反向传播神经网络及其改进算法用于光伏MPPT的研究.pdf
《反向传播神经网络及其改进算法用于光伏MPPT的研究.pdf》由会员分享,可在线阅读,更多相关《反向传播神经网络及其改进算法用于光伏MPPT的研究.pdf(8页珍藏版)》请在咨信网上搜索。
1、第2 4卷 第3期空 军 工 程 大 学 学 报V o l.2 4 N o.32 0 2 3年6月J OURNA L O F A I R F O R C E E NG I N E E R I NG UN I V E R S I T YJ u n.2 0 2 3收稿日期:2 0 2 2-1 1-2 8基金项目:国家自然科学基金(1 2 0 6 4 0 2 7;6 2 0 6 5 0 1 4);江西省教育厅科学技术研究项目(G J J 2 2 0 4 3 0 2)作者简介:郁 纪(1 9 9 6-),男,江苏泰州人,硕士生,研究方向为光电信号检测、故障诊断。E-m a i l:1 4 5 3 5
2、0 2 9 0 9q q.c o m通信作者:肖文波(1 9 7 5-),男,江西南昌人,教授,研究方向为光电检测与信号处理。E-m a i l:x i a o w e n b o 1 5 7 01 6 3.c o m引用格式:郁纪,肖文波,吴华明,等.反向传播神经网络及其改进算法用于光伏MP P T的研究J.空军工程大学学报,2 0 2 3,2 4(3):8 0-8 7.YU J i,X I AO W e n b o,WU H u a m i n g,e t a l.R e s e a r c h o n B a c k P r o p a g a t i o n N e u r a l N
3、 e t w o r k a n d I t s I m p r o v e d A l g o r i t h m f o r MP P T o n P VJ.J o u r n a l o f A i r F o r c e E n g i n e e r i n g U n i v e r s i t y,2 0 2 3,2 4(3):8 0-8 7.反向传播神经网络及其改进算法用于光伏MP P T的研究郁 纪1,肖文波1,2*,吴华明1,周 恒1(1.南昌航空大学无损检测技术教育部重点实验室,南昌,3 3 0 0 6 3;2.南昌航空大学科技学院,南昌,3 3 0 0 6 3)摘要 研
4、究了反向传播神经网络(B P NN)、粒子群优化反向传播神经网络(P S O-B P NN)、萤火虫优化反向传播神经网络(F A-B P NN),以及斐波那契优化反向传播神经网络(I M-F S M-B P NN)用于光伏组件在局部阴影下最大功率点的跟踪,以及上述算法在太阳能无人机中飞行光伏发电跟踪。结果首先表明,局部阴影下,I M-F S M-B P NN功率预测精度最低,跟踪时间最长,鲁棒性差,原因是控制参数多,依赖参数初始值。F A-B P NN功率预测精度最高且鲁棒性较好,原因是在训练过程中有效避免梯度消失的问题。其次,在样本数据量增加和太阳能无人机的应用中,发现F A-B P NN的
5、预测效果好和I M-F S M-B P NN的局限性。最后,探讨了参数变化对预测结果的影响。I M-F S M-B P NN、P S O-B P NN和F A-B P NN较B P NN更适用于多样本数据预测,I M-F S M-B P NN相较于其他3种算法更适用于较小的学习率,4种算法的平均跟踪时间和功率平均预测精度随隐含层节点数震荡。关键词 太阳能无人机;光伏组件;最大功率点跟踪;神经网络;混合算法D O I 1 0.3 9 6 9/j.i s s n.2 0 9 7-1 9 1 5.2 0 2 3.0 3.0 1 1中图分类号 V 2 4 2.9 文献标志码 A 文章编号 2 0 9
6、7-1 9 1 5(2 0 2 3)0 3-0 0 8 0-0 8 R e s e a r c h o n B a c k P r o p a g a t i o n N e u r a l N e t w o r k a n d I t s I m p r o v e d A l g o r i t h m f o r MP P T o n P VYU J i1,X I AO W e n b o1,2*,WU H u a m i n g1,Z HOU H e n g1(1.K e y L a b o r a t o r y o f N o n d e s t r u c t i v e T
7、e s t i n g,M i n i s t r y o f E d u c a t i o n,N a n c h a n g H a n g k o n g U n i v e r s i t y,N a n c h a n g 3 3 0 0 6 3,C h i n a;2.S c i e n c e a n d T e c h n o l o g y C o l l e g e o f N a n c h a n g H a n g k o n g U n i v e r s i t y,N a n c h a n g 3 3 0 0 6 3,C h i n a)A b s t r
8、a c t T h i s p a p e r s t u d i e s t h e b a c k-p r o p a g a t i o n n e u r a l n e t w o r k(B P NN),t h e p a r t i c l e s w a r m o p t i m i z a-t i o n b a c k-p r o p a g a t i o n n e u r a l n e t w o r k(P S O-B P NN),t h e f i r e f l y-o p t i m i z e d b a c k-p r o p a g a t i o
9、n n e u r a l n e t-w o r k(F A-B P NN),a n d t h e F i b o n a c c i-o p t i m i z e d b a c k-p r o p a g a t i o n n e u r a l n e t w o r k(I M-F S M-B P NN)f o r t h e t r a c k i n g o f t h e m a x i m u m p o w e r p o i n t o f p h o t o v o l t a i c m o d u l e s u n d e r l o c a l s h a
10、 d o w s,a n d t h e a b o v e-m e n t i o n e d a l g o r i t h m s f l y p h o t o v o l t a i c p o w e r g e n e r a t i o n t r a c k i n g i n s o l a r d r o n e s.T h e r e s u l t s s h o w t h a t:F i r s t o f a l l,u n d e r p a r t i a l s h a d i n g,t h e p o w e r p r e d i c t i o n
11、 a c c u r a c y o f I M-F S M-B P NN i s t h e l o w e s t,t h e t r a c k i n g t i m e i s t h e l o n g e s t,a n d t h e r o b u s t n e s s i s p o o r,t h e r e a s o n i s t h e l a r g e n u m b e r o f c o n t r o l p a r a m e t e r s a n d t h e d e p e n d e n c e o n t h e i n i t i a
12、l v a l u e s o f t h e p a r a m e t e r s.T h e p o w e r p r e-d i c t i o n a c c u r a c y o f F A-B P N N i s t h e h i g h e s t a n d t h e r o b u s t n e s s i s b e t t e r,b e c a u s e i t c a n e f f e c t i v e l y a v o i d t h e p r o b l e m o f g r a d i e n t d i s a p p e a r a
13、n c e d u r i n g t h e t r a i n i n g p r o c e s s.S e c o n d l y,I n t h e i n c r e a s e o f s a m p l e d a t a a n d t h e a p p l i c a t i o n o f s o l a r d r o n e s,i t i s f o u n d t h a t t h e p r e d i c t i o n e f f e c t o f t h e F A-B P N N i s g o o d a n d t h e l i m i t
14、a t i o n s o f t h e I M-F S M-B P N N.F i n a l l y,t h e i n f l u e n c e o f p a r a m e t e r c h a n g e s o n t h e p r e d i c t i o n r e s u l t s i s d i s c u s s e d.I M-F S M-B P N N,P S O-B P N N a n d F A-B P N N a r e m o r e s u i t a b l e f o r m u l t i-s a m p l e d a t a p r
15、e d i c t i o n t h a n B P N N,a n d I M-F S M-B P N N i s m o r e s u i t a b l e f o r s m a l l e r l e a r n i n g r a t e s t h a n t h e o t h e r t h r e e a l g o r i t h m s.T h e a v e r a g e t r a c k i n g t i m e a n d p o w e r a v e r a g e p r e d i c t i o n a c c u r a c y o f t
16、h e f o u r a l g o r i t h m s f l u c t u a t e w i t h t h e n u m b e r o f h i d d e n l a y e r n o d e s.K e y w o r d s s o l a r-p o w e r e d UAV;p h o t o v o l t a i c m o d u l e;m a x i m u m p o w e r p o i n t t r a c k i n g;n e u r a l n e t w o r k;h y b r i d a l g o r i t h m 近年
17、来,随着经济发展和社会进步,人们迫切需求储量大、经济效益高和无污染的新能源,太阳能自然而然地进入世界眼帘。光伏发电是利用太阳能的主要方式,而光伏发电站和太阳能无人机则是利用太阳能的主要应用途径1。光伏组件在实际工程中会受温度、光照强度等环境因素的影响,输出特性呈现多个峰值,为了提高光伏组件的利用效率,需要最大功率点跟踪(m a x i m u m p o w e r p o i n t t r a c k i n g,M P P T)算法对光伏组件的最大输出功率进行实时跟踪,以确保光伏组件保持最大功率来输出2。当前,已有研究者提出各种光伏组件的M P P T算法,如扰动观察法(p e r t
18、u r b a t i o n o b s e r v a t i o n m e t h o d,P OM)、恒定电压法(c o n s t a n t v o l t a g e m e t h-o d,C VM)、电 导 增 量 法(i n c r e m e n t a l c o n d u c t a n c e m e t h o d,I C M)和 斐 波 那 契 搜 索 法(f i b o n a c c i s e a r c h m e t h o d,F S M)等3,对于单峰值功率特性有良好的跟踪效 果;有 粒 子 群 算 法(p a r t i c l e s w
19、a r m a l g o r i t h m,P S A)、差分进化算法(d i f f e r e n t i a l e v o l u t i o n a r y a l g o-r i t h m,D A)、萤火虫算法(f i r e f l y a l g o r i t h m,F A)等智能优化算法4,虽然这些算法能全局搜索,但容易出现“早熟”现象,陷于局部最优;也有反向传播神经网络(b a c k w a r d p r o p a g a t i o n n e u r a l n e t w o r k,B P N N)5和支持向量机(s u p p o r t v e
20、c t o r m a c h i n e s,S VM)6等机器学习方面的算法,存在依赖参数初始值、易陷于局部极值等问题。B P N N是神经网络中最常用的网络模型之一,它是对人脑神经元处理信息活动的模拟,B P N N在光伏组件M P P T控制方面也有较好的应用。但B P N N也存在很多问题,例如训练时间长、数据量大、容易陷于局部最优和参数太多等7,很多研究者对此也进行了很多优化。文献8 首 先采用差分 进化算法 优化B P N N,跟踪到最大功率点附近,解决传统神经网络采用梯度下降法更新权重易陷于局部最优的问题,然后利用二分法进一步逼近最大功率点,克服了跟踪速度慢和预测精度低的缺点,
21、但结构复杂,不太适用于光伏阵列最大功率点的实时跟踪;文献9 利用蚁群算法优化B P N N的权值和阈值,克服了训练时间长和易陷于局部最优的问题,但存在依赖参数初始值的问题;文献1 0 直接将B P N N和变步长扰动观察法结合在一起,减少了系统跟踪到最大功率点时的振荡,同时提高了系统在快速变化的环境条件下的响应时间,实时性较好,但与B P N N和固定步长扰动观察法相结合的算法相比,预测精度提高不显著。为了进一步分析B P N N算法的特点,克服上面问题,对B P N N、I M-F S M-B P N N、P S O-B P N N以 及F A-B P N N算法进行了详细对比研究。1 MP
22、 P T算法1.1 I M-F S M-B P N N 1.1.1 F S M对于无约束条件的优化问题,F S M是基于斐波那契数列的一维搜索寻优算法,是求解一维单峰函数的最佳策略,其按比例缩小搜索范围,以便测试点不断接近最优解1 1。1.1.2 I M-F S M在多维多峰函数中,存在大量的局部极值点,I M-F S M算法需要跳过这些点来跟踪到全局极值点。因此,搜索范围应适当扩展到优势点附近,而不是初始局部范围。另一方面,为了保证算法的收敛性,需要缩短搜索范围,并随着迭代次数的增加最终收敛到可接受的水平1 2。1.1.3 B P NNB P NN是目前研究最为广泛的人工神经网络典型模型之一
23、。B P NN根据训练得到的结果与预想结果进行误差分析,进而修改权值(Wm h、Wh n)和阈值(h、n),一步一步得到能输出和预想结果一致的模型。B P NN的网络结构如图1所示。18第3期 郁纪,等:反向传播神经网络及其改进算法用于光伏MP P T的研究图1 B P NN网络结构在设计中,神经网络的结构选用经典的3层结构,即输入层、隐含层、输出层,输入层由光强与温度2个节点构成,输出层由最大输出功率节点构成。隐含层结点的选择首先是在常用经验公式的基础上确定节点数的大概范围,然后通过对比隐含层不同节点个数对模型性能的影响确定最佳的节点数,一般设为5个节点。1.1.4 I M-F S M-B
24、P NNI M-F S M-B P NN的算法流程如图2所示。图2 I M-F S M-B P NN流程图1.2 P S O-B P N N1.2.1 P S OP S O是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。它的基本思想是通过群体中个体之间的协作和信息共享来寻找最优解1 3。1.2.2 P S O-B P NN为了 加 快 收 敛 速 度,改 善B P NN性 能,文 献1 4 采用P S O算法优化B P NN内部各层节点之间的连接权值和阈值。该算法的流程如图3所示。图3 P S O-B P NN流程图1.3 F A-B P N N1.3.1 F A文献1 5
25、提出了一种基于萤火虫闪光行为的智能随机算法。在萤火虫算法中,把空间各点看作萤火虫,亮度高的萤火虫会吸引亮度比它低的萤火虫,完成位置的迭代并找出最优位置,亮度越高代表吸引度越大。1.3.2 F A-B P NN为克服传统B P NN算法的效率慢和易陷于局部最 优 的 缺 点,文 献 1 6 采 用F A算 法 来 优 化B P NN的权值和阈值。该算法的流程如图4所示。图4 F A-B P NN流程图28空军工程大学学报2 0 2 3年2 仿真结果及分析为了直观地判断神经网络模型的预测效应,本文选择平均跟踪时间、平均相对预测精度及其对应的方差作为模型评价指标。本文仿真对象是33串并联组合的光伏阵
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 反向 传播 神经网络 及其 改进 算法 用于 MPPT 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。