基于反馈神经系统的MPPT的实现

官蕾，陈亮明，李亚林，卢扬

(1.江汉大学化学工程与技术学院，湖北武汉430056；2.江汉大学物理与信息工程学院，湖北武汉430056；3.江汉大学管理科学与工程学院，湖北武汉430056)

基于反馈神经系统的MPPT的实现

官蕾1，陈亮明2，李亚林1，卢扬3

(1.江汉大学化学工程与技术学院，湖北武汉430056；2.江汉大学物理与信息工程学院，湖北武汉430056；3.江汉大学管理科学与工程学院，湖北武汉430056)

以常见硅太阳电池为例，搭建电池仿真模型，采用反馈神经网络调节算法对该仿真系统实现了最大功率点的追踪。实验数据表明，所建立的电池模型能很好地模拟出硅电池的输出特性，反馈神经网络也能快速准确地实现MPP的追踪，具有较好的追踪效果。

太阳能发电；神经网络调节；Matlab；最大功率点追踪

随着工业经济的迅猛发展和经济全球化进程的不断加速，世界范围内的环境污染和能源短缺已成为制约人类社会可持续发展的两大重要因素，大力发展新的可替代能源已成为当务之急。光伏发电作为一种全新的电能生产方式，以其低污染、低噪音、维护容易等特点显示出无比广阔的发展空间和应用前景[1]。然而，太阳能发电受到光照强度、环境温度、负载等多种因素的共同影响，输出端电能质量具有极大的不稳定性[2]。如何高效利用太阳能能源发电，精准地实现输出端最大功率点追踪(Maximum Power Point Tracking，MPPT)尤为重要。目前常用的MPPT算法有固定电压法、干扰观测法、增量电导法及新型智能控制法[3]。本文采用新型智能控制法中的神经网络算法，相比传统方法能更好地迎合负载的非线性特征，且反馈性特性将使网络算法具备联想记忆功能，易于硬件实现。

1 太阳电池的模型构建和特性分析

太阳电池可分为硅太阳电池、非硅无机薄膜太阳电池、有机太阳电池、染料敏化太阳电池。硅太阳电池作为最早进行研发生产的电池种类，在国内外已经有了广泛的推广和应用，比其他种类电池有着更为成熟的技术和更加完善的体系。图1为硅太阳电池板等效图[4]，其中：Is为理想电流源的光生电流，D为反向并联二极管，Rs为串联电阻，Rsh为并联电阻，RL为负载端电阻，I为输出端电流，V为输出端电压。

图1 硅太阳电池板等效图

由图1可知，光伏电池的I-V特性关系方程：

在理想情况下，我们将电池内部PN结外载流子的阻抗作用忽略不计，即流过串联电阻Rs的电流值可近似为零，将电池内的旁路电阻Rsh近似为无穷大，则流过旁路电阻Rsh上的电流近似为零[5]，则上式可简化为：

式中：Is为光生电流；I0为反向饱和电流；U为电池的输出端电压；其余皆为定值。这样，光伏电池的输出功率为：

由上式可知，硅太阳电池的输出功率呈非线性，受到环境温度和光照强度等多种因素的共同影响。

1.1 光伏电池的模型构建

工程用模型是利用了光伏电池外特性数学模型，其特点是采用简单且易获取的参数拟合光伏电池的输出特性，适用于对电池外部特性进行仿真研究[6]。在实际应用中，电池厂商提供标准环境下电池的短路电流Isc，开路电压Uoc，最大功率电压Um和最大功率电流Im四个参数。这四个参数与电池的输出特性曲线有紧密的对应关系[7]。

考虑太阳能辐射变化和温度影响，利用电池内部结构关系式，在Matlab软件中建立了光伏电池仿真模型。该模块有3个输入量，分别为：光照强度S、环境温度T、输出电压Uout。1个输出量：输出电流I。图2所示为光伏电池封装后模型。

图2 硅太阳电池封装模型

1.2 太阳电池输出特性分析

基于以上仿真模型，控制温度值一定、调节光照强度的设定量，得到电压和输出功率的关系图如图3所示。设置初始条件(T=298 K)，a=0.002 5/℃，b=0.5，c=0.002 8/℃。光照强度设定值分别为S=1、0.75、0.5和0.25 kW/m2。

分析图3数据可知：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点。在最大功率点左侧，输出功率随电池端电压上升呈近似线性上升趋势，到达最大功率点后，输出功率开始快速下降，且下降速度远大于上升速度。

同理，控制光照强度输入一定、调节温度的设定值，可得到电压和输出功率的关系图如图4所示，设置初始条件(S=1 kW/m2)，a=0.002 5/℃，b=0.5，c=0.002 8/℃。光照强度设定值分别为T=338 K、T=318 K、T=298 K、T=278 K。

图4 硅电池在不同温度下的P-V图

分析图4数据可知：光伏电池输出功率总的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。

综上所述，光伏电池的输出功率与它所受的日照强度、环境温度有密切的关系。在不同外部环境情况下，光伏电池的输出功率会有较大的变化。因此光伏发电系统必须采用相关电路和控制方法对输出功率加以控制使其输出最大功率[8]。

2 MPPT控制器的实现

光伏电池最大功率点的跟踪算法比较典型的有：定电压跟踪法(CVT，Constant voltage Tracking)、扰动观测法(P&O，Perturbation and observation method)、导纳增量法(Incremental conductance method)，在此之上还有改进的是：变步长导纳增量法、基于模糊控制的MPPT方法、基于神经网络的MPPT方法、基于差分方程解的MPPT方法[3]。

2.1 反馈神经系统调节的设计

神经网络法是一种智能控制实现MPPT的方法，采用微控制器实现。神经网络通常包括三层：输入层、隐含层和输出层[9]。图5为神经网络工作原理图。

图5 神经网络工作原理图

在光伏模型研究中，电池的短路电流Isc、开路电压Voc、日照强度及温度等可以作为神经网络的输入变量，输出量通常为变换器的占空比[9]，用这个占空比驱动变换器开关管，使光伏电池工作在最大功率点。神经网络法跟踪最大功率点的效果取决于隐含层采用的算法以及神经网络被训练的程度[10]。由于各种光伏电池输出特性的不同，每个神经网络只能专门为特定的一个光伏系统使用，同时光伏电池的特性也会随着时间而改变，为了保证跟踪的准确性，神经网络必须进行周期性的训练。本模型中选用短路电流Isc、开路电压Voc为输入量，最大训练次数为300次，学习率缺省值为0.1，训练要求精度缺省值为0.000 04，训练函数采用trainlm。

2.2 反馈神经网络的应用

实际应用中，单个光伏发电电池的输出功率较低，一般采用多电池板并联运行输出的方式[11]。本文作者选用Boost升压电路控制电路输出，一方面可以达到提升输出电压的效果，为系统末端并网运行提供条件；另一方面，与Buck电路相比，Boost电路输入电流能连续工作，避免因电流不稳定而带来的电能损耗。图6为在Sumilink平台上搭建的光伏系统的仿真模型，该模型由PV模块、BOOST模块、MPPT模块三部分组成。

3 系统运行及结果

将训练好的神经网络带入上述光伏仿真模型中进行整体运行调试，运行结果如图7和图8所示。

图6 光伏系统仿真模型

图7 神经网络预测和期望输出对比图

从图中可知神经网络控制下的输出功率与实际最大功率点的功率很接近。误差值趋近于0，相对误差率在0.5%以内，说明通过神经网络进行MPPT控制具有较好的效果。

4 结论

(1)根据光伏电池的工程用数学模型，设计了光伏电池的Matlab仿真模型。仿真结果表明，该模型可以模拟不同的环境条件下光伏电池特性。

(2)训练后的神经网络的MPPT控制器仿真模型能够实现最大功率点跟踪功能，输出相对误差率在0.5%以内，效果较好。

(3)本文设计的光伏电池仿真模型实现了光伏发电系统的最大功率输出，为进一步研究并网型光伏发电系统打下了一定的基础。

[1]刘子龚.光伏电源逆变器的设计[J].电脑与电信，2012(6):51-53.

[2]陈丹平.太阳能光伏并网控制技术研究[D].宜昌：三峡大学，2013.

[3]刘萌.并网型光伏发电系统最大功率跟踪控制研究[D].保定：华北电力大学，2013.

[4]杨海柱，金新民.并网光伏系统最大功率点跟踪控制的一种改进措施及其仿真和实验研究[J].电工电能新技术,2006,25(1):63-67.

[5]林期远，杨启岳，徐瑾，等.分布式光伏发电系统最大功率点跟踪技术比较研究[J].能源工程，2012(2):1-10.

[6]范佳佳，宋平岗.光伏发电系统新型变步长MPPT控制方法[J].大众科技，2010(10):178-180.

[7]汪义旺，曹丰文，张波，等.光伏发电系统最大功率点快速跟踪控制研究[J].电力电子技术，2010，44(10):14-16.

[8]李琦.可调度式光伏并网发电系统的研究[D].青岛：山东科技大学，2011.

[9]卞晶晶.基于神经网络的光伏发电最大功率点跟踪算法及仿真[D].郑州：华北水利水电学院，2011.

[10]张蔚.BP神经网络在光伏发电MPPT中的应用[J].现代建筑电气，2010，1(4):54-57.

[11]董密，罗安.光伏并网发电系统中逆变器的设计与控制方法[J].电力系统自动化，2006，30(20)：97-102.

Realization of MPPT based on feedback neural system

GUAN Lei1,CHEN Liang-ming2,LI Ya-lin1,LU Yang3
(1.College of Chemical Engineering and Technology,Jianghan University,Wuhan Hubei 430056,China;2.College of Physics and Information Engineering,Jianghan University,Wuhan Hubei 430056,China;3.College of Management Science and Engineering,Jianghan University,Wuhan Hubei 430056,China)

Taking the common silicon solar cell as an example,the simulation model was built and the feedback neural network was used to adjust the algorithm to achieve the maximum power point tracking.The experimental data show that the established battery model can well simulate the output characteristics of silicon cells;the feedback neural network can quickly and accurately achieve MPP tracking,and has good tracking effect.

solar power generation;neural network adjustment;Matlab;MPPT

TM 615

A

1002-087 X(2016)08-1689-03

2016-01-22

官蕾(1990—)，女，湖北省人，硕士生，主要研究方向为新能源技术。