粒子群优化BP神经网络光伏锂电池充电系统

2017-01-10陶佰睿葛思绮苗凤娟张成军

电源技术 2016年12期

关键词：电池板锂电池太阳能

陶佰睿，葛思绮，郭琴，苗凤娟，张成军

(1.齐齐哈尔大学通信与电子工程学院，黑龙江齐齐哈尔161006；2.齐齐哈尔大学计算中心，黑龙江齐齐哈尔161006)

粒子群优化BP神经网络光伏锂电池充电系统

陶佰睿1,2，葛思绮1，郭琴1，苗凤娟1，张成军2

(1.齐齐哈尔大学通信与电子工程学院，黑龙江齐齐哈尔161006；2.齐齐哈尔大学计算中心，黑龙江齐齐哈尔161006)

通过对太阳能光伏电池最大功率点的跟踪和锂电池的充电控制两部分实现了对锂电池的快速充电。首先利用SIMULINK的s-function的自定义模块和粒子群优化BP神经网络算法实现了对在辐射度、电池板温度、环境温度和风速共4种工作环境下的光伏电池进行最大功率点跟踪和建模，然后通过单片机编程对开关管进行PWM控制，完成充电电路的智能控制。之后，结合MATLAB和SIMULINK完成粒子群优化BP神经网络并在PROTEUS平台上完成充电电路的仿真，最后程序下载到硬件中并通过调试完成对锂电池充电过程的检测。结果表明，粒子群优化后的BP神经网络光伏锂电池充电控制系统具有较高的充电速度和充电效率。

最大功率点跟踪；粒子群优化；BP神经网络；脉冲宽度调制；锂电池快速充电

随着新能源技术开发和应用的快速发展，为改变传统充电器对市电的依赖，最大限度利用和使用太阳能，提高发电和充电效率，如何构建基于太阳能光伏电池和锂电池快速充电控制系统成为人们研究的热点[1－3]。一方面，太阳能光伏电池在向负载供电时，需要对其最大功率点进行跟踪，传统的跟踪方法如干扰观察法、增量电导法和曲线拟合法等，但是存在响应速度慢、跟踪精度不够等问题，而智能控制方法如BP神经网络则可较好预测最大功率点，精度较其他方法更准确，但它不能在全局进行搜索最优值。另一方面，采用涓流、恒流或恒压模式的锂电池充电过程也存在效率、速度和成本等方面的矛盾[4－6]。为此，本文提出采用粒子群算法优化的神经元权值和阈值控制的太阳能光伏电池最大功率跟踪与锂电池快速充电控制系统设计方案。

该方案主要包括太阳能光伏电池的最大功率点跟踪(MPPT)和锂电池的充电控制。MPPT部分使用SIMULINK的s-function的自定义模块，利用粒子群优化的BP神经网络(PSO-BPNN)实现对光伏电池的建模和最大功率点电压的预测，并加入了除温度外的影响电池性能的次要因素如辐射度、板温、风速，使得BP神经网络拟合后的光伏电池和锂电池充电特性与真实情况更贴近。充电电路部分采用STC89C52单片机作为系统控制器，通过单片机编程调整PWM波的脉宽来控制开关管，从而控制充电电流的大小，对变化的太阳能输出电压利用稳压芯片进行稳定输出为5 V，供锂电池充电使用。最后经过SIMULINK仿真和PROTEUS电路仿真，并进行硬件调试后，可实现太阳能光伏电池板对锂电池的快速充电。

1 总体设计流程

本文包括太阳能光伏电池最大功率跟踪和充电电路设计两部分。第一部分采用PSO-BPNN实现；第二部分采用单片机实现[7－9]，流程如图1所示。

图1 总体设计流程图

2 光伏电池的最大功率点跟踪

本文首先根据太阳能光伏电池等效数学模型采用PSOBPNN对太阳能光伏电池进行建模。本文中使用的太阳能光伏电池板的规格参数为：TSM-220PC05。取4月、5月和6月的25日到31日全天的光照强度、光伏电池板温度和光伏电池板电压监测数据作为研究对象，根据太阳能光伏电池等效数学模型可得到目标输出电流，和经过PSO-BPNN的预测输出电流进行对比，并绘制太阳电池板的电流-电压和电压-功率曲线。用PSO-BPNN预测太阳电池最大功率点电压[10－12]。取4月、5月和6月的25日到31日全天的辐射度、板温、环境温度和风速数据作为输入参量，经过PSO-BPNN可得到预测的最大功率点电压，工作流程如图2所示。

图2 最大功率点跟踪流程图

2.1 太阳能光伏电池建模

BP神经网络输入层有3个神经元，分别接收光照强度、光伏电池板温度和光伏电池板电压，隐层含5个神经元，传递函数为logsig，输出层有1个神经元，输出电流，传递函数为purelin，BP神经网络结构如图3所示。

图3 光伏电池的BP神经网络结构图

PSO-BPNN的训练数据为4月份、5月份和6月份的25日到29日全天的光照强度、光伏电池板温度、光伏电池板输出电压，测试数据为4月份、5月份和6月份的30日到31日全天的光照强度、光伏电池板温度、光伏电池板输出电压。部分监测数据如表1所示。

表1 光伏电池板的部分监测数据

2.2 最大功率点电压

BP神经网络输入层有4个神经元，分别接收辐射度、电池板温度、环境温度和风速，隐层含7个神经元，传递函数为logsig，输出层有1个神经元，输出最大功率点电压，传递函数为purelin，BP神经网络结构如图4所示。

图4 最大功率点电压的BP神经网络结构图

PSO-BPNN的训练数据为4月份、5月份和6月份的25日到29日全天的辐射度、板温、环境温度、风速，测试数据为4月份、5月份和6月份的30日到31日全天的辐射度、板温、环境温度、风速。部分监测数据如表2所示。

表2 光伏电池板的部分监测数据

3 锂电池充电的软硬件设计

硬件设计主要由太阳电池板，单片机电路、PWM电路、液晶显示电路、电压电流采集电路、时钟控制电路和锂电池等组成。其中，单片机电路是整个系统电路的控制部分，PWM电路是整个系统的核心电路部分，总体设计框图如图5所示。

图5 锂电充电的硬件电路设计图

通过太阳电池板将太阳能转化为电能的单片机编程实现PWM波控制开关管，然后调整PWM波的脉宽来控制电流的大小，然后送往显示屏显示大小，由A/D转换电路，数据采集和转换为单片机做判断和处理，实现了智能控制电路输出。软件设计包括电路启动初始化、电路功能的选择、输出的选择和确定输出。单片机采集计算输出PWM信号，定时采集数据并处理调节PWM信号的占空比，整体程序框架图如图6所示。

图6 锂电池充电程序流程图

4 系统仿真

4.1 光伏电池模型的SIMULINK仿真

使用S-FUNCTION函数完成对太阳能光伏电池建模的SIMULINK设计，如图7所示，PSO-BPNN得到的预测输出电流和实际输出电流的对比如图8所示。

图7 光伏电池建模的SIMULINK模块图

4.2 最大功率点电压的SIMULINK仿真

同样使用S-FUNCTION函数完成对太阳能光伏电池最大功率点跟踪的SIMULINK设计，如图9所示，PSO-BPNN得到的预测最大功率点电压和实际最大功率点电压的对比如图10所示。

图8 光伏电池建模的实际输出电流和预测输出电流对比

图9 最大功率点电压的SIMULINK模块图

图10 最大功率点电压的预测值和实际值对比

4.3 充电电路的PROTEUS仿真

本文使用PROTEUS仿真软件对充电电路部分进行仿真，仿真测试电路如图11所示。

图11 充电电路仿真图

5 结论

本文采用SIMULINK的s-function的自定义模块和粒子群优化BP神经网络算法完成太阳能光伏最大功率点跟踪和锂电池充电建模，然后通过PROTEUS对成功PWM控制电源进行锂电池充电仿真，完成充电电路的智能控制，可以实现太阳能光伏电池对锂电池的高效快速充电。

[1]周习祥，李加升.基于PSO优化BPNN估计光伏阵列MPPT控制系统研究[J].电源技术，2013(8)：1410-1413.

[2]吕振，于希洋，邬佳奇.基于新型PWM扰动法的最大功率点跟踪策略[J].中国电力，2010(3)：68-71.

[3]林期远，杨启岳，周鑫发，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.

[4]GUAN-CHYUN H，HUNG-I H，CHENG-YUAN T，et al.Photovoltaic power-increment-aided incremental-conductance MPPT with two-phased tracking[J].Power Electronics，IEEE Transactions on，2013，28(6)：2895-2911.

[5]蔡文皓，李云，马晶，等.基于模糊控制的光伏电池MPPT仿真研究[J].电源技术，2013(12)：2144-2146.

[6]易芳，吴敏琦，易灵芝.风能混合储能系统的并联控制研究[J].系统仿真学报，2012(5)：1120-1124.

[7]何秋生，徐磊，吴雪雪.锂电池充电技术综述[J].电源技术，2013 (8)：1464-1466.

[8]胡银全，刘和平，刘平，等.电动汽车用磷酸铁锂电池充电特性的分析[J].汽车工程，2013(4)：293-297.

[9]韩旭同，王中训.高效太阳能发电系统的设计[J].自动化仪表，2013(2)：52-55.

[10]BRITO M A G，GALOTTO L，SAMPAIO L P，et al.Evaluation of the main MPPT techniques for photovoltaic applications[J].Industrial Electronics，IEEE Transactions on，2013，60(3)：1156-1167.

[11]廉小亲，赵瑾，张晓力，等.APSO算法在光伏阵列MPPT追踪器中的应用[J].电源技术，2014(10)：1836-1838.

[12]王亚兰，陈渊睿.光伏电池通用模型及自适应MPPT控制方法[J].电源技术，2015(1)：75-77.

传统的多传感器数据的融合方法是先定义距离矩阵，基于距离矩阵构造支持度矩阵，给出融合权重。本文采用指数衰减函数给出各传感器间的支持程度矩阵，利用支持程度矩阵的每行元素之和获得各传感器的一致性度量，选用线性函数度量最终的加权系数，给出了可靠性融合法。

4 实验结果及结论

应用该系统对一组10块12 V100 Ah的航空铅酸蓄电池进行性能测试。表2给出了测试结果及相对误差。

表2 测试结果及相对误差

从测试的结果可见，采用基于蓄电池放电电流倍率、蓄电池端电压变化幅度、蓄电池的动态内阻变化量的自适应模糊神经网络数据融合推理方法检测铅酸蓄电池的容量，能够有效提高蓄电池容量检测的精度。

参考文献：

[1]黄素斌.航空蓄电池[M].徐州：蓝天出版社，2003：4.

[2]李福伟.基于SOC单片机C8051F022的蓄电池剩余电量的测量[J].电源技术应用，2010(9)：13-16.

[3]张乃尧，阎平凡.神经网络与模糊控制[M].北京：清华大学出版社，1998.

Design of lithium battery charging control system using solar photovoltaic cells based on particle swarm optimization BP neural network

A lithium batteries fast charging control system using solar photovoltaic cells was designed by maximum power point Tracking for solar cells and Particle Swarm Optimization BP Neural Network controlling.Firstly,the SIMULINK S-function module and the BP neural network of particle swarm optimization algorithm were employed to achieve four work environment parameters such as radiometry,battery plate temperature,ambient temperature and wind speed for modeling and maximum power point tracking.Then,the intelligent control of the charging circuit was designed by PWM controlling switch transistor with programming SCM.Next,the PSO BP neural network system simulation was implemented by MATLAB and SIMULINK,and the charging circuit simulation was completed on PROTEUS platform.Finally,the process of charging lithium batteries was verified via hardware debugging.The results show that the rapid and efficient charging of lithium battery can be achieved from the solar photovoltaic cells by PSO BP neural network system.

MPPT;particle swarm optimization;BPNN;PWM;rapid charging for lithium battery

TM615

1002-087X(2016)12-2411-04