CN101262191B - 太阳能追光电力能源系统与平滑网络多阶伺服控制方法 - Google Patents

Abstract

本发明提出了一种太阳能追光电力能源系统与平滑网络多阶伺服控制方法，可以应用到太阳能发电、电力能源、自动控制、人工智能等领域。该系统包括有信号采集处理电路(1)、CPU控制电路(2)、电机驱动电路(3)、键盘显示电路(4)和电源电路(5)。该系统及多传感器布局可以太阳能板实时转至最佳采光点，高效采能储能。平滑网络多阶伺服控制方法，能够解决电机换向时的抖动问题、低速运行时电机堵转问题和各种情况导致的过压电机烧毁问题。本发明特别提高了太阳能系统的效率、稳定性和智能化程度。

Description

太阳能追光电力能源系统与平滑网络多阶伺服控制方法

技术领域

本发明提出了一种太阳能追光电力能源系统与平滑网络多阶伺服控制方法，可以应用到太阳能发电、电力能源、自动控制、人工智能等领域。

背景技术

在能源紧缺的二十一世纪，太阳能的利用逐渐被广大人们所重视。如何有效采集和利用太阳能成为热点话题。目前世界上太阳能采集系统主要采用的是机械的单方向式采集。主要用于偏远地区家庭储能供电、路灯供电等。该采集方式一般不包含任何智能控制系统，太阳能板随意摆放在朝阳位置，一年四季不会改变。一天内只有少部分时间段采集太阳能效率达到最高(太阳光入射方向与太阳能板垂直)，而其余时间均低效运转。结构简单是该太阳能采集系统的优点，但是该系统效率低下，投入与获得不能达到正比，利益无法最大化。

对于现在市场上具有一定智能控制功能的太阳能采集系统，其控制算法较简单，不能有效地减少电机在太阳能采集时的误操作，电能浪费较大。由于没有对采集信号进行有效的处理，电机运转易抖动，没有在一定程度上保护电机，降低了电机寿命与系统的运转稳定性，严重时甚至烧毁整个系统。

发明内容

本发明的目的在于克服现有太阳能采集系统的上述缺陷，提供了一种太阳能追光控制系统及控制方法。本系统可以对周围光信息进行实时采集，判断光强最大位置，并使用人工智能算法控制一维电机与二维电机的转向与转速，分别实现太阳能板水平面一维旋转以及竖直面二维旋转，使太阳光垂直入射至太阳能板，实现太阳能的实时高效采集。解决了传统单方向式采集的低效运转问题。能够减少电机在太阳能采集时的误操作，降低电机运转时的抖动问题，解决了低速运行时电机堵转问题，和增加了过压保护机制，在一定程度上既保护了电机，又可以使系统更加稳定的运行，从而提高了整个追光系统的综合性能和稳定性。为太阳能采集系统应用于实际工程，特别是对人工智能应用领域，提供解决方案和有效帮助，更好的满足实际应用的需求。

为了实现上述目的，本发明采取了如下技术方案。本系统主要包括有信号采集处理电路1、CPU控制电路2、电机驱动电路3、键盘显示电路4和电源电路5；其中：

信号采集处理电路1包括有多传感器接入电路1.1、信号增强电路1.2；

多传感器接入电路1.1的输入端与i支传感器S₁…S_i的输出端相连接，接收范围为0～V_max电压待测信号，V_max为输入电压峰值，其中S₁…S_j，j+1≤i是水平方向部署的传感器，S_j+1…S_i是竖直平面部署的传感器，为保证控制精度取j≥8，i-j＝2。多传感器接入电路1.1的输入端将传感器S₁…S_i所采集的信号A_in1…A_ini接入；多传感器接入电路1.1的输出端与信号增强电路1.2相连接，把采集到的模拟信号进行放大、除噪处理，处理结果为A_in1′…A_ini′；

信号增强电路1.2输出端与CPU控制电路2中的A/D转换模块2.1的输入端相连接，将A_in1′…A_ini′送入CPU控制电路2中；

CPU控制电路2包括有A/D转换模块2.1、运算处理模块2.2、D/A转换模块2.3、PWM波生成模块2.4；

CPU控制电路2的A/D转换模块2.1与信号采集处理电路1的信号增强电路1.2的输出端相连接，接收信号增强电路1.2处理后的模拟量电压值；A/D转换模块2.1将接收到的模拟量电压值转换成数字量IN₁…IN_i；A/D转换模块2.1的输出与运算处理模块2.2相连接，将转换完毕的数字量送至运算处理模块2.2；

运算处理模块2.2的输入与A/D转换模块2.1的输出相连接，根据A/D转换模块2.1转换的信号计算出实际的电压值，存储于CPU控制电路2的RAM中，并送至键盘显示电路3中的显示部分显示；通过对一维及二维各方向输入信号的比较运算，输出数字信号至D/A转换模块2.3；

D/A转换模块2.3的输入与运算处理模块2.2运算处理完成的输出相连接，接收运算处理模块2.2输出的数字信号OUT₁…OUT_i，D/A转换模块2.3的输出端与PWM波生成模块2.4的输入端相连接；

PWM波生成模块2.4将从D/A转换模块2.3接收到的模拟信号A_out1′…A_outi′转化为用以控制电机的等比例占空比的PWM波信号A_out1…A_outi；PWM波生成模块2.4的输出与电机驱动电路3相连接，将电机控制信号输出至电机驱动电路3用于驱动电机；

电机驱动电路3的输入端与CPU控制电路2中PWM波生成模块2.4相连接，接收PWM波控制信号；输出端与一维电机、二维电机的控制信号输入端相连接，分别控制一维电机以及二维电机的转速和转向；

键盘显示电路4通过数据总线、地址总线和控制总线与CPU控制电路2相连接，键盘显示电路4中的显示部分用于显示A/D转换模块2.1实时转换的结果；键盘显示电路4中的键盘通过键盘显示控制芯片与CPU控制电路2相连接；

电源电路5为以上各电路提供电源。

信号采集处理电路1所接收到的信号，S₁…S_j为分布在一个与水平面平行的圆盘四周的光电传感器，光电传感器对称的分布在圆盘四周，感光面与圆周切线平行，实时采集系统周围光信息等待处理；S_j+1…S_i为分布与竖直平面即二维追光平面平行的圆周四周的光电传感器，一般取两个。其中上方传感器感光面与太阳能板夹角γ°朝上，下方传感器感光面与太阳能板夹角γ°朝下，其中0＜γ＜45，以保证感应信号有所差别以待处理，扩大敏感区。

2.装置工作流程：

CPU控制电路2通过信号采集处理电路1读取传感器S₁…S_i采集到的光电信号并对其进行如下处理：其中：S₁…S_j是水平平面部署的传感器，S_j…S_i是竖直平面部署的传感器；

运用平滑网络多阶伺服控制方法，由神经网络参数初始化配置、输入平滑化、神经网络训练、神经网络计算、多阶映射输出5个核心步骤构成：

步骤1，神经网络参数配置：

参数分为两类：配置的参数只需在系统第一次运行前输入一次即可，系统运行后其值不发生改变；初始化的参数是在系统上电运行后，由程序将其赋值，系统运行后其值会被程序改变；

配置训练样本数据M_train(.)：即为适应各种复杂或无预先控制经验的情况而从环境中提取的训练样本，M_train(.)为一矩阵每一行表示一个训练样本。其中变量a表示一共有a个传感器的输入数据，x(i，b)表示第b个训练样本中第i个的传感器的输入数据，其中i＝1，2，…，a，而b＝1，2，..；n，，n表示一共有n个训练样本，跟据实际设计要求设定训练样本个数，此系统中取训练样本个数n＝50，y(b)表示第b个训练样本的目标值，在系统第一次运行前，通过控制器上的键盘输入一次即可，系统将M_train(.)存入Flash的空间，系统运行后其值不发生程序运行而改变，但可通过控制器上的键盘进行修改，如果M_train(.)已经输入过并无需修改，则可跳过这一步；

配置经验权值表W(.)：即以前神经网络系统训练后存储的各个权值关系，如果存在经验权值表W(.)，则只需在系统第一次运行前通过控制器上的键盘输入一次即可，系统运行后其值不发生程序运行而改变，如果不存在经验权值表W(.)，则可通过训练样本对神经网络进行训练得出并保存，配置W(.)后，由系统软件判断决定是否加载，W(.)可通过控制器上的键盘对其进行修改；

配置训练次数最大值τ：τ是标志网络训练次数的参数，根据实际设计要求设定，只需在系统第一次运行前通过控制器上的键盘输入一次即可，系统运行后其值不发生程序运行而改变，但可通过控制器上的键盘对其进行修改；

配置网络收敛阈值ω：ω是标志网络收敛程度的参数，根据实际设计要求设定，用于判定神经网络训练后，网络是否收敛，只需在系统第一次运行前通过控制器上的键盘输入一次即可，系统运行后其值不发生程序运行而改变，但可通过控制器上的键盘进行修改；

配置多阶映射参数：各参数取值根据实际设计要求人工设定，X_min和-X_min为截止区的启动阈值，用于消除电机运转时的抖动问题，X_normal和-X_normal为最小电压启动区的线性阈值，用于解决低速运行时电机堵转问题，X_max和-X_max为正常工作区的饱和阈值，用于过压保护，k为映射系数，反映系统工作状态位于正常工作区中的输入输出信号之间的映射关系，以上各参数只需在系统第一次运行前通过控制器上的键盘输入一次即可，系统运行后其值不发生程序运行而改变，但可通过控制器上的键盘进行修改；

步骤2，输入平滑化：

将经A/D转换的信号IN_i通过低通滤波的方法处理，除去跳变点噪声，得到输入信号的中间状态量IN_i′，再经过归一化方法处理，得到神经网络的输入IN_i″；

步骤3，神经网络计算：

如果神经网络没有以前系统训练后存储的经验权值表可以加载，则跳转到步骤5(神经网络训练)；

如果神经网络有以前系统训练后存储的经验权值表可以加载，则加载经验权值表；

给出神经网络的输入信号IN_i″，通过神经网络的前向计算，得到神经网络的输出OUT_j”；

步骤4，多阶映射输出：

神经网络前向计算的输出OUT_j”通过如下映射关系，其中OUT_j”即为式中的x，OUT_j’即为式中的y，得到输出控制量的中间状态量OUT_j’，再经过反归一化方法处理，得到最终的控制量OUT_j；

$y=\left\{\begin{array}{cc}-k{X}_{\max }& (x\&le;-X_{\max })\\ \mathrm{kx}& (-X_{\max }<x<-X_{\mathrm{normal}})\\ -k{X}_{\min }& (-X_{\mathrm{normal}}\&le;x\&le;-X_{\min })\\ 0& (-X_{\min }<x<X_{\min })\\ k{X}_{\min }& (X_{\min }\&le;x\&le;X_{\mathrm{normal}})\\ \mathrm{kx}& (X_{\mathrm{normal}}<x<X_{\max })\\ k{X}_{\max }& (x\&GreaterEqual;X_{\max })\end{array}\right.$

X_min和-X_min为截至区的启动阈值，当神经网络输出信号x位于X_min和-X_min之间时，输出多阶映射信号y＝0，这是为了防止在正反转临界点处发生的频繁换向抖动；

X_normal和-X_normal为最小电压启动区的线性阈值，当神经网络输出信号x位于X_min和X_normal(或-X_min和-X_normal)之间时，输出多阶映射信号y＝kX_min(或y＝-kX_min)，这里kX_min和-kX_min为用恒定的电压代替电机驱动信号较小时的电压，这是为了防止小输出时电机堵转和提高响应速度；

X_max和-X_max为正常工作区的饱和阈值，当x位于X_normal和X_max(或-X_max和-X_normal)之间时，输出多阶映射信号y＝kx，即进行线性映射；

当x大于X_max(或x小于-X_max)时，多阶映射信号y＝kX_max(或y＝-kX_max)，这里kX_max是多阶映射信号的饱和值，这是为了限幅，通过限制电压最大值防止各种情况造成的电机烧毁；

对神经网络输出的控制量的中间状态量OUT_j’再经过反归一化方法处理，得到最终的控制量OUT_j，CPU控制电路将该控制量转化为用于驱动电机的PWM波信号输出给电机驱动电路3；控制一维电机和二维电机转速和转向；

步骤5：神经网络训练：

从Flash中读取训练样本M_train(.)，使用最速下降法对神经网络进行训练，训练完成后保存权值表到Flash中，跳转到步骤3。

本发明的有益效果：

1)本发明对电机控制信号作了多阶映射的处理，最大程度上考虑到了电机的各种工作状态，尽可能的使其在整个控制过程中均处于最佳工作状态，同时也将能耗降到了最低。能够减少电机在太阳能采集时的误操作，降低电机运转时的抖动问题，解决了低速运行时电机堵转问题，和增加了过压保护机制，在一定程度上既保护了电机，又可以使系统更加稳定的运行，从而提高了整个追光系统的综合性能和稳定性。

2)本发明首次将人工神经网络应用于太阳能追光电力能源系统中，通过人工神经网络自身对先验经验的学习利用，最大程度上的继承了以往工程师的控制经验，同时运用其自适应功能，进一步提高了系统的环境适应能力，最终使得整套系统可以独立的应付各种复杂的控制环境。

3)本发明的系统传感器布位具有独创性，能够实时采集最有利于追光控制的光强信息，通过一维、二维光强信息的处理，实现追光路径的最优化，具有反应灵敏、可靠性高的特点。

附图说明

图1太阳能追光电力能源系统电路模块连接图

图2一维传感器布位原理图

图3二维传感器布位原理图

图4多阶映射函数图

图5太阳能追光电力能源系统工作流程图

图中：1、信号采集处理电路，2、CPU控制电路，3、电机驱动电路，4、键盘显示电路，5、电源电路，6、上方传感器，7、太阳能板，8、下方传感器。

具体实施方式

本实施例首先对太阳能追光电力能源系统的硬件装置实例进行详细描述，接下来对该系统和方法完整的实施过程进行详细描述。

1.太阳能追光电力能源系统的硬件装置实例：

本实施例的硬件电路，主要包括有信号采集处理电路1、CPU控制电路2、电机驱动电路3、键盘显示电路4和电源电路5五个核心部分组成，见附图1。

传感器布位的问题：

一维传感器布位原理：

首先考虑信息采集模块的设计。因为这直接决定了采集四周光强信息的效率及准确性。对光信息采集问题进行了数学建模：

只考虑传感器布位所在平面上的光强分布，并假设光电传感器的感光范围为180度，整个系统需要在360度的范围内接收信号，传感器需分布在一圆盘四周。

本系统需要传感器在同一时间内得到尽量多的信息送给单片机进行处理。而单片机的处理能力与管脚都是有限的，所以传感器的数量也要有一定限制。

本系统采用由8个传感器均匀分布组成的八向传感布位。系统采光情况如附图2所示。

(0)区：盲区，此区域内的信号传感器无法接收到。

(1)区：有1个传感器可以接收到此信号。

(2)区：有2个传感器可以接收到信号，是比较理想的区域。

(3)区：有3个传感器可以接收到信号，是比较理想的区域。

通过附图2可以看出，8个传感器可以极大的减少(0)区与(1)区所占空间(只在传感器附近的很小范围内)，增加(2)区与(3)区所占空间，增加采集的信号，利于单片机的处理与程序的最优化。而且8位信号也是单片机管脚可以分配的。

因此本系统采用上述的传感器八向采光定位设计。

二维传感器布位原理：

只考虑传感器布位所在平面上的光强分布，并假设光电传感器的感光范围为180度。

上方传感器感光面与太阳能板夹角γ为0度～45度角朝上，下方传感器感光面与太阳能板夹角γ为0度～45度角朝下，以保证感应信号有所差别以待处理，扩大敏感区。设计如附图3所示。

(0)区：盲区，此区域内的信号传感器无法接收到。

(1)区：有一个传感器可以接收到此信号。

(2)区：有两个传感器可以接收到信号。

当光源在偏上方时。假设光源发出的光到达两传感器没有衰减。则通过角度计算可知：

上方传感器接收的光强为垂直于其感光面的光强：(设总光强为L)

L1＝L*sinα

下方传感器接收的光强为：

L2＝L*sinβ

因为α＞β，所以sinα＞sinβ，则L1＞L2，上方传感器接收到的信号大于下方传感器接收到的信号。这种差异可以有效地提供给单片机使之进行判断运算。由以上分析可知，这种设计是高效可用的，本系统采取了这种设计。

当光源在偏上位置时，上方传感器接收到的信号大于下方传感器接收到的信号。这种差异可以有效地提供给单片机使之进行判断运算。由以上分析可知，这种设计是高效可用的，本系统采取了这种设计。

信号采集处理电路1，见附图1.1，作用是将光电传感器采集的输入信号接入，处理成为CPU控制电路2中A/D转换模块2.1可以处理的信号形式。信号处理电路1有10个复用的模拟信号输入接口，可以作为多传感器接入电路1.1的输入(接入0～500mV待测信号)。信号处理电路1有一个输出接口，输出电压0～5V，输出给A/D转换模块2.1。

多传感器接入电路1.1有10个模拟信号接口，与0～500mV待测信号A_in1…A_ini相连接，输出接在信号增强电路1.2的输入上，即后级运算放大器的输入管脚。

信号增强电路1.2使用324运算放大器放大光电池电压，正比例电路倍数调至3.5倍，即光电池输出0.1V电压，经324后放大为0.35V。为了调整光电池参数使之在同一水平上，给每个光电池并上100千欧的电阻。

CPU控制电路2使用功能比较强大的C8051F020单片机，C8051F020具有高速、流水线结构的8051兼容的CIP-51内核(可达25MIPS)，1位(C8051F020/1)或10位(C8051F022/3)、100ksps的8通道ADC，带PGA和模拟多路开关，8位500ksps的ADC，带PGA和8通道模拟多路开关，两个12位DAC，64K字节可在系统编程的FLASH存储器，4352(4096+256)字节的片内RAM，5个通用的16位定时器100脚TQFP封装。

由于C8051F020单片机内已经集合了A/D转换模块2.1、运算处理模块2.2和D/A转换模块2.3，并通过软件可以实现PWM波生成模块2.4的功能，所以不再另行设计硬件电路以实现其功能。

电机驱动电路3使用驱动芯片L298。驱动芯片L298是驱动二相和四相步进电机的专用芯片，利用它内部的桥式电路来驱动直流电机，这种方法有一系列的优点。每一组PWM波用来控制一个电机的速度，而另外2个I/O口可以控制电机的正反转，控制比较简单，电路也很简单，一个芯片内包含有8个功率管，这样简化了电路的复杂性。但驱动电流只能达到2A，要增加电流可用2片并联或选用类似的大电流的芯片，还有一点是电压限制，298最高电压只能用到40V。安全电压一般在36V左右。

键盘显示电路4使用了2×16字符LCD显示器，其可显示的字符较多，易于单片机控制，方便用户观看。

电源电路5使用线性稳压元件，先经过整流滤波电路，即所谓的整流桥，将交流电压转化为支流电压，然后经过滤波电容后进入7805、7812、7912，输出恒压。

在设计电路时注意以下参数计算：

输出电压平均值：U₀(AV)≈1.2U₂

(波动范围为正负10％)

二极管的选择：

$I_F>\frac{1.1I_0\left(\mathrm{AV}\right)}{2}=1.1\frac{\sqrt{2}{U}_2}{\mathrm{\&pi;}{R}_L}$

$U_{\mathrm{RM}}>1.1\sqrt{2}{U}_2$

2.太阳能追光电力能源系统和方法完整的实施过程：

系统运行流程图与信号流图见附图5

1)数据采集及预处理：

步骤(一)：通过多传感器接入电路1.1将10支传感器S₁…S₁₀采集到的模拟信号A_in1…A_in10输出给信号增强电路1.2，其中A_in1…A_in8是一维方向部署的传感器S₁…S₈接收到的信号，A_in9…A_in10是二维方向部署的传感器S₉…S₁₀接收到的信号；

步骤(二)：信号增强电路1.2将接收到的模拟信号A_in1…A_in10进行放大增强处理，输出为A/D转换模块2.1可读的模拟信号A_in1′…A_in10′；

步骤(三)：A/D转换模块2.1接收到信号增强电路1.2处理完成的模拟信号A_in1′…A_in10′，将其进行A/D转换，输出为运算处理模块2.2可以处理的数字信号IN₁…IN₁₀；

数据采集及预处理完成；

2)运用平滑网络多阶伺服控制方法，由神经网络参数初始化配置、输入平滑化、神经网络训练、神经网络计算、多阶映射输出5个核心步骤构成：

步骤(一)：神经网络参数配置：

参数分为两类：配置的参数只需在系统第一次运行前输入一次即可，系统运行后其值不发生改变；初始化的参数是在系统上电运行后，由程序将其赋值，系统运行后其值会被程序改变；

配置训练样本数据M_train(.)：即为适应各种复杂或无预先控制经验的情况而从环境中提取的训练样本，M_train(.)为一矩阵

每一行表示一个训练样本。其中变量a表示一共有a个传感器的输入数据，x(i，b)表示第b个训练样本中第i个的传感器的输入数据，其中i＝1，2，…，a，而b＝1，2，..；n，，n表示一共有n个训练样本，跟据实际设计要求设定训练样本个数，此系统中取训练样本个数n＝50，y(b)表示第b个训练样本的目标值，在系统第一次运行前，通过控制器上的键盘输入一次即可，系统将M_train(.)存入Flash的空间，系统运行后其值不发生程序运行而改变，但可通过控制器上的键盘进行修改，如果M_train(.)已经输入过并无需修改，则可跳过这一步；

配置经验权值表W(.)：即以前神经网络系统训练后存储的各个权值关系，如果存在经验权值表W(.)，则只需在系统第一次运行前通过控制器上的键盘输入一次即可，系统运行后其值不发生程序运行而改变，如果不存在经验权值表W(.)，则可通过训练样本对神经网络进行训练得出并保存，配置W(.)后，由系统软件判断决定是否加载，W(.)可通过控制器上的键盘对其进行修改；

配置训练次数最大值τ：τ是标志网络训练次数的参数，根据实际设计要求设定，本系统中取τ＝1000，只需在系统第一次运行前通过控制器上的键盘输入一次即可，系统运行后其值不发生程序运行而改变，但可通过控制器上的键盘对其进行修改；

配置网络收敛阈值ω：ω是标志网络收敛程度的参数，根据实际设计要求设定，用于判定神经网络训练后，网络是否收敛，这里取ω＝0.010，只需在系统第一次运行前通过控制器上的键盘输入一次即可，系统运行后其值不发生程序运行而改变，但可通过控制器上的键盘进行修改；

配置多阶映射参数：各参数取值根据实际设计要求人工设定，X_min和-X_min为截止区的启动阈值，用于消除电机运转时的抖动问题，本系统中取X_min＝0.5，X_normal和-X_normal为最小电压启动区的线性阈值，本系统中取X_normal＝3.5，用于解决低速运行时电机堵转问题，X_max和-X_max为正常工作区的饱和阈值，本系统中取X_max＝12，用于过压保护，k为映射系数，本系统中取k＝1，反映系统工作状态位于正常工作区中的输入输出信号之间的映射关系，以上各参数只需在系统第一次运行前通过控制器上的键盘输入一次即可，系统运行后其值不发生程序运行而改变，但可通过控制器上的键盘进行修改；

步骤(二)：输入平滑化：

第①步：将经A/D转换的信号IN₁…IN₁₀通过低通滤波的方法处理，除去跳变点噪声，得到输入信号的中间状态量IN₁′…IN₁₀′，修正原则是：如果t时刻的电压值IN_i(t)与之前或之后的n个时刻电压值平均值的差值的绝对值，大于t时刻之前或之后n个时刻电压值之间差值绝对值的平均值，需要修正，即

$|{\mathrm{IN}}_i\left(t\right)-\frac{\underset{\mathrm{\&eta;}=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{IN}}_i(t-\mathrm{\&eta;})}{n}|\&times;\mathrm{\&alpha;}>\frac{\underset{\mathrm{\&eta;}=1}{\overset{n-1}{\mathrm{\&Sigma;}}}|{\mathrm{IN}}_i(t-\mathrm{\&eta;})-{\mathrm{IN}}_i(t-\mathrm{\&eta;}-1)|}{n-1}---\left(1\right)$

或

$|{\mathrm{IN}}_i\left(t\right)-\frac{\underset{\mathrm{\&eta;}=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{IN}}_i(t+\mathrm{\&eta;})}{n}|\&times;\mathrm{\&alpha;}>\frac{\underset{\mathrm{\&eta;}=1}{\overset{n-1}{\mathrm{\&Sigma;}}}|{\mathrm{IN}}_i(t+\mathrm{\&eta;})-{\mathrm{IN}}_i(t+\mathrm{\&eta;}+1)|}{n-1}---\left(2\right)$

式(1)中，t-η表示时刻t之前η个时刻，则IN_i(t-η)表示采样时刻t-η时的电压值，IN_i(t)是t时刻的电压值，IN_i(t-η-1)表示t-η-1时刻的电压值；α是界定强度，取值范围为0％～100％，这里取α＝30％；

式(2)中，IN_i(t)是t时刻的电压值，则IN_i(t+η)表示采样时刻t+η时的电压值，IN_i(t+η+1)表示t+η+1时刻的电压值，α是界定强度，取值范围为0％～100％，这里取α＝30％；

如果t时刻的电压值IN_i(t)满足(1)式或(2)式，则修正为： ${\mathrm{IN}}_i^{\&prime;}\left(t\right)=\frac{{\mathrm{IN}}_i(t-1)+{\mathrm{IN}}_i(t+1)}{2};$ 其中，IN_i(t-1)为t-1时刻的电压值，IN_i(t+1)为t+1时刻的电压值，IN_i′(t)为t时刻经修正的电压信号；

第②步：再经过归一化方法处理，操作结果为： ${\mathrm{IN}}_i^{\&prime;\&prime;}\left(t\right)=\frac{{\mathrm{IN}}_i^{\&prime;}\left(t\right)}{\mathrm{IN}\max }$

其中，IN_i″(t)为经过归一化的电压信号，IN max为允许输入电压信号的最大值，取IN max＝255；

步骤(三)，神经网络计算：

如果神经网络没有以前系统训练后存储的经验权值表可以加载，则跳转到步骤(五)(神经网络训练)；

如果神经网络有以前系统训练后存储的经验权值表可以加载，则加载经验权值表；

给出神经网络的输入信号IN_i″，通过神经网络的前向计算，得到神经网络的输出OUT_j”这里j＝1，2；

步骤(四)，多阶映射输出：

神经网络前向计算的输出OUT_j”通过如下映射关系，其中OUT_j”即为式中的x，OUT_j′即为式中的y，得到输出控制量的中间状态量OUT_j’；

$y=\left\{\begin{array}{cc}-k{X}_{\max }& (x\&le;-X_{\max })\\ \mathrm{kx}& (-X_{\max }<x<-X_{\mathrm{normal}})\\ -k{X}_{\min }& (-X_{\mathrm{normal}}\&le;x\&le;-X_{\min })\\ 0& (-X_{\min }<x<X_{\min })\\ k{X}_{\min }& (X_{\min }\&le;x\&le;X_{\mathrm{normal}})\\ \mathrm{kx}& (X_{\mathrm{normal}}<x<X_{\max })\\ k{X}_{\max }& (x\&GreaterEqual;X_{\max })\end{array}\right.$

X_min和-X_min为截至区的启动阈值，当神经网络输出信号x位于X_min和-X_min之间时，输出多阶映射信号y＝0，这是为了防止在正反转临界点处发生的频繁换向抖动；

X_normal和-X_normal为最小电压启动区的线性阈值，当神经网络输出信号x位于X_min和X_normal(或-X_min和-X_normal)之间时，输出多阶映射信号y＝kX_min(或y＝-kX_min)，这里kX_min和-kX_min为用恒定的电压代替电机驱动信号较小时的电压，这是为了防止小输出时电机堵转和提高响应速度；

X_max和-X_max为正常工作区的饱和阈值，当x位于X_normal和X_max(或-X_max和-X_normal)之间时，输出多阶映射信号y＝kx，即进行线性映射；

当x大于X_max(或x小于-X_max)时，多阶映射信号y＝kX_max(或y＝-kX_max)，这里kX_max是多阶映射信号的饱和值，这是为了限幅，通过限制电压最大值防止各种情况造成的电机烧毁；

再经过反归一化方法处理，得到最终的控制量OUT_j，操作结果为：OUT_j＝OUT_j′×ψ，ψ为逆归一化系数，这里取ψ＝13；

步骤(五)：神经网络训练：

从Flash中读取训练样本M_train(.)，使用最速下降法对神经网络进行训练，训练完成后保存权值表到Flash中，跳转到步骤(三)。

3)电机转动的实现：

步骤(一)：D/A转换模块2.3接收运算处理模块2.2处理完成的数字信号OUT₁…OUT₂，将其进行D/A转换，输出为PWM波生成模块2.4可以处理的模拟信号A_out1′…A_out2′；

步骤(二)：PWM波生成模块2.4将接收到的模拟信号A_out1′…A_out2′按电压大小线性转化为一定占空比的用于驱动电机的PWM波信号A_out1…A_out2输出给电机驱动电路3；

步骤(三)：电机驱动电路3通过接收到的PWM波信号A_out1控制一维电机转速和转向，通过接收到的PWM波信号A_out2控制二维电机转速和转向；

电机转动的实现完成。返回1)数据采集及预处理的步骤(一)。

Claims (4)

1.太阳能追光电力能源系统，其特征在于：包括有信号采集处理电路(1)、CPU控制电路(2)、电机驱动电路(3)、键盘显示电路(4)和电源电路(5)；其中：

所述的信号采集处理电路(1)包括有多传感器接入电路(1.1)和信号增强电路(1.2)；

多传感器接入电路(1.1)的输入端与i支传感器S₁...S_i的输出端相连接，其中的S₁...S_j是水平布置的传感器，j+1≤i；S_j+1...S_i是竖直布置的传感器；多传感器接入电路(1.1)的输出端与信号增强电路(1.2)相连接；

所述的CPU控制电路(2)包括有A/D转换模块(2.1)、运算处理模块(2.2)、D/A转换模块(2.3)和PWM波生成模块(2.4)；

CPU控制电路(2)的A/D转换模块(2.1)与信号采集处理电路(1)的信号增强电路(1.2)的输出相连接；A/D转换模块(2.1)的输出与运算处理模块(2.2)相连接；运算处理模块(2.2)根据A/D转换模块(2.1)转换的信号计算出实际的电压值，存储于CPU控制电路(2)的RAM中，并送至键盘显示电路(4)中的显示部分显示；

D/A转换模块(2.3)的输入与运算处理模块(2.2)的输出端相连接，D/A转换模块(2.3)的输出端与PWM波生成模块(2.4)的输入端相连接，PWM波生成模块(2.4)将从D/A转换模块(2.3)接收到的模拟信号转化为用以控制电机的等比例占空比的PWM波信号；PWM波生成模块(2.4)的输出与电机驱动电路(3)相连接，将用以控制电机的等比例占空比的PWM波信号输出至电机驱动电路(3)用于驱动电机；电机驱动电路(3)的输出端分别与一维电机、二维电机的控制信号输入端相连接，分别控制一维电机以及二维电机的转速和转向，所述的一维电机为驱动水平布置的传感器的电机，二维电机为驱动竖直布置的传感器的电机；

键盘显示电路(4)通过数据总线、地址总线和控制总线与CPU控制电路(2)相连接，键盘显示电路(4)中的显示部分用于显示A/D转换模块(2.1)实时转换的结果；键盘显示电路(4)中的键盘通过键盘显示控制芯片与CPU控制电路(2)相连接；

电源电路(5)为以上各电路提供电源。

2.根据权利要求1中所述的太阳能追光电力能源系统，其特征在于：所述的传感器S₁...S_j沿水平圆盘的圆周均匀分布，每个传感器的感光面都与圆周切线平行；所述的竖直布置的传感器S_j+1...S_i沿竖直平面内的圆周均匀分布。

3.根据权利要求1所述的太阳能追光电力能源系统，其特征在于：所述的水平布置的光电传感器的个数j≥8且竖直布置的传感器的个数为2；竖直平面内的上方传感器(6)和下方传感器(8)的感光面与太阳能板(7)的夹角均为γ，0＜γ＜45°。

4.利用权利要求1中所述的太阳能追光电力能源系统实现的平滑网络多阶伺服控制方法，其特征在于，该方法包括以下步骤：

CPU控制电路(2)通过信号采集处理电路(1)读取传感器S₁...Si采集到的光电信号并对其进行如下处理：其中：S₁...S_j是水平布置的传感器，S_j+1...S_i是竖直布置的传感器；

具体处理步骤包括有：神经网络参数初始化配置、输入平滑化、神经网络计算、多阶映射输出、神经网络训练；

步骤1：神经网络参数初始化配置

通过键盘输入训练样本数据M_train(.)、训练次数最大值τ、网络收敛阈值ω和多阶映射参数；

所述的训练样本数据M_train(.)为一矩阵

每一行表示一个训练样本；其中变量a表示每个训练样本中的a个传感器的输入数据，x(i，b)表示第b个训练样本中第i个的传感器的输入数据，其中i＝1，2，...，a，b＝1，2，..；n，n表示一共有n个训练样本，y(b)表示第b个训练样本的目标值；系统将M_train(.)存入Flash的空间，如果M_train(.)已经输入过并无需修改，则跳过这一步；

所述的多阶映射参数包括有X_min、-X_min、X_normal、-X_normal、X_max、-X_max和k；其中：X_min和-X_min为电机截止区的启动阈值，X_normal和-X_normal为电机最小电压启动区的线性阈值，X_max和-X_max为电机正常工作区的饱和阈值；k为映射系数，取值范围为0.5～5，反映系统工作状态位于正常工作区中的输入输出信号之间的映射关系；

步骤2：输入平滑化

CPU控制电路将经A/D转换的传感器信号通过低通滤波处理，除去跳变点噪声，再经过归一化方法处理，得到神经网络的输入信号

步骤3：神经网络计算

如果神经网络没有以前神经网络训练后存储的经验权值表加载，则跳转到步骤5；

如果神经网络有以前神经网络训练后存储的经验权值表加载，则加载经验权值表；

通过神经网络的前向计算，得到神经网络向前计算的输出

步骤4：多阶映射输出：

通过下式的映射关系得到输出控制量的中间状态量

其中

同下式中的y，

同下式中的x；

$y=\left\{\begin{array}{cc}-{\mathrm{kX}}_{\max }& (x\&le;-X_{\max })\\ \mathrm{kx}& ({-X}_{\max }<x<{-X}_{\mathrm{normal}})\\ {-\mathrm{kX}}_{\min }& ({-X}_{\mathrm{normal}}\&le;x\&le;{-X}_{\min })\\ 0& ({-X}_{\min }<x<X_{\min })\\ {\mathrm{kX}}_{\min }& (X_{\min }\&le;x\&le;X_{\mathrm{normal}})\\ \mathrm{kx}& (X_{\mathrm{normal}}<x<X_{\max })\\ {\mathrm{kX}}_{\max }& (x\&GreaterEqual;X_{\max })\end{array}\right.$

对神经网络输出的控制量的中间状态量再经过反归一化方法处理，得到最终的控制量OUT_j，CPU控制电路将该控制量转化为用于驱动电机的PWM波信号输出给电机驱动电路(3)；控制一维电机和二维电机转速和转向；

跳转到步骤2，并在步骤2至步骤4重复循环；

步骤5：神经网络训练：

从Flash中读取训练样本数据M_train(.)，使用最速下降法对神经网络进行训练，训练完成后保存经验权值表到Flash中，跳转到步骤3。

Images