基于BP神经网络的复杂光照条件下光伏列阵MPPT控制研究

李帅，毕大强，任先文

(1.东北电力大学电气工程学院，吉林 吉林 132012； 2.电力系统国家重点实验室，清华大学电机系，北京 100084)

基于BP神经网络的复杂光照条件下光伏列阵MPPT控制研究

李帅1，毕大强2，任先文1

(1.东北电力大学电气工程学院，吉林 吉林 132012； 2.电力系统国家重点实验室，清华大学电机系，北京 100084)

当光伏列阵中出现移动云等遮挡物时，光伏输出特性曲线会出现多峰值的情况。本文针对这一现象，分析了光伏列阵不同遮挡位置、遮挡强度以及温度对光伏输出特性的影响，提出了一种基于BP神经网络的最大功率点跟踪(Maximum Power Point Tracking，MPPT)控制模型，通过对光伏阵列进行区域划分，并根据不同区域的光照强度与温度的变化，实现最大功率点跟踪与控制。将模型应用于单级式光伏并网系统中，进行了Matlab的软件仿真实验和RT_LAB的硬件在环仿真实验，仿真结果表明该方法能够在复杂环境条件下对光伏系统进行最大功率跟踪，具有较高的精度和快速反应能力。

光伏发电；最大功率跟踪；阴影遮挡；神经网络

1 引言

太阳能发电由于不受能源资源和原材料的限制，具有广阔的发展前景，是目前重点发展的可再生能源之一。但是，光照强度和温度等自然因素变化对光伏列阵的输出特性有着较大的影响，导致光伏电池的输出功率变化较大，光电转化率低。为了提高效率，降低功率损失，应当使光伏系统在任何情况下都处于最大功率状态[1]。传统的最大功率跟踪方法有：恒定电压法、扰动干扰法、电导增量法等[2]。其中扰动法应用最为广泛，其原理是测量当前太阳能电池的输出功率，给原来的输出电压增加一个扰动，那么光伏阵列输出功率会相应发生改变，同时对改变前后的功率大小进行比较判断，根据判断的结果即可判定输出功率改变的方向，然后再根据功率改变的方向来确定扰动的方向，通过不断地扰动和判断，从而实现对系统MPPT跟踪控制。该方法仅在光伏阵列没出现遮挡的情况下，才能够对光伏阵列的最大功率点进行有效的控制。

当光伏列阵出现遮挡时，其输出的特性曲线会出现多峰值的情况[3]，传统的MPPT跟踪方法很可能在跟踪过程中陷入局部最优值，导致光伏系统并没有工作在最大功率点处[4]。

由于人工智能算法适用于求解非线性问题的最优解，将其与电力电子控制相结合已成为研究热点。在光伏发电的MPPT技术方面，采用了粒子群和神经网络等智能算法。

粒子群算法[5]的收敛是以轨道形式实现的，因此搜索空间是一个有限的区域，没有覆盖整个可行的空间，对于多峰值问题在寻优过程中也很有可能丢失最大峰值。

人工神经网络[6]是在人类对其大脑神经网络认识理解的基础上人工构造的能够实现某种功能的神经网络。它是理论化的人脑神经网络的数学模型，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。它本质上是由很多简单的元件相互连接的复杂网络，具有高度的并行性、高度的非线性全局作用、良好的联想记忆功能与容错性、自适应学习功能等优点，这使得神经网络控制可以很好地对同样具有非线性输出的光伏阵列的最大功率点进行跟踪。文献[7]在应用BP神经网络时将光照和温度作为输入量来跟踪最大功率点电压，该方法在无遮挡的情况下可以很好的跟踪到最大功率点。但是当遮挡出现时，局部光照强度发生改变，单从整体光照强度和温度变化无法反映出遮挡情况，所以在出现遮挡时，该方法不能很好的跟踪到最大功率点。文献[8-9]则将温度、光照以及时间作为输入量，当出现建筑和树木等固定遮挡物时，光伏阵列的遮挡情况可以通过时间变化反应出来，实现最大功率点进行跟踪控制。但是当出现移动云等遮挡的情况时，由于出现遮挡的位置、时间以及遮挡强度具有不确定性，被遮挡部分的光照强度和温度等因素则不能被时间很好地反应出来。所以，该方法对出现移动云等遮挡物时无法对最大功率点进行准确跟踪。

本文提出了基于BP神经网络的MPPT控制方法，通过对影响光伏列阵输出功率的外界因素进行建模分析，如光照温度以及遮挡面积等，利用BP神经网络的非线性求解特性，在复杂光照条件下对光伏输出特性曲线进行快速精确的跟踪，并且避免给光伏系统带来干扰。本文将光伏列阵进行了区域划分，实时采集各个区域的光照强度和温度作为输入量。当光伏列阵中出现固定遮挡或者移动遮挡时，都可以通过不同区域的光照强度变化反应出来，在任何复杂光照条件下进行最大功率跟踪控制。通过仿真实验和硬件在环实验在单级式并网光伏系统中验证了该方法的有效性。

2 光伏列阵的特性分析及模型搭建

2.1 光伏电池特性

光伏发电是通过光伏电池将太阳能转换成电能的过程。光伏电池属于半导体器件，当光照射到电池板上时，太阳能就会转换成电能，多块光伏电池串并联在一起形成光伏列阵。当光伏电池列阵中部分光伏电池处于阴影中时，阴影中的光伏电池会吸收一些高光照强度的光伏电池所产生的电能，并将其转化为热能，形成“热斑”现象[10]，降低输出功率，损坏光伏电池。为了避免热斑效应，通常在光伏电池上并联一个旁路二极管。

考虑反向雪崩击穿效应的光伏电池的特性等效电路[11]如图1所示。

图1 光伏电池等效电路

由光伏电池的等效电路得出的数学模型[12]

I=Iph-ID1-ID2-IV-Ish

(1)

(2)

(3)

(4)

(5)

式中：I为光伏电池元的输出电流，(A)；Iph为光伏电池元的光生电流，(A)；ID1为二极管D1的电流，(A)；ID2为二极管D2的电流，(A)；IV为反向雪崩击穿电流，(A)；Rsh为光伏电池元等效并联电阻，(Ω)；Rs为光伏电池元等效串联电阻，(Ω)；V为光伏电池元的输出电压，(V)；A1为二极管D1的品质因子；A2为二极管D2的品质因子；Vbr为雪崩击穿电压，(V)；a、nn为雪崩击穿特征常数；T为光伏电池温度，(℃)；q为电子电荷量，(C)；k为玻尔兹曼常数，(J/K)。

根据上述光伏电池的数学模型，在simulink中搭建单块光伏电池模型如图2所示。

图2 光伏电池模型

在没有遮挡情况出现时，光伏电池输出特性曲线会出现单峰值的情况，即只有一个最大功率点。设置电池基本参数：最大功率点电压288V，最大功率点电流13.88A，开路电压354V，电路电流14.88A。光伏电池的U-I和P-U特性曲线分别为图3、图4。

2.2 光伏阵列输出特性分析

将单个电池模块进行封装，加上旁路二极管，然后将多个光伏电池模块串并联在一起，形成光伏阵列。如图5所示。

当外部环境变化时，光伏阵列中部分光伏电池被遮挡，由于部分光伏电池接受到的光照下降，从而导致被遮挡的光伏电池的U-I特性曲线上的短路电流值的下降；同时，由于遮挡导致光伏电池温度升高，其相应的开路电压值也会相应的减小。显然，当光伏阵列中的部分光伏电池被遮挡时，其光伏阵列的输出特性会发生变化，光伏电池的P-U曲线会呈现多峰值的情况。图6为遮挡光伏列阵中四块光伏电池时P-U曲线变化情况。

图5 光伏阵列模型

图6 遮挡时功率与电压输出曲线

可以看出遮挡条件下光伏电池的特性曲线有强烈的非线性特征。当光伏输出曲线出现多峰时，传统的最大功率跟踪方法容易陷入局部最优，导致无法快速跟踪到最大功率。

3 基于BP神经网络的MPPT 算法

3.1 基于BP神经网络的遮挡情况下MPPT模型设计

BP神经网络结构可分为三层[13]：输入层、隐含层、输出层。每层中的节点没有相互联系，层与层之间的节点通过权值相互连接。权值都是可以调整的，它将具有简单处理能力的节点连接在一起，当权值调整到适当值时，就能输出正确的结果。在一个m行n列构成的光伏列阵中，由于单个光伏电池的功率很小，只遮挡其中一块或者几块光伏电池时，对光伏阵列的输出特性曲线几乎没有影响，虽然其输出特性曲线会出现小波动，但不会出现明显多峰值的情况。只有形成区域遮挡的时候，光伏的最大功率才会出现明显变化，光伏功率曲线才会形成多峰值[14]。因此，本文将四块光伏电池绑定为一块区域，交错叠加绑定。由于影响光伏列阵出现多峰值的外界因素主要为光照强度和温度，所以取每个区域的光照强度作为已知输入量。这样无论光伏列阵中出现任何遮挡情况都可以通过每个区域的光照强度直观的反映出来。本文以九块光伏电池组成的光伏列阵为例。将光伏列阵的平均光照强度分层四个区域，如图7所示。

图7 神经网络区域划分

当光伏列阵出现遮挡时，无论遮挡什么位置，都会引起E1、E2、E3、E4四个区域中的几个区域平均光照强度发生变化，从而判断其输出功率曲线输出多峰的情况，找到最大功率点电压。

输入层节点数设为5个，分别为：温度T，平均光照强度E1、E2、E3、E4。采用tansig型(双正切S型传递函数)作为输入层的传输函数。输出层的节点数设为1个：最大功率点输出电压。输出层的传输函数为logsig型(S型传输函数)。

表1 节点数目与拟合度对照表

本文采用单隐层网络。隐含层节点数的设计非常关键，它是导致训练时出现过拟合的直接原因，因此在保持输出精度的前提下，尽量保证较少的节点数量。表1为不同节点数时，网络的拟合度对比，多次测试得到当隐含层节点数为20个时。网络输出误差最小。

神经网络结构如图8所示。

图8 神经网络结构

针对3*3的光伏列阵，分别采集不同遮挡位置时的数据，同一遮挡位置不同遮挡强度的数据，以及不同温度下的100组遮挡数据，对神经网络进行训练，训练函数为trainlm函数(Levenberg-Marquardt BP训练函数)。

在BP神经网络训练阶段，在100个训练样本中，首先假定其中某一个样本p的输入{xp}和输出{tp}对神经网络进行训练，隐含层的第i个神经元在样本p的作用下，其输入为:

(6)

隐含层的任意神经元k的加权系数增量公式为：

(7)

输出层的任意神经元k的加权系数增量公式为：

(8)

在误差反向传播过程中，由输入层按照梯度下降法反向计算，可逐层调整权值。神经元j到神经元i的连接权值第t+1次调整算式为:

(9)

在训练过程中输入信息从输入层进入，经过隐含层逐层计算传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层没有得到期望的输出，则计算输出层的误差变化值，然后反向传播，通过网络将误差信号沿原来的连接通路反向回来修改各层神经元的权值直至达到期望目标。再选取10组数据作为测试数据。最大训练次数为1000次，期望误差为0.001。训练结果如图9所示。

图9 BP神经网络训练结果

通过上图可以看出，BP神经网络的输出基本与实际最大功率点电压相等。由此可见，BP神经网络可以准确的判定最大功率点电压。

4 Matlab仿真验证

4.1 单级式光伏并网系统的拓扑结构

本文以单级式光伏发电并网系统为应用对象，来实现BP神经网络的最大功率跟踪控制。单级式光伏发电系统具有结构简单、成本低、效率高等特点。单级式并网光伏逆变系统由光伏列阵、直流母线电容、DC/AC、电感L等组成。采用BP神经网络MPPT控制的单级式光伏发电系统控制如图10所示。

在simulink中搭建仿真模型如图11所示。该系统采用双闭环控制，在实时控制中，实时采集的环境参数作为输入量，通过BP神经网络的训练结果进行求解，求得最大功率点的电压值Vm，并将该值作为外环

电压控制的参考值，使光伏逆变器的直流侧电压稳定工作在最大功率点Vm附近，从而实现光伏发电MPPT的快速跟踪。

图10 单级式光伏并网拓扑结构

图11 simulink单级式光伏模型

在光伏系统运行中模拟有移动云遮挡情况下，观察功率和最大功率点电压的变化，以检验本文所提出的BP神经网络模型对MPPT点跟踪的有效性。现选定两种遮挡情况进行对比，遮挡第一行第一块和第二行第二块光伏电池设置为情况一，此时最大功率点在P-V曲线的左侧峰值上。遮挡部分的光照强度为100W/m2,其他未被遮挡的光伏电池均为标准光照强度1000W/m2，温度均为25℃。光伏P-V曲线如图12情况一所示。

其最大功率为24.7kW，最大功率点电压为599.5V。当光伏系统运行到2s时，遮挡情况变化为情况二，遮挡第一行前两块和第二行前两块光伏电池。遮挡处的光伏电池光照强度为600W/m2，其他未被遮挡的光伏电池光照强度为1000W/m2，温度均为25℃。此时光伏P-V曲线如图12情况二所示，最大功率点位于P-V曲线右侧峰值上，其最大功率为26.83kW，最大功率点电压为878.2V。运行结果如图13所示。

图12 功率与电压输出曲线

由图13 可以看出，当光伏列阵出现移动遮挡时，BP神经网络可以快速的做出反应，并跟踪到最大功率点电压，保证光伏系统始终工作在最大功率点处。

图13 功率和电压变化simulink仿真结果

5 RT_LAB硬件在环实验

5.1 RT_LAB仿真模型及实验结果

RT_LAB是一套工业级的系统实时仿真平台.通过RT_LAB，可以直接将利用MATLAB/Simulink建立的动态系统数学模型应用于实时仿真、控制、测试以及其他相关领域。其采用实时多任务操作系统QNX，能够快速的处理复杂的模型，更精准的模拟实物的特性。

在RT_LAB中将模型分为三个部分，将一个3*3的光伏列阵放在SM_pv的子系统中，其中光伏电池的基本参数与matlab中光伏电池参数一致。将直流母线电容、逆变器等主电路放在SM_Main的子系统中。示波器显示部分在SC_interface子系统中。其硬件在环仿真系统实物如图14所示。

图14 RT_LAB仿真实物图

在SM_pv的子系统中，将光伏列阵中的部分光电池设置成每10秒变化一次光照强度与温度。观察神经网络是否能跟踪到最大功率点，逆变器控制是否稳定。设备光伏列阵基本参数与matlab仿真时完全一致。遮挡变化情况则由情况二变化到情况一。

主电路在RT_lab中进行实时仿真运行，并通过外部连接的控制器进行控制，实现神经网络最大功率跟踪以及对逆变器进行控制。RT_LAB平台结构如图15所示。

图15 单级式光伏发电系统硬件在环平台结构

实验结果如图16所示，第一条为交流侧电流曲线，第二条为直流侧电压曲线，第三条为功率曲线。

图16反映了光伏列阵从一种遮挡情况变化到另一种遮挡情况的过程中，交流侧电流，直流侧电压与功率的变化情况。由此可以判定出神经网络能够准确的对光伏列阵的最大功率点进行跟踪。

图16 RT_LAB仿真结果

6 结论

本文通过对光伏电池输出特性进行分析，结合simulink仿真得出温度，光照强度，遮挡位置等因素将造成光伏阵列的输出曲线的多峰特性。针对传统MPPT算法在多峰情况下的局限性，本文根据主要影响因素设计了BP神经网络的MPPT模型。为验证该模型的有效性，将该模型应用于单级式光伏逆变器的最大功率跟踪与控制，通过matlab软件仿真与RT_LAB硬件在环进行半实物仿真，验证了该方法能够很好的对复杂光照条件下的光伏系统进行最大功率跟踪，并且具有结果简单，反应速度快，跟踪精度高等特点。实验表明该模型的适用性强，具有较好的实际应用前景。

[1] Carrasco J M,Franquel L G,Bialasiewicz J T,et al.Power-electronic systems for the grid integration of renewable energy source:a survey[J].IEEE Transactions Industrial Electronics,2006,53(4):1002-1016.

[2] 韩海霞.局部阴影下的光伏阵列MPPT算法研究[D].浙江:浙江大学,2014.

[3] 戚军,翁国庆,章旌红.光伏阵列多峰最大功率点分布特点研究[J].电力自动化设备,2014,3:132-137+143.

[4] Brundlinger R,Bletterie B,et al.Maximum power point tracking performance under partially shaded PV array conditions[C].21st European Photovltaic Solar Energy Conference and Exhibition,Dresden,2006.

[5] 朱艳伟,石新春,但扬清,等.粒子群优化算法在光伏阵列多峰最大功率点跟踪中的应用[J].中国电机工程学报,2012,4:42-48+20.

[6] 常雪莲.基于神经网络的光伏发电MPPT的研究[D].天津:天津理工大学,2013.

[7] 苏海滨,卞晶晶,刘强,等.基于神经网络的光伏发电最大功率点跟踪算法[J].华北水利水电学院学报,2010,6:80-83.

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

[9] 胥芳,张任,吴乐彬,等.自适应BP神经网络在光伏MPPT中的应用[J].太阳能学报,2012,3:468-472.

[10] 王岩.光伏发电系统MPPT控制方法的研究[D].北京:华北电力大学(河北),2007.

[11] 冯宝成,苏建徽.部分遮挡条件下光伏组件的建模与仿真研究[J].电气传动,2011,(7):61-64.

[12] 党克,杨维湘,于吉庆.改进型单神经元在光伏发电系统中的仿真研究[J].东北电力大学学报,2013,Z1:99-102.

[13] Subha R,Dr Himavathi S.Neural network based maximum power point tracking scheme for PV systems operating under partially shaded conditions[C].2014 International Conference on Advances in Green Energy(ICAGE),Trivandrum,2014,39-43

[14] 李腾飞.复杂光照条件下光伏发电系统输出特性及最大功率点跟踪研究[D].太原:太原理工大学,2014.

Research on PV Array MPPT Control under Complex Lighting Conditions Based on BP Neural Network

LIShuai1,BIDa-qiang2,RENXian-wen1

(1.School of Electrical Engineering,Northeast Dianli University,Jilin 132012,China；2.State Key Lab of Power Systems,Dept.of Electrical Engineering,Tsinghua University,Beijing 100084,China；)

When the mobile cloud and other obstructions appear over the PV array，the output characteristic curve of PV will be multimodal.Aiming at this phenomenon,this paper analyzes the impact of the different PV array blocking position,blocking strength and temperature on the PV output characteristics,and proposes a maximum power point tracking(MPPT)control model based on BP neural network.According to changes of light intensity and temperature of different regions,a maximum power point track and control method is realized.The model is applied to a single-stage photovoltaic grid system,and made Matlab software simulation and hardware in loop based on RT_LAB simulation experiments,the simulation results show that this method can conduct MPPT of the photovoltaic system under complex environment conditions with high accuracy and rapid response capability.

PV generation;maximum power tracking;shadows shade;neural network

1004-289X(2016)06-0066-07

TM71

B

2015-10-15

李帅(1990-)，男，硕士研究生，研究方向为光伏发电新技术； 毕大强(1973-)，男，博士，高级工程师，研究方向为电力系统主设备继电保护、电力电子技术在电力系统中的应用； 任先文(1954-)，男，硕士，教授，硕士生导师，研究方向为电力电子技术在电力系统中的应用、微机在电力系统中的应用。