起点；

(134)构建模式向量和创建网络点；

(135)计算网络点；

(136)判断调查是否成功，如果成功则扩大网络尺寸后，执行步骤(132)，如果不成功，则缩小网络尺寸，执行步骤(132)；

(137)获得最优解，构成神经网络样本数据集。

步骤(1)中，神经网络包括输入层、隐含层和输出层；所述输入层和隐含层为Tansig传递函数，输出层为Purelin传递函数。

步骤(1)中神经网络输入层有13个神经元，隐含层有10个神经元，输出层有1个神经元。

步骤(3)中增强型扰动观测器P&O包括以下步骤：

(31)测量当前t时刻光伏电池的电流I(t)和电压V(t)，获得其功率P(t)＝V(t)*I(t)；

(32)获得变步长Step(t)＝k[V(t)-V

(33)判断t时刻和t-1时刻功率的差值P(t)-P(t-1)，如果P(t)-P(t-1)＝0，执行步骤(38)；如果P(t)-P(t-1)>0，执行步骤(34)；如果P(t)-P(t-1)<0，执行步骤(35)；

(34)判断V(t)-V(t-1)是否大于0，如果是，则执行步骤(36)，否则执行步骤(37)；

(35)判断V(t)-V(t-1)是否大于0，如果是，则执行步骤(37)，否则执行步骤(36)；

(36)V

(37)V

(38)返回步骤(31)。

采用PQ控制器控制主电网逆变器。

步骤(1)中采用混合蛙跳和模式搜索算法获得训练神经网络的样本数据集，包括以下步骤：

(B11)初始化蛙群；

(B12)按适应值光伏组件的输出功率大小进行降序排序并记录最优解，并且将蛙群分成族群；

(B13)根据局部搜算算法，在每个族群中元进化；

(B14)将各个族群进行混合，在每个族群都进行过一轮元进化之后，将各个族群中的蛙重新进行排序和族群划分并记录全局最优解；

(B15)判断是否达到最大迭代次数，如果是，则执行步骤(B16)，否则执行步骤(13)；

(B16)判断是否满足收敛条件，如果满足，则执行步骤(B18)，否则执行步骤(B17)；

(B17)执行模式搜索算法，并执行步骤(B12)；

(B18)输出最优解，构成神经网络的样本数据集。

步骤(2)中的控制器为PI控制器

有益效果：与现有技术相比，本发明具有如下显著优点：

(1)引入温度和辐照度两个量作为神经网络输入变量，最大功率点电压为神经网络输出变量；采用混合重组蛙跳和模式搜索算法HSFL-PS，对并网光伏系统中基于神经网络的最大功率点跟踪进行优化。

(2)跟踪周期过程采用扰动观测技术，在训练神经网络和确定神经元权重后，启动精确的跟踪方案。

(3)本发明最大功率点跟踪方法在响应速度和精度方面具有优越的性能；它在稳态和辐照度不断变化的情况下可以提供最高的追踪效率和最快的响应时间，响应时间为11秒。

附图说明

图1为本发明的结构示意图；

图2本发明蛙跳和模式搜索方法流程图；

图3本发明输入辐照和温度数据图；

图4本发明的训练数据；

图5本发明的训练误差百分比；

图6本发明的网络训练回归图；

图7本发明实施例1中的最大可用功率的性能；

图8本发明实施例1中的有功功率由电池提供；

图9本发明实施例1中的不同辐照度下最大功率点跟踪值；

图10本发明实施例1中的跟踪效率；

图11本发明实施例1中的跟踪响应时间；

图12本发明实施例1中的最大功率点周围振荡；

图13本发明实施例2中的最大可用功率的性能；

图14本发明实施例2中的有功功率由电池提供；

图15本发明实施例2中的不同辐照度下最大功率点跟踪值；

图16本发明实施例2中的跟踪效率；

图17本发明实施例2中的跟踪响应时间；

图18本发明实施例2中的最大功率点周围振荡。

具体实施方式

下面结合附图对本发明的技术方案作进一步说明。

光伏系统的方框图如图1所示。整个系统包括光伏阵列模块、蓄电池、升压斩波电路、逆变器、滤波器和最大功率点跟踪控制器，光伏阵列模块的输出与升压斩波电路的输入连接，升压斩波电路的输出和蓄电池与逆变器的输入连接，逆变器的输出通过滤波器给负责供电。最大功率点跟踪控制器根据光伏阵列的温度和辐照度，以及实测电流和电压获得主电网斩波电路的控制量，使光伏系统随着光照变化稳定工作在最大功率点上。

本发明最大功率点跟踪控制器包括采用混合蛙跳(HSFL)和模式搜索(PS)优化的神经网络(ANN)，PI控制器和扰动观测器(P&Q)，神经网络根据光伏系统的温度和辐照度，获得最大功率点参考电压；PI控制器根据光伏系统参考电压和测量电压的误差获得输出量；增强型扰动观测器(P&Q)根据测量电压、测量电流和控制器的输出量获得主电网斩波电路的控制量，使光伏系统随着光照变化稳定工作在最大功率点上。

本实施例中利用MATLAB和Simulink软件进行了仿真测试，验证了本发明的最大功率点跟踪方法的性能。首先对光伏系统进行了混合动力系统建模，包括光伏组件模型、电池模型和主电网的电压源逆变器VSI的模型。

光伏组件的模型采用带有二极管管和电阻的光伏模型。采用并联电阻和串联电阻的主要原因是光伏二极管的p-n结和半导体分别是非理想的和带有电阻的。光伏组件可以通过串联或并联来实现各种配置，以达到所需的电压和电流。为了实现所提出的控制器，实施例中采用了一个90瓦的红日光伏模块。光伏组件详细信息及参数见表1。

本实施例中，逆变器采用了PQ控制器，通过调节逆变器电流的幅值和相位角，便可将预先设定好的有功和无功功率输送到主电网中。

本实施例中采用神经网络进行最大功率点跟踪。神经网络隐层神经元的数目对网络的准确性起着至关重要的作用，训练数据集和输入参数的组合也是影响网络精度的因素，而拟合工具的结果在任何时候都不相同的主要原因是初始权值和偏差值的随机选择。为了得到最佳结果，对神经元数量相同的网络进行50次运行后，再对其训练，以得到验证。神经网络模型中使用了输入层、隐含层和输出层三种不同层。

本专利将光伏组件的电压作为控制参数，设计了基于电压的最大功率点跟踪器方法。由于参考电压受太阳辐照度和电池温度的影响很大，因此，为了在最大功率点上发挥作用，利用了神经网络来实时确定参考电压。通过实验测量，得到了训练神经网络的数据集，由此在输入太阳辐照度和电池温度和输出最大功率点之间建立了关系。本实施例中神经网络方案包括三层，输入层有13个神经元，隐含层有10个神经元，输出层有1个神经元。

神经网络的性能跟它的训练数据集有很大的关系，本专利采用混合蛙跳和模式搜索的算法获得了神经网络的样本数据集。

混合蛙跳算法主要优点计算简单、参数少、无需导数、易于编程和灵活性强。该算法的另一个优点是在探索和操作阶段之间能够保持适当的平衡，这也使得它的性能优于其他算法。本专利获得混合蛙跳算法在优化挑战改进过程中的差异。为了提高该算法的性能，本专利增加了它与其他优化问题的兼容性，从而进一步增加了其复杂性。相反，模式搜索算法非常适合用于局部搜索，但并不适合于全局搜索，因此，单独将算法用于优化问题可能并无成效。将模式搜索算法和混合蛙跳算法相结合的主要原理是可以减缓蛙跳频率，以便搜索代理在后续步骤中不会超越过去的最优解，从而不会陷入局部最优解。混合蛙跳算法可以提高与全局搜索相关的探索阶段能力，而模式搜索算法可以提高与局部搜索相关的开发阶段能力。混合蛙跳算法试图探索搜索空间，并找到合适的解决方案；模式搜索算法的目的是改进算法的求解，避免搜索空间上的巨大跳跃间隙。

所以本专利先采用混合蛙跳算法获得训练神经网络的训练数据集；再采用训练样本数据集作为模式搜索算法的初始值，采用模式搜索获得训练神经网络的训练数据集。

混合蛙跳算法是群优化算法的一个子集，可以使用一个数学函数在最优解中触发一个新的搜索，它包含了模因算法MA和粒子群算法的全部优点，该算法参数少、速度快、优化能力强、计算简单。该算法由多个具有相似结构的青蛙种群组成，每个青蛙可以提供一个特定的解。一般来说，一个种群被分成的几个子集被称为模因，模因是一种具有不同行为的青蛙新种群，它们利用局部策略来进行局部搜索。在每一个亚种群模因中，每只青蛙的行为都基于自己的想法，同时也受到群体的影响。

模式搜索算法为其提供初始点，起始点为X

图2给出第一种混合重组蛙跳和模式搜索算法的流程图。由图2可知，步骤(1)中，采用混合蛙跳和模式搜索算法获得神经网络的样本数据集，包括以下步骤

(11)获得光伏组件实际测量的温度、辐照度和最大功率的数据集；

(12)在数据集中采用混合蛙跳算法获得神经网络的样本数据集；

(13)采用步骤(12)中的样本数据集作为模式搜索算法的初始值，采用模式搜索获得神经网络的样本数据集；

(14)采用样本数据集训练和测试神经网络。

步骤(12)中混合蛙跳算法包括以下步骤：

(121)初始化，确定蛙群的数量、种群以及每个种群的青蛙数；

(122)随机产生初始蛙群，计算各个蛙的适应值；

(123)按适应值大小降序排序并记录最优解，并将蛙群分成族群；

(124)根据局部搜算算法，在每个族群中元进化；

(125)将各个族群混合，在每个族群都进行过一轮元进化之后，将各个族群中的蛙重新进行排序和族群划分并获得全局最优解；

(126)判断是否满足收敛条件，如果满足，则执行步骤(127)；不满足则执行步骤(123)；

(127)停止搜索，获得最优解，构成神经网络样本数据集。

步骤(13)中模式搜索算法包括以下步骤：

(131)从步骤(12)中获得初始值；

(132)判断结束条件是否满足，如果满足，执行步骤(137)，如果不满足，执行步骤(133)；

(133)设置起点；

(134)构建模式向量和创建网络点；

(135)计算网络点；

(136)判断调查是否成功，如果成功则扩大网络尺寸后，执行步骤(132)，如果不成功，则缩小网络尺寸，执行步骤(132)；

(137)获得最优解，构成神经网络样本数据集。

本发明还可以采用第二种混合重组蛙跳和模式搜索算法。此时步骤(1)包括以下步骤：

(B11)初始化蛙群；

(B12)按适应值光伏组件的输出功率大小进行降序排序并记录最优解，并且将蛙群分成族群；

(B13)根据局部搜算算法，在每个族群中元进化；

(B14)将各个族群进行混合，在每个族群都进行过一轮元进化之后，将各个族群中的蛙重新进行排序和族群划分并记录全局最优解；

(B15)判断是否达到最大迭代次数，如果是，则执行步骤(B16)，否则执行步骤(13)；

(B16)判断是否满足收敛条件，如果满足，则执行步骤(B18)，否则执行步骤(B17)；

(B17)执行模式搜索算法，并执行步骤(B12)；

(B18)输出最优解，构成神经网络的样本数据集。

扰动观测器P&O方法由于操作过程简便，成为了最大功率点跟踪中的常用方法，它是通过一个电压传感器来实现对光伏模块电压的测量，具有较高的成本效益，并且易于实现。该算法在达到最大功率点的时间上具有很小的复杂度。然而，该算法在最大功率点附近没有较好的保持能力，而且在最大功率点周围的两个方向上都存在扰动，因此，它在同一点上包含多个局部极大值。该算法的第一步是测量太阳能组件的电流和电压，并计算其功率，此时所测量的电压和电流并没有被储存起来，因此在增加的方向上会产生一个微小的波动。接下来，再次测量所有值以计算更新后的功率，因此，可以通过调节最大功率来实现占空比。在变化的环境中，如辐射和环境温度的变化，最大功率点会偏离其正常值；在下一次迭代中，这个点在另一个方向上会发生变化，并偏离先前的最大功率点，因此，会导致多个局部最大值点。简言之，这会导致最大功率点偏离其原始位置。本发明使用增强的扰动观测P&O方法，可以解决这些问题。步骤(3)中增强型扰动观测器P&O包括以下步骤：

(31)测量当前t时刻光伏电池的电流I(t)和电压V(t)，获得其功率P(t)＝V(t)*I(t)；

(32)获得变步长Step(t)＝k[V(t)-V

(33)判断t时刻和t-1时刻功率的差值P(t)-P(t-1)，如果P(t)-P(t-1)＝0，执行步骤(38)；如果P(t)-P(t-1)>0，执行步骤(34)；如果P(t)-P(t-1)<0，执行步骤(35)；

(34)判断V(t)-V(t-1)是否大于0，如果是，则执行步骤(36)，否则执行步骤(37)；

(35)判断V(t)-V(t-1)是否大于0，如果是，则执行步骤(37)，否则执行步骤(36)；

(36)V

(37)V

(38)返回步骤(31)。

仿真中，每个光伏组件模块由九个串联模块和九个并联模块组成。为了评估光伏电池板的性能，太阳能系统被排成一列放置在不同的位置，以接受不同的辐照度和温度。仿真的主要目的是得到所提出的最大功率点跟踪在快速变化的辐照度和温度下的动态和稳态改进性能，并与传统方法进行比较。发电装置供给7.3kW的局部负荷，剩余的电力被注入电网。

启用大范围测试的主要原因是为了保证最大功率点跟踪控制器在各种环境环境中的正确功能。如图3所示，用于训练神经网络的数据集支持的辐照度范围为0.05kW/m

如图4所示，训练网络的输出必须接近混合蛙跳模式搜索算法的优化输出，可容许的平方和为10

实施例1

为了模拟云快速通过太阳能电池板的条件，在25℃的恒温条件下，本实施例考虑了光伏电池板上不同的辐射条件。阶跃变化在每一秒间隔发生，如下所示。

状态1：200W/m

状态2：400W/m

状态3：600W/m

状态4：800W/m

状态5：300W/m

状态6：1000W/m

其中，12～14秒的最大辐照度值为1kW/m

图7描述了提出的最大功率点跟踪方法在不同辐照度下最大可用功率的性能。由此可见，在不同的最大功率点跟踪技术相比之下，本发发明提出的最大功率点跟踪方法性能更佳。在1000W/m

表2各种优化技术的统计度量

实施例2

模拟的目的是在假定隔离常数为1000W/m

状态1：57℃且0

状态2：48℃且2.5

状态3：41℃且7

图13给出了在瞬时情况下功率和放大功率的比较。可以看出，该方法达到最大功率点的精度较高，即使在变化的天气条件下也能准确地进行跟踪。然而，太阳能系统的缺点是它非常依赖于天气情况，为了解决这一问题，引入的存储设备可以在稳态和动态条件下提供更多的可靠性和稳定性。光伏系统与蓄电池BES的结合可以形成稳定可靠的混合动力系统，如图14所示，BES能够应对可再生能源的随机行为。图15显示了不同方法下最大功率点的追踪功率。如图16所示，本文提出方法的效率为99.26％。

此外，本发明的最大功率点跟踪技术还具有可控的响应时间，能够以高收敛速度处理运行环境中的意外变化，并具有较强的稳态性能，如图17所示。与传统的最大功率点跟踪方法相比，该方法追踪到的最大功率点周围的波动幅度不大，如图18所示。