基于广义动态模糊神经网络的光伏电池MPPT控制.pdf

第 3 8 卷 第 1 3 期 2 0 1 0 年 7月 1日 电力 系统 保护 与控制 P o we r S y s t e m P r o t e c t i o n a n d Co n t r o l V b 1 3 8 NO 1 3 J u 1 1，2 0 1 0 基于广义动态模糊神经网络的光伏 电池 M P P T控制 杨 旭，曾成碧，陈 宾(四川大学电气信息学院，四川 成都 6 1 0 0 6 5)摘要：依照最大功率点跟踪(M P P T)的原理，在综合考虑各种不同的控制方法优缺点的基础上，提出了一种新的基于椭圆基 的广义动态模糊神经网络(G D-F N N)的光伏电池的智能控制方法。通过 G D-F N N算法调节 P W M的占空比来控制光伏电池的输 出电压，实现阻抗匹配，达到能量的最优化 仿真结果表明，这种控制方法能够有效地跟踪到电池的最大功率，并且具有较 好 的稳定性。关键词：光伏电池；M P P T；椭圆基；广义动态模糊神经网络；智能控制 M PPT c o n t r ol o f pho t o vo l t a i c c e l l s ba s e d o n g e ne r a l i z e d d yna mi c f uz z y ne ur a l ne t wo r k Y ANG Xu，ZE NG Ch e n g b i，CHE N Bi n (Co l l e g e o f El e c t r i c a l a n d E n g i n e e r i n g，S i c h u a n Un i v e r s i t y，Ch e n g d u 61 0 0 6 5，Ch i n a)Ab s t r a c t：Co n s i d e r i n g a v a r i e t y o f a d v ant a g e s a n d d i s a d v a n t a g e s o f d i f f e r e n t c o n t r o l me t h o d s，t h i s p a p e r p r o p o s e s a n e w e l l i p s e b a s e d g e n e r a l i z e d d y n a mi c f u z z y n e u r a l n e t wo r k(GD F NN)i n t e l l i g e n t c o n t r o l mh o d o f p h o t o v o l t a i c c e l l s b a s e d o n t h e p r i n c i p l e o f the ma x i mu m p o we r p o i n t t r a c k i n g(MP P T)B y c o n t r o l l i n g the o u t p u t v o l t a g e o f p h o t o v o l tai c c e l l s b y me a n s o f r e g u l a t i n g t h e d u t y c y c l e o fP W M b a s e d o n GD F NN a l g o r i t h m，i t c a n a c h i e v e i mp e d an c e ma t c h i n g a n d e n e r g y o p t i mi z a t i o nT h e s i mu l a t i o n r e s u l t s s h o w tha t t h i s c o n t r o l me t h o d c a r l e f f e c t i v e l y f o l l o w-u p the max i mu m p o we r o f t h e b a t t e r y，wh a t S mo r e，i t h a s g o o d s t a b i l i t y Ke y wo r d s：p h o t o v o l m i c c e l l s；ma x i mu m p o w e r p o i n t t r a c k i n g(MP P T)；e l l i p s e b a s e d；G D F N N；i n t e l l i g e n t c o n t r o l 中图分类号：T P 2 7 3 文献标识码：A 文章编号：1 6 7 4 3 4 1 5(2 0 1 0)1 3-0 0 2 2 0 4 0 引言 智能电网是近年来国际上备受关注的未来电力 系统发展方向的热门话题。分布式电源是智能电网 中一个很重要的分支。光伏 电池作为一种新兴的分 布式电源越来越受人类的青睐 J。因此对光伏 电池 的研究具有相当重要的意义。光伏发电系统Lz J 的电流一电压的输出特性是非 线性的，再加上其输出功率受光照和环境温度的影 响很大，为了提高能源的利用效率，人们提出了最 大功率点跟踪(MP P T)理论。MP P T这种理论 目前 已经有这几种算法：电压回授法，增量电导法，扰 动与观察法 3 1 等。但是这些方法存在着对环境的适 应性差，算法不严谨等缺点。目前神经网络和模糊 系统在这方面的应用比较广泛，而且取得了较好的 效果。模糊标记的权值是在训练之前选定的，只能 对特定的情况实现最优控制。为了克服这些缺点，本文提出了基于椭圆基的广义动态模糊神经网络。该算法中，高斯函数的宽度可以通过训练实施在线 自适应调整，并提出了模糊 s 一 完备性作为在线参数 分配机制，避免初始化选择的随机性，提高了系统 的 自适应能力。1 光伏电池的特性及 M P P T原理 1 1光伏 电池的特性分析 光伏电池是通过光电效应或者光化学效应直接 把光能转化成 电能的装置。其输出特性方程式是【4 J：，=一 o t e x p f _ l一(+z )f l 1)L LAK J j 其中：。是指光电流密度，与照射时的光照强度有 关，与所加电压无关；是逆饱和 电流，是由 P N 结两端的少量载流子和载流子的扩散常数决定的；q 指单位 电流，取值 1 6 x 1 0 C；A是理想因子，取 值为 1；k是波尔兹曼系数，取值是 1 3 8 x 1 0 J K；是电池表面温度；是输出电压；，是输出电流；为串联等效电阻。杨旭，等 基于广义动态模糊神经网络的光伏 电池 MP P T控制 2 3 根据 光伏 电池 的数学 模型在 Ma t l a b S i mu l i n k 建立模型，得到 P V曲线如图 1 所示。输出电压 V 图 1 P-V曲线 Fi g 1 P-V cu r ve 由图 1 可以分析，输 出功率随光照强度 的增加 而增大。当外部环境发生变化的时候，功率就会发 生相应 的变化，如果不及 时控制，就会造成能源 的 浪费。因此，如何在外部环境发生变化时实现功率 的最优化是光伏 电池控制 中一个急需解决的问题。1 2 M P P T的原理 在光伏系统 中，为了寻求阻尼的最佳匹配，通 常是通过控制 P WM 的占空 比来实现功率 的最优 化的。于是，在此基础上提 出了 MP P T理论L 5 J。由 图 1 可 以看出，当且仅当 d P d V=0时，输 出功率最 大。而电压 是由占空 比决定的。因此直接把占空 比作为控制变量，能够使控制系统简化，容易实现。2 光伏 系统最大功率跟踪控制原理 2 1控制方案设计 在MP P T 控制系统中，选择系统的第 7 周期和第 一1 周期的功率差b(一 1)及第，z 一 1 周期的采样步长 c(n 一 1)作为G D F N N的输入量，第 7 周期的采样步长C ()为神经 网络 的输 出量。利用Ma t l a b S i mu l i n k 搭建光伏发电系统控制器，其核心部分的原理框图 如 图2。图 2 M P P T控制原理 图 Fi g 2 M PPT c o nt r ol s c he ma t i c 其 中：函数实现 D(7)_ D(，z 一 1)+c(，z)的功 能。2 2 G D F N N的 结构 咖 广义动态模糊神经网络是 由输入层，隶属函数 层，模糊推理层和输出层构成的网络。网络结构共 有两个输入信号：第 n个周期和第 一 1 个周期的功 率差以及第 一 1周期的采样步长。输出变量是第 n 个周期的采样步长。其结构如图 3所示。第一层 第二层 第三层 第四层 图 3 G D T F N N的结构 Fi g 3 F r a me o f GD-F NN 2 3网络结构的算法 模 糊 规 则 的 数 量 可 以在 线 自适 应 调 整 是 GD F N N算法的优势之一，而其输出误差和其新样 本是否满足 完备性是确定是否需要增加模糊规 则 的重 要 因素。定 义系 统误 差 为：le v il=ll k-y k I(2)其中 是第 k个期望输出。如果 e k k e，则应该考虑增加一条新的规则。其 由 (3)ke=m a x l P x fl k,e I n 3 k 2 n 3 I P 2 n 3 (7)则表明现有的系统不满足 s 一完备性而应该考 虑产生一条新的规则，其中 是这样变化的：l=ln(1 e m，)1 k n 3 (8)=m d m x X r k,靠 in 3 2 3 l d m 2 n 3 k s 当一条模糊规则产生以后，配参数。=其中 是衰减因子，它是 由下式决定的：-Ill+k w (B,j 一)。l 1 B u 其中 B ，是输入变量的敏感性。从前面的分析可以看出，运用广义动态模糊神 经网络对系统进行控制，其输入输出的隶属度函数 的宽度是可以通过训练的，这就提高了系统跟踪环 境变化的能力。下一步就是如何分 3 仿真设计与实现 假设 个模糊规则 已经产生，当得到一个新的 样本时，把多维输入变量投影到相应的一维隶属函 数空间，同时计算数据 和边界集 之间的欧式距 离(，)，并找到它的最小值 e d,q )，如果 嘭()(1 0)就 不用分 配新 的高斯函数，否则 需要增加 一个新 的 高斯函数，其宽度 由式(1 1)决定，高斯函数的中 心设置如下：c (州)：m ax Ic i-c,_,l,lc,-一c i+,l(1 1)ln()把输出变量的方程式看成是线性回归方程，其 模型为：D-H 0+J E ；其 中，D：为期望输 出；T (1，h v)；为实参数；E为误差向量。通过 Q R分解成 正交基 向量集：H=P N，其中 p=-(pl，P2，P )。定义 P i 的误差减少率为=，此外定义=，2，3 其中 p，为误差减少率矩阵=(p l，P 2，p )，如果 r l i k e ，则第 条规则被删去。高斯宽度可以修正是 G D F NN 算法的另一个 优势。输入变量的最近的隶属函数的宽度 可以修 正如下：在 Ma t l a b S i mu l i n k里进行仿真，系统原理框 图 如图 4所示，主要 由光伏 电池、模糊神经网络控制 系统以及电阻性负载构成。开 关 图 4系统原理框 图 F i g 4 Bl o c k d i a g r a m o f t h e s y s t e m 为了显示文中提 出方法的控制效果，仿真中把 结果与文献 9 cO提出的模糊控制进行 比较。采用 o d e 2 3 t b算法，设置环境温度为 2 5。，光照在 0 1 s 时由 6 0 0 W m 变成 9 0 0 W m。，仿真时间为 O 2 s，仿真图形如图 5。杨旭，等 基于广义动态模糊神经网络的光伏电池 MP P T控制 一 2 5 爵 兽 舞 t s (b)图 5功率输 出曲线 F i g 5 P o we r o u t p u t c u r v e 图 5(a)是采用模糊控制的输 出功率的曲线，图 5(b)是采用广义动态模糊神经 网络进行控制的 功率输出曲线。可 以看到，前一种方法响应速度慢，而且在最大功率点出现了震荡。运用本文提 出的理 论仿真的结果能在 0 0 1 S 快速找到最大功率点，并 且有效地克服了最大功率点震荡问题。具有较好的 鲁棒性和快速性。4 结论 针对光伏电池这种新兴的分布式电源的特性，本文采用广义动态模糊神经网络控制算法，建立 了 一个光伏系统的控制模型，通过调节 P W M的占空比 对光伏系统 的输出电压加 以控制，从而实现输出功 率的最大化。这种方法不仅能够很好地跟踪外部环 境 的变化，而且需要设置的参数 比较少，同时具有 一定的 自适应能力，容易实现在线智能控制。仿真 结果表 明，这种控制系统的学习效率和性能有着更 突 出的优势，具有很好的鲁棒性及快速性。参考文献 i J Ha a s e P I n t e l l i g r i d：a s ma r t n e t wo r k o f p o we r J E P R I J ou r na l，20 05：27。32 2 G h i a n g S J，G h a n g K T，Ye n C YR e s i d e n t i a l p h o t o v o l t a i c e n e r g y s t o r a g e s y s t e m J I E E E T r a n s o n I n d u s t r i a l E l e c t r o n i c s，1 9 9 8，4 5(3)：3 8 6 2 9 8 E 3 3 王松一种基 于神经 网络 的光 伏电源最大功 率控 制系 统f J 山东大学学报，2 0 0 4，3 4(4)：4 5 4 8 4 5 E 6 7 8 9 W ANG S o n g A ma x i mu m p o we r c o n t r o l s y s t e m o f p h o t o v o l t a i c c e l l s b a S e d o n n e u r a l n e two r k J J o u rna l o f S h a n d o n g Un i v e r s i t y，2 0 0 4，3 4(4)：4 5 4 8 滨 川圭 弘 太 阳能光伏 电池及其应用 M】北京：科学 出版社，2 0 0 9：1 8 3 4 Ha ma g a wa Yo s h i h i r o S o l a r p h o t o v o k a i c c e l l s a n d i t s a p p l i c a t i o n M B e ij i n g：S c i e n c e P r e s s，2 0 0 9：1 8-3 4 Edu a r do Ro m 6 n I nte l l i ge n t PV mo du l e f o r g r i d c o n n e c t e d P V s y s t e m s J I E E E T r a n s a c t i o n s o n I n d u s t r i a l El e c t r o n i c s，2 0 0 6，5 3(4)：l 0 6 6 1 0 7 3 叶秋香 光伏 电池最大功率跟踪器 的模糊控制及其应 用研究 D】上海：东华大 学，2 0 0 6 Y E Qi u-x i a n g A s t u d y o n P V maxi mu m p o we r p o i n t t r a c k i n g s y s t e m u s i n g a f u z z y c o n t r o l l e r D S h a n g h a i：No r t h e a s t e r n Un i v e r s i ty，2 0 0 6 E fic h i o s Ko u t r o u l i s，Ko s t a s Ka l a i t z k i s，Vo u l g a r i s C De v e l o p me n t o f mi c r o c o n t r o l l e r b a s e d p h o t o v o l t a i c maxi mu m p o we r p o i n t t r a c k i n g c o n t r o l s y s t e m J I E E E T r a n s a c t i o n O n P o we r E l e c t r o n i c s，2 0 0l，l 6(1)：4 6 5 4 舒菲。基 于R B F 神经 网络 与模糊理论 的电力系统短期 负荷预测 D】西安：西安理工大学，2 0 0 8：l 1 1 7 S HU F e i S h o r t-t e r m l o a d f o r e c ast i n g o f p o we r s y s t e m b a s e d o n R B F n e u r a l n e t w o r k a n d t h e o r y D Xi a ll：Xi a n Un i v e r s i ty o f T e c h n o l o g y，2 0 0 8：1 1-1 7 乔 兴宏基 于模 糊控 制 的光伏发 电系 统MP P T J 可 再生能源，2 0 0 8，2 6(5)：1 3 1 6 QI AO X i n g h o n g Maxi mu m p o we r p o i n t t r a c k i n g b y u s i n g fuz z y c o n t r o l c o mb i n e d wi t h P I D for p h o t o v o l t a i c e n e r g y g e n e r a t i o n J R e n e wa b l e E n e r g y，2 0 0 8，2 6(5)：】3 】6 收稿 日期：2 0 0 9 0 8-0 8；修回 日期：2 0 0 9-1 1-1 3 作者简介：杨旭(1 9 8 5-)，女，硕士研 究生，研 究方向为分布式 供能系统的建模与仿真控制；E ma i l：y a n g x u 0 5 0 9 1 6 3 c o rn 曾成碧(1 9 7 0-)，女，博士，副教授，研 究方 向为 能量 转化技术的智能控制；陈宾(1 9 8 3-)，男，硕士研 究生，研 究方向 为电力系 统微机保护与控制