基于神经网络的光伏阵列局部阴影建模研究

张杰, 王宏华, 韩伟

(河海大学 能源与电气学院，江苏 南京 211100)

基于神经网络的光伏阵列局部阴影建模研究

张杰, 王宏华, 韩伟

(河海大学 能源与电气学院，江苏 南京 211100)

在局部阴影条件下，光伏阵列的输出特性将发生变化。利用神经网络具有逼近任意复杂非线性函数的能力，采用粒子群算法(PSO)来优化BP神经网络的内部连接权值和阈值，以改善神经网络的预测性能，并基于这种改进的神经网络结构搭建局部阴影下的光伏阵列模型。仿真结果表明，此算法泛化能力强、收敛速度快，能够对阴影下的光伏阵列进行建模。

局部阴影；神经网络；粒子群算法；光伏建模

0 引言

目前，国内外对此已经做了较长时间的理论和实验研究，文献[1]在MATLAB/Simulink环境下，搭建光伏电池元仿真模型，但仅考虑了均匀光照下的情况。文献[2-4]基于数学分析法，建立了局部阴影条件下光伏阵列的数学模型，模型复杂且参数求解较为困难。文献[5-6]将神经网络应用于光伏阵列建模，避免了复杂的计算和参数求解过程，取得了较好的结果，但仅考虑了阵列受均匀光照的情况，没有考虑局部阴影对光伏阵列的影响。

基于以上分析，利用神经网络对光伏阵列建模，避开电池内部复杂的物理结构，直接针对其外部特性研究，从而简化建模过程。由于在传统的BP神经网络训练中容易陷入局部极小值而且收敛速度也比较慢，很难适应实时控制的要求，故采用粒子群算法(PSO)优化后的 BP神经网络，对非线性系统具有更好的自学习和泛化能力，对局部阴影条件下的光伏阵列进行建模，可以得到更加精确的输入输出特性。

1 局部阴影条件下光伏组件特性分析

1.1 单体光伏电池特性

图1为光伏电池单元的等效电路。其中：Iph为光伏电池内部产生的光生电流；ID为无光照条件下通过二极管的单向电流；I为光伏电池输出负载电流；Rsh为光伏电池的等效旁路电阻，一般为几千Ω；Rs为光伏电池内部的等效串联电阻，一般<1Ω；R0为外接负载电阻；其对应的光伏电池电流输出特性方程为：

(1)

图1 单体光伏电池的等效电路

根据上述特性方程将光伏电池单体按一定的规则进行串联和并联后就形成了光伏阵列。串联用来提高光伏阵列的直流电压输出值，并联提高光伏阵列的直流电流输出值，因此，根据串并联的光伏电池的总数不同，可以获得不同输出电压和不同输出功率的光伏阵列。图2为几种典型的局部阴影下的光伏阵列示意图。

(a)局部阴影串联支路；(b)具有三个支路的局部阴影阵列；(c)同一支路中不同的阴影挡射率图2 光伏阵列的局部阴影示意图

在实际应用中，光伏阵列中每一个光伏电池板单元都会并联一个旁路二极管。当其中某个电池板被阴影遮挡或者出现故障而停止向外输出电压时，二极管将导通使被遮挡部分短路，这样在不影响其组件正常发电的同时也保护光伏电池免受较高的反向偏压而导致电池板因发热损坏。

1.2 局部阴影条件下光伏阵列特性分析

搭建由两块电池板串联的光伏阵列，图3，图4为两块电池板串联组成的光伏阵列在两块电池分别受到几种不同的局部遮阴情况下整个光伏阵列的U-I和U-P特性曲线。

计算机网络是计算机科学技术最热门的分支之一。在计算机网络技术快速发展的新形势下，计算机网络的教学已成为计算机类专业及相关专业的重要课程[1]。该课程理论知识比较抽象，要想深入地理解计算机网络基本知识和概念，并运用于实际中，需要课堂和实验室的互补教学[2]。

图3 局部阴影条件下光伏阵列的 U-I特性曲线

由图3和图4可见，当光伏阵列中的单体电池受到相同的光照情况下，其输出U-I特性曲线和U-P特性曲线呈现单峰状。若发生局部遮阴，光伏阵列的输出U-I特性曲线和U-P特性曲线将呈现多梯度、多极值的特点，使得系统在这种情况下不能简单的以寻找曲线的任一极值作为最大功率点的输出目标。

图4 局部阴影条件下光伏阵列的 U-P特性曲线

2 基于粒子群优化的光伏阵列建模

2.1BP神经网络结构[7-8]

BP神经网络是一种单向传播的多层前向网络，其结构如图5所示，一般具有三层或者三层以上，包括输入层、隐含层和输出层。每层神经元只接受前一层神经元的输入。当提供给神经网络学习样本后，神经元的数据流从输入层经各隐含层向输出层传播，在输出层获得整个网络的输入响应。然后按照减少目标输出与实际误差的方向，从输出层经中间层逐层修正网络权值和阈值，最后返回输入层。

BP神经网络的基本思想是将神经网络学习输入输出映射问题转变为非线性优化问题。在梯度下降算法的基础上，用迭代运算动态修正网络权值，使网络误差函数值达到最小。

图5 BP神经网络的结构图

2.2 基于PSO的BP神经网络学习算法[9-12]

由于BP神经网络学习算法收敛速度慢，易陷入局部极小值，而且它对网络初始权值、自身的学习速率和动量等参数非常敏感，需要通过不断地训练才能稳定，但是过度的训练也可能导致“过拟合”现象发生，从而影响网络的泛化能力。因此，为了提高收敛速度，改善BP神经网络的性能，本文采用 粒子群优化BP神经网络权值和阈值的学习算法。

粒子群算法的基本思想是将每个需要优化的问题的解当作一个“粒子”，由一个优化函数来决定这个粒子的适应值，同时还有一个速度来确定这个粒子的飞行方向和距离。粒子根据自身以及其他粒子的经验进行动态调整，从而寻找最优解。PSO作为一种新兴的算法，具有收敛速度快、鲁棒性高、全局搜索能力强的特点。将其与BP神经网络相结合，可以在发挥神经网络泛化能力的同时，提高网络的收敛速度和学习能力。

PSO算法首先在给定的解空间中随机初始化粒子群，然后通过迭代找到最优解。在每一次迭代过程中，粒子知道本身所能找到的最优位置叫做个体极值pbest，整个种群目前所能找到的最优位置叫全局极值gbest，另外，也可以不用整个种群而只是用其中一部分为粒子的邻居，那么在所有邻居中的极值就是局部极值。在找到这两个最优值时，每个粒子采用下式来更新自己的速度和位置：

(2)

式中：w为惯性权重，k为当前迭代次数，Vid为粒子的速度；C1,C2为非负的常数，称为加速度因子；r1,r2为分布在[0,1]之间的随机数。为防止粒子的盲目搜索，一般将其位置和速度限制在一定的区间 [-Xmax,Xmax],[-Vmax,Vmax]。

用粒子群算法优化BP神经网络时，每个粒子代表了神经网络的权值和阈值，通过粒子寻优找到网络的最佳的初始权值和阈值，使如下误差平方和(SSE)(适应度值)达到最小：

(3)

粒子群优化算法收敛快，通用性强，但同时也容易早熟收敛并且搜索精度低、后期迭代率不高。在遗传算法中通常引入变异算子，在提高算法局部搜索效果的同时保持群体个体差异性防止发生早熟。可以借鉴这一方法在PSO算法中引入变异概率因子，即对某些变量以一定的概率重新初始化。扩大在迭代中不断缩小解空间的搜索范围，使得粒子能够跳出先前已经搜索到的最优位置，更有效的进行全局搜索，同时保持了种群的多样性，提高算法寻找最优值的可能性。

PSO算法优化BP神经网络学习算法分为BP神经网络结构确定、PSO算法优化和BP神经网络预测3个部分，流程如图6所示。

图6 PSO算法优化BP神经网络的流程图

3 仿真结果分析

在MATLAB/Simulink下建立两个电池板串联情况下的光伏仿真模型。其中每个光伏电池板的参数为：开路电压VOC=24V；短路电流Isc=3A；最佳工作电压Vm=18V；最佳工作电流Im=2.69A；以上参数为T=295K(25℃)，S=1000W/m2时的特性参数。分别改变两块电池板的光照强度，光照强度分别由1000W/m2减少至200W/m2，两块电池板的温度都取为恒温25℃，计算得两块电池板在光照不均匀情况下的阵列输出最大功率，共取数据120组，然后随机从中选取30组为测试数据。在训练时将以数据文件的形式提供给网络。

本文以MATLAB神经网络工具箱进行模型的训练和仿真。其中以两块电池板的光照强度为输入构建BP神经网络，其中隐含层含有5个神经元，采用tansig作为传递函数，输出层有一个神经元为阵列的输出功率，以purelin为传递函数。期望的均方差为0.0001，迭代次数为500，学习率为0.5。粒子群算法用来优化BP网络的权值和阈值，其中加速度因子C1=C2=1.49445，惯性权重W=1，种群规模为20，进化次数为30。如图7所示为网络的最优个体适应度值变化曲线。

图7 网络的适应度值变化曲线

把PSO算法得到的最优权值和阈值赋给神经网络，用训练数据训练500次后预测非线性函数输出。同时采用传统BP神经网络对数据进行训练，性能参数与通过PSO优化的BP神经网络作对比。图8为两种神经网络训练过程中的均方误差的变化曲线。由图8可见相比于传统BP算法，PSO-BP能很快达到训练目标，收敛速度显著提高。

图8 两种神经网络均方误差变化曲线

图9表明相比于传统BP算法，PSO-BP具有较强的泛化能力和辨识度。通过计算两者的均方误差(MSE)，可知传统BP神经网络均方误差为9.13%，而经过PSO优化后的BP的神经网络均方误差仅为3.3%。因此改进的算法有效地提高了网络的辨识精度和准确性。

图9 两种神经网络泛化能力比较图、

4 结论

通过对阴影条件下光伏阵列的研究，采用PSO优化的BP神经网络的算法能够实现光伏阵列非线性系统建模。仿真结果表明，基于此方法建立局部阴影下的光伏阵

列模型是可行的，能够准确地反映光伏阵列的输入输出特性，由于不需要对系统内部机理进行复杂的计算，因此是研究复杂非线性系统输入输出特性的一个可行方向。

[1] Patel H, Agarwal V. MATLAB-based modeling to study the effects of partial shading on PV array characteristics [J]. IEEE Transaction on Energy Conversion, 2008, 23(1):302-310.

[2] 苏建徽,余世杰,赵为,等. 硅太阳电池工程用数学模型[J].太阳能学报, 2005, 20(5):409-412.

[3] 刘晓艳,祁新梅,郑寿森,等. 局部阴影条件下光伏阵列的建模与分析[J]. 电网技术, 2010, 34(11):192-197.

[4] 陈阿莲,冯丽娜,杜春水,等. 基于支持向量机的局部阴影条件下光伏阵列建模[J]. 电工技术学报, 2011, 26(3):140-146.

[5] 李炜,朱新坚,曹广益. 基于 一 种 改 进 的 BP 神 经 网 络 光 伏 电 池 建 模[J]. 计算机仿真, 2006, 23(7): 228-230.

[6] 郭亮,陈维荣,贾俊波,等. 基于粒子群算法的BP神经网络光伏电池建模[J].电工电能新技术, 2011, 30(2):84-88.

[7] E. Karatepe,M. Boztepe, and M. Colak. Neural network based solar cell model[J]. Energy Conversion and Management, 2006, vol. 47, p. 1159 -1178.

[8] 高隽. 人工神经网络原理及仿真实例[M].北京：机械工业出版社，2003，7：21～44.

[9] 李博. 粒子群优化算法及其在神经网络中的应用[D]. 大连: 大连理工大学, 2005.

[10] 金欣磊. 基于PSO的多目标优化算法研究及应用[D]. 杭州：浙江大学,2006.

[11] 刘艳莉,周航,程泽. 基于粒子群优化的光伏系统MPPT控制方法[J].计算机工程，2010，36(15) ：265-267.

[12] 张利彪,周春光,马铭,等. 基于粒子群算法求解目标优化问题[J].计算机研究与发展, 41(7):1286-1291, 2004.

Application of Neural Network Algorithm in Photovoltaic Array Under Local Shadow

ZHANG Jie, WANG Hong-hua, HAN Wei

(College of Energy and Electrical Engineering of Hohai University, Nanjing 211100, China)

The output characteristics of PV array changes under the partially shaded conditions. The neural network with the ability of approximating any complicated nonlinear function and the particle swarm optimization (PSO) are used to optimize the BP neural network's internal connection weights and threshold value in order to improve the neural network prediction performance and to establish the model of PV system under the partially shaded conditions. The simulation results show that, through the establishment of the PV array local shadow model identification precision and fast convergence rate,it perfectly verifies the effectiveness of the proposed method.

local shadow; neural network algorithm; particle swarm optimization (PSO); PV modelling

江苏省2012年度普通高校研究生科研创新计划(CXZZ12_0228)

张杰(1989-)，男，江苏淮安人，硕士研究生，研究方向为可再生能源发电系统控制。

TM914;TP393

A

1671-5276(2014)02-0087-04

2013-09-15