基于优化的模糊神经模型的光伏发电预测的研究

沈璐璐

摘 要： 采用模糊神经网络模型实现对不同环境条件下光伏发电系统电气特性进行预测，并使用粒子群优化算法对模糊神经模型地结构和参数进行优化训练。实验证明所提出的优化模糊神经模型具有更优的准确性、紧凑性和可解释性，可以在线估计和预测单个光伏模块电气特性以及最大功率点，且具有较好的计算性能。

关键词： 光伏发电预测; 模糊神经网络模型; 粒子群优化

中图分类号： TP 399      文献标志码： A

Abstract： In this paper， the fuzzy neural network model is used to predict the electrical characteristics of the photovoltaic power generation system under different environmental conditions， and the particle swarm optimization algorithm is used to optimize the structure and parameters of the fuzzy neural model. Experiments prove that the proposed optimized fuzzy neural model has better accuracy， compactness and interpretability. It can estimate and predict the electrical characteristics and maximum power point of a single photovoltaic module online， and it has good computing performance.

Key words： photovoltaic power generation prediction; fuzzy neural network model; particle swarm optimization

0 引言

光伏（PV）发电系统的最大输出功率点（MPP）水平随环境条件和气候条件的不同而变化，因此需要对不同条件下PV系统的电气特性进行准确和高效地预测，从而获得其MPP[1-2]。现有的PV系统电气特性预测方法主要有三大类：间接预测方法、直接测量方法和基于人工智能算法的预测方法。

间接预测方法包括使用预先确定的参数和数据，这些参数和数据是通过对PV模块进行事先实验评估获得。这种方法的主要缺点之一是模型需要大量内存来存储模型参数的值[3]。直接测量方法是基于电压和电流的在线测量值。直接测量方法的关键概念是对PV电压进行调节，直到PV功率和电压变化之间的比率获得零值为止。这种方法的缺点在于最佳工作点附近连续振荡以及控制器的电路复杂性较高[4-5]。

为了避免上述方法的弊端，基于人工智能算法的预测技术越来越受到关注。已有研究提出使用布谷鸟搜索优化算法[6]、人工蜂群算法[7]以及人工鱼群算法[8]实现在实际环境条件下的PV模块电气特性预测和最大功率点的估计，但是这些算法在计算效率和预测精度等方面存在不足。为此本研究提出了一种改进的基于神经模糊模型来表示PV电气特性。使用粒子群优化算法（PSO）对模型参数进行训练。在PSO训练时使用加速度系数和惯性因子以避免训练过程中会出现明显波动，同时可以将过程结束时预测电流与其实际值之间的误差最小化。实验表明所提出的模型可以在短时间内以最小的误差和零振荡来预测和跟踪PV系统在变化环境条件下的电气特性。

1 PV建模

建模对象为以np×ns个太阳能电池的PV阵列，np为串联面板块数，ns为串联面板块数。Vpv和Ipv分别表示PV阵列的输出电压和电流。如果忽略内部并联电阻和串联电阻，则PV面板阵列的输出电流[9]，如式（1）。

对于上述训练算法，有四个PSO参数，即Ω（0）、Ω（Nk）、ξ1和ξ2，都需要正确选择，以使模型训练准确且计算效率高。

本研究使用常规初始化模式来确保初始粒子更均匀地覆盖搜索空间。即在实践中，这20个粒子被初始化为尽可能彼此远离并且尽可能远离搜索空间的边界。粒子的初始化范围是[-15，15]。

调整完所有模型参数后，必须使用公式（8）重新计算规则权重，并更新线性参数，以便获得另一组新的适应度函数值。迭代执行训练算法，以便连续生成具有更好解的一组粒子，直到达到最大迭代为止。在此过程结束时，将使用适应度函数最高的粒子来确定PV模型的最终结构。

上述算法流程，如图4所示。

3.3 使用PSO算法更新模型参数

通过初步的模拟研究，选择了四个PSO参数设置，即ξ1、ξ2、Ω（0）和Ω（Nk）。在初始阶段，按照Kennedy和Eberhart最初的算法设计，设置参数值为ξ1=ξ2=2且Ω（0）=Ω（Nk）=1。使用这些参数设置，可以分别生成十个不同的PV模型。每个模型都从20组不同的粒子中选择。每个模型调整的迭代总数设置为30。在每次迭代中，均记录了采样的PV电流与总体最佳粒子所预测的PV电流之间的均方根误差，如式（18）所示。

4 實验结果

实验电路和算法流程，如图5所示。

实验电路和平台包括：用于PIC18F452和PV模拟器编程的计算机、MPPT控制器、PICKIT2调试器、示波器、SEPIC（DC/DC变流器）、电流探头和负载电阻器。PV模块、SEPIC和MPPT控制器在MATLAB / Simulink中实现。

PV模块的电气参数，如表4所示。

神经模糊算法参数，如表5所示。

最大粒子数、最大迭代数C1、C2、Wmin和Wdamp分别为2 000、150、1、2、0.5和0.99。运行PSO-NF模型的计算时间为1分钟04 秒。

通过对三个输入参数V（电压）、G（日照）和T（温度）的解析计算和输出数据Ipv的采集，以进行神经模糊算法参数的学习。学习过程如下。首先完成了由V、G、T和Ipv组成的学习数据收集，下一步就是使用混合PSO-NF算法的学习过程来调整前馈网络和后馈网络的参数。模型的平均平方误差结果如图6所示。可以看出，在迭代53次时算法实现了收敛，此时稳态误差等于0.3%，该数值非常低，证实了所提算法的良好性能。最后一步是对实验结果进行检查和验证。

上述计算过程与模型训练中的计算过程相同。 使用式（1）计算解析Ipv，以构造包括三输入和一输出的检查向量。因此，使用开发的算法估算光伏阵列Ipvis的发电电流。包含在集合V、G、T和Ipv中的数据称为检查数据。由于在PSO-NF算法中调用了检查数据选项，因此最终选择的模糊推理结构（FIS）具有最小检查错误。因此，最终模型的均方误差如图6所示。

可以发现稳态误差等于0.4%，显然这个数值已经足够小。

图7表明，对于变化的日照度和电池温度，预测曲线非常接近原始曲线，显示了所提出算法的良好性能。

一旦使用本研究所提算法估算了PV電池输出电流I ^pv，就可以通过式（4）计算出PV的MPP。如图7（a）和图7（b）所示。

实验结果表明，所提算法可在仅知道PV模块电气参数的情况下，基于针对任何照度和电池温度精确预测PV阵列的电气特性。

5 总结

本文提出了一种基于PSO-NF的PV系统电气特性的模型。为了获得模型算法所输出结果的准确性，紧凑性和高解释性，提出了模型参数和模型结构一起优化的思路。为了使模型参数在整个训练过程中不出现明显的波动，同时使预测电流与训练结束时的实际值之间的误差最小化，本研究选择了用于PSO-NF训练方案的加速度系数和惯性因子。仿真实验结果表明，本研究所提算法能够准确预测不同气候条件下PV系统的电气特性，且计算性能较好。

参考文献

[1] 窦晓波，蔡超，段向梅，等.计及模型误差的分布式光伏配电网优化调控方法[J].电力自动化设备，2019，39（12）：41-48.

[2] 王建山，杨奕，杨元培，等.基于混合逻辑动态的MPPT建模仿真[J].太阳能学报，2019，40（11）：3046-3053.

[3] 赵泰祥，廖华，马逊，等.局部阴影下光伏组件的Matlab/Simulink仿真模拟与特性分析[J].太阳能学报，2019，40（11）：3110-3118.

[4] 蒋建东，余沣，董存，等.基于PSO与ELM组合算法的短期光伏发电功率预测模型[J].郑州大学学报（理学版），2019，51（3）：120-126.

[5] 王硕禾，郑俊观，陈祖成，等.基于改进粒子群优化算法光伏阵列多峰值MPPT的研究[J].可再生能源，2019，37（6）：879-885.

[6] 文立.基于Takagi-Sugeno模糊神经网络的光伏发电功率预测研究[J].智能计算机与应用，2019，9（3）：118-121.

[7] 张海洲，张正江，胡桂廷，等.准最小二乘的神经网络在光伏MPPT中的应用[J].控制工程，2018，25（12）：2257-2262.

[8] 代莎，董秀成，夏焰坤，等.光伏阵列多峰最大功率点优化跟踪算法[J].电力系统及其自动化学报，2018，30（12）：48-52.

[9] 刘瑞，吕玮，张昊，等.基于人工蜂群算法提高光伏阵列多峰的功率输出[J].信息技术，2018（11）：143-147.

[10] 赵剑飞，卢航宇，丁朋飞.基于T-S模型的模糊神经网络光伏MPPT控制[J].电机与控制应用，2018，45（11）：116-120.

[11] 吴玥，行鸿彦.基于SA-BP神经网络算法的光伏阵列MPPT研究[J].计算机仿真，2018，35（10）：270-273.

[12] 龚波，周永华.基于自适应遗传算法的PI控制在MPPT中的应用研究[J].计算技术与自动化，2018，37（2）：12-16.

[13] 陈宏，王伟，冯炜，等.基于自适应线性调节抗干扰PSO的光伏群体MPPT控制[J].计算技术与自动化，2017，36（1）：46-51.

[14] 杨晓波，高晓萍，王婷，等.光伏组件输出特性研究及在线预测方法[J].电测与仪表，2016，53（24）：50-55.

[15] 郭鹏，孙建起，刘振永，等.基于模糊聚类和自适应神经模糊推理的MPPT研究[J].现代电子技术，2016，39（14）：154-157.

（收稿日期： 2020.02.28）