CN102496953A - 一种光伏发电微型电网系统及最大功率跟踪方法 - Google Patents

Abstract

本发明公开了分布式发电和电力网络监控技术领域中的一种光伏发电微型电网系统及最大功率跟踪方法。该系统由分布式光伏电池组件、负荷、微型逆变器、能量监控中心、微网母线和保护隔离装置五部分组成。本发明可以提高光伏发电微型电网系统的安全性和效率。

Description

一种光伏发电微型电网系统及最大功率跟踪方法

技术领域

本发明属于分布式发电和电力网络监控技术领域，尤其涉及一种光伏发电微型电网系统及最大功率跟踪方法。

背景技术

随着全球经济的快速增长，电力需求也逐渐增加，从而引起电网规模的不断扩大。传统超大规模电力系统的弊端日益凸现：一方面，由于规模过于庞大、结构复杂，电网调度运行灵活性差，难以保证经济社会对电网越来越高的安全性、可靠性要求；另一方面，一次能源的衰竭和地球环境的恶化给电力系统的发展提出了挑战，如何保证电力的可持续发展成为了一个亟待解决的问题。

分布式发电一般是指将相对小型的发电装置分散布置在用户附近的供能方式，具有电源位置灵活的特点；同时，它与大电网互为备用也使供电可靠性得以改善。大电网与分布式电源相结合，被广泛认为是高效利用能源、提高电力系统可靠性和灵活性的主要方式。然而，尽管分布式电源优点突出，但相对大电网来说还是一个不可控源，其本身也存在许多问题，如分布式电源单机接入成本高，控制困难等。为协调大电网与分布式电源间的矛盾，充分挖掘其价值和效益，微型电网的应运而生。

微型电网是一种由负荷和微型电源共同组成的系统，由电力电子装置负责能量转换。如何使其在满足用户对电能质量和供电可靠性、安全性要求的基础上，实现微型电网的并网运行或者孤岛运行，成为必须解决的问题。

光伏发电具有无污染、无噪声、取之不尽、用之不竭等优点，且除阳光外无需其它生产材料，是一种具有广阔前景的绿色能源，在未来的供电系统中将占有重要的地位，也是微型电网系统中主要的电源之一。

光伏电池的输出功率与外界环境和负荷情况有关，并且一定的外界环境和负荷情况下存在唯一的最大功率点(MPP)。为了提高发电效率，需要在光伏电池和负荷之间串联最大功率跟踪(MPPT)电路。最常用的MPPT方法为扰动观察法(P&O)和增量电导法(INC)，但是存在稳定性差、功率损失大等缺点。

对基于光伏发电的微型电网系统，如何解决其可靠性问题和发电效率问题，提供安全和高效的电力供应，显得尤为紧迫。

发明内容

针对上述背景技术中提到的基于光伏发电的微型电网系统的可靠性和发电效率的不足，本发明提出了一种光伏发电微型电网系统及最大功率跟踪方法。

本发明的技术方案是，一种光伏发电微型电网系统，其特征是该系统包括光伏电池组件、微型逆变器、保护隔离装置、负荷、微网母线和能量监控中心；

所述光伏电池组件和微型逆变器连接；微型逆变器、能量监控中心、负荷和保护隔离装置分别与微网母线连接；保护隔离装置的另一端与外部电网连接；

所述光伏电池组件为该系统提供电力；

所述微型逆变器按照功率调度指令控制其所连接光伏电池组件的直流-交流变换，并采集所连接光伏电池组件的开路电压和电池温度以及所对应的最大功率工作点电压，构成样本发送给能量监控中心；

所述能量监控中心用于对微型逆变器进行功率调度，并根据微型逆变器收集的样本，利用BP神经网络训练最大功率点电压预测模型，发送给微型逆变器用于最大功率跟踪控制。

所述微网母线中的通信协议为LonWorks现场总线协议。

一种根据权利要求1所述的系统进行最大功率跟踪的方法，其特征是该方法包括以下步骤：

步骤1：通过微型逆变器采集光伏电池组件的开路电压和电池温度；

步骤2：将开路电压和电池温度输入到最大功率点电压预测模型，得到光伏电池组件最大功率点电压的预测值；

步骤3：对微型逆变器进行调节，使得光伏电池组件的实际电压跟踪至最大功率点电压的预测值；

步骤4：以最大功率点电压的预测值为初始值，通过指定迭代方法以设定步长跟踪光伏电池组件的最大功率；

步骤5：迭代过程中，比较第k次迭代后的功率值和第k-1次迭代后的功率值，其中，k＝2，…，n，若两者之差大于设定阈值，则返回步骤1。

所述最大功率点电压预测模型为BP神经网络预测模型。

所述BP神经网络预测模型由输入层、隐含层和输出层三层神经元构成。

所述神经元采用S型函数作为转移函数。

所述BP神经网络预测模型采用误差反向传播训练算法作为学习算法。

所述指定迭代方法为电导增量法。

所述对微型逆变器进行调节的公式为：

$D\left(k\right)=K_{p}e\left(k\right)+K_i\underset{j=0}{\overset{k}{\mathrm{\Σ}}}e\left(k\right)$

其中：

D(k)为第k次采样时刻微型逆变器中反激变换器的脉冲宽度调制PI控制器的输出值；

e(k)为第k次采样时刻实际工作电压V(k)和MPP电压预测值V_ref的偏差值，即：e(k)＝V(k)-V_ref；

K_p为比例系数；

K_i为积分系数。

本发明可以提高光伏发电微型电网系统的安全性和效率，为用户提供安全、可靠的电能。

附图说明

图1为本发明的总体结构图；

图2为本发明的硬件结构图；

图3为本发明中BP神经网络单个神经元的结构示意图；

图4为本发明中BP神经网络的结构图；

图5为INC法的迭代流程图；

图6为本发明MPPT控制方法流程图；

图7为频率-有功下垂曲线示意图；

图8为电压-无功下垂曲线示意图；

图9为常规INC法和本发明方法的效果对比图；

图9为常规INC法和本发明方法的效果对比图；其中，(a)为常规INC法的跟踪过程图；(b)为本发明的跟踪过程图。

具体实施方式

下面结合附图，对优选实施例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

本发明的结构包括光伏电池组件、微型逆变器、保护隔离装置、负荷、微网母线和能量监控中心。每个光伏电池组件一对一连接到某个微型逆变器；每个微型逆变器一端与相应光伏电池组件连接，另外一端连接到微网母线；能量监控中心、负荷均连接到微网母线；保护隔离装置一端连接到微网母线，一端连接到外网母线；能量监控中心与各微型逆变器之间，以及与能量监控中心与保护隔离装置之间均可以微网母线为介质进行载波通信。

本发明的运行方法为：能量监控中心负责对各微型逆变器进行功率调度，每个微型逆变器对应一套光伏电池组件，按照调度指令进行逆变的功率控制，包括有功功率控制和无功功率控制。当外部电网正常工作时，能量监控中心令保护隔离装置处于合闸状态，使系统工作在并网运行方式，并对各微型逆变器下发最大功率跟踪(MPPT)指令，各微型逆变器利用BP网络预测模型结合电导增量法(INC)进行最大功率跟踪(MPPT)，以尽可能多的汲取电能；当外部电网断电或出现故障后，能量监控中心令保护隔离装置处于分闸状态，使系统工作在孤岛运行方式，并依据频率-有功下垂曲线和电压-无功下垂曲线分别对各微型逆变器进行功率调度，从而保证孤岛运行方式的电能质量。

微型逆变器可采集光伏电池组件的环境参数以及相应的最大功率点(MPP)电压，构成样本发送给能量监控中心。能量监控中心利用BP神经网络进行样本学习，可得到与每一光伏电池组件对应的MPP预测模型，并发送给相应微型逆变器。

当能量监控中心与保护隔离装置之间出现通信问题时，保护隔离装置将切断微网与外网的连接，保证微型电网不会影响外网的安全性；当能量监控中心与某个微型逆变器之间出现通信问题时，相应微型逆变器将停止功率输出。

1.并网运行模式

本发明并网运行时，需控制各光伏电池组件进行最大功率输出，以最大限度的获取电能。传统的MPPT方法有扰动观察法(P&O)、电导增量法(INC)等，由于它们的本质为试探法，存在稳定性差、功率损失大等缺点。为了提高发电效率，本发明提出BP神经网络预测模型结合INC法的MPPT控制方法。

BP神经网络预测模型的作用是依据光伏电池的工作环境对MPP电压进行预测。光伏电池的输出特性主要受日照强度和温度的影响，而开路电压V_oc与日照强度有较好的线性关系，故可以用开路电压V_oc和温度T来表征光伏电池的工作环境。记光伏电池组件某一环境下的参数向量为X(i)＝[V_oc(i)，T(i)]^T，通过改变其所连接微型逆变器中反激变换器的占空比D，可得到最大功率点电压V_max(i)，构成一对样本(X(i)，V_max(i))。通过收集各种不同环境下的样本，形成样本集{(X(i)，V_max(i))}，则可利用BP网络模型拟合出它们之间的复杂关系，从而根据V_oc和T来给出V_max(i)的预测值V_ref。

样本的采集由微型逆变器完成，并以微网母线为介质进行载波通信，发送给能量监控中心，保存入数据库。预测模型的训练由能量监控中心完成，然后发送给相应的微型逆变器。对每一个光伏电池组件的样本，抽取80％用于训练BP神经网络模型，余下的20％用于模型检验，随着新收集样本的不断增加，可以定期训练新的预测模型，并对微型逆变器中的原有预测模型进行更新。

本发明采用的BP神经网络结构由输入层、隐含层和输出层三层神经元构成。网络的输入层包括2个神经元，隐含层包括9个神经元，输出层包括1个神经元。每一层神经元都按照S型转移函数进行计算，可由输入得到输出值。网络的计算过程为正向计算，即：将训练样本的开路电压V_oc和电池温度T分别作为输入层2个神经元的输入，并将输入层2个神经元输出值作为隐含层每个神经元的输入，同理，将隐含层的9个神经元输出值作为输出层单个神经元的输入，输出层单个神经元的输出值即为MPP工作电压预测值V_ref。

BP神经网络的学习算法采用误差反向传播训练算法。目标是得到各神经元的连接权值w_ij和阈值θ_j，即BP神经网络预测模型的参数。

训练完成后，用检验样本对模型的预测精度进行检验，若精度在允许范围内，即可将网络中各神经元的连接权值w_ij和阈值θ_j发送给相应的微型逆变器用于MPPT控制，否则重新进行模型训练，直到获得预测精度满足要求的模型为止。

本发明提出的MPPT方法为BP神经网络预测模型结合INC法，分为以下步骤：

步骤1：通过微型逆变器采集光伏电池组件的开路电压V_oc和电池温度T；

步骤2：将开路电压V_oc和电池温度T送入BP神经网络预测模型，按照上述正向计算方法得到MPP电压预测值V_ref；

步骤3：通过比例积分(PI)控制器调节微型逆变器中反激变换器的脉冲宽度调制占空比D，使得实际工作电压V快速达到MPP电压的预测值V_ref，计算公式为：

$D\left(k\right)=K_{p}e\left(k\right)+K_i\underset{j=0}{\overset{k}{\mathrm{\Σ}}}e\left(k\right)---(1)$

其中：

D(k)为第k次采样时刻微型逆变器中反激变换器的脉冲宽度调制PI控制器的输出值；

e(k)为第k次采样时刻实际工作电压V(k)和MPP电压预测值V_ref的偏差值，即：e(k)＝V(k)-V_ref；

K_p为比例系数；

K_i为积分系数。

步骤4：以MPP电压预测值V_ref为初始值，采用设定扰动步长的INC法进行迭代计算，跟踪光伏电池的最大功率；

步骤5：利用INC法进行迭代计算时，将每次迭代前后求得的功率差ΔP与设定阈值T_r比较，当|ΔP|＜T_r时，继续INC迭代过程；否则说明光伏电池的环境参数(日照强度E或电池温度T)发生了突变，重复步骤1至步骤5。

2.孤岛运行模式

本发明孤岛运行时，能量监控中心通过微网电压和频率的高低来分别进行各光伏电池组件的有功和无功调度。具体为：测量微网电压频率，并与50HZ工频进行比较，若偏差在±0.2HZ以内，保持各微型逆变器原来有功设定P₀不变；若偏差大于±0.2HZ，则将根据相应频率-有功下垂曲线对P₀进行校正；测量微网电压峰值，将其与市电峰值电压311V进行比较，若偏差在±15V以内，保持各微型逆变器原来无功设定Q₀不变；若偏差大于±15V，则将根据相应电压-无功下垂曲线对Q₀进行校正。

为了确保每个光伏电池组件按照其额定容量进行有功功率和无功功率的分担，其频率-有功下垂曲线与电压-无功下垂曲线的下垂系数应与其额定容量成反比。

若出现调节失败，即微网频率始终低于49.8HZ，或峰值电压始终低于296V，说明即使各光伏电池组件有功或无功均已达到最大输出也仍然不满足负荷需求，这时能量监控中心将给出报警信号提示管理员切除部分负荷，以保证微网的正常运行。

光伏发电微型电网系统总体结构包括光伏电池组件、微型逆变器、保护隔离装置、负荷、微网母线和能量监控中心，如图1所示。每个光伏电池组件一对一连接到某个微型逆变器；每个微型逆变器一端与相应光伏电池组件连接，另外一端连接到微网母线；能量监控中心、负荷均连接到微网母线；保护隔离装置一端连接到微网母线，一端连接到外网母线；能量监控中心与各微型逆变器之间，以及能量监控中心与保护隔离装置之间均可以微网母线为介质进行载波通信。通信协议为LonWorks现场总线协议。

微型逆变器的硬件结构见图2。它采用功率电力电子器件进行光伏电池组件功率调节，如MOSFET、IGBT等，可基于DSP实现，主要包括ADC模块、PWM模块、反激变换器、电力载波模块、辅助电源、EMI滤波器等部分。ADC模块负责采集光伏电池组件的工作电压、工作电流、开路电压、温度、并网电流以及微网母线的电压、频率；电力载波模块以微网母线为介质，按照LonWorks现场总线协议，可以接收能量监控中心的有功与无功功率调度指令，并将测量信号发送给能量监控中心。

记光伏电池组件某一环境下的参数向量为X(i)＝[V_oc(i)，T(i)]^T，通过改变其所连接微型逆变器中反激变换器的占空比D，可得到最大功率点电压V_max(i)，构成一对样本(X(i)，V_max(i))。通过收集各种不同环境下的样本，形成样本集{(X(i)，V_max(i))}，则可以建立预测模型来拟合出它们之间的复杂关系，从而根据V_oc和T来给出V_max(i)的预测值V_ref。

预测模型的获取由能量监控中心完成，利用BP神经网络来实现，然后发送给相应的微型逆变器。对每一个光伏电池组件的样本，抽取80％用于训练BP神经网络预测模型，余下的20％用于模型检验，随着新收集样本的不断增加，可以定期训练新的预测模型，并对微型逆变器的原有预测模型进行更新。

图3为BP神经网络中单个神经元的结构示意图，x₀，x₁，…x_i为神经元的输入信号，则神经元的输出为：

$y_j=f(\underset{i}{\mathrm{\Σ}}{w}_{\mathrm{ij}}*x_i-{\mathrm{\θ}}_j)---\left(2\right)$

其中：

y_j为神经元的输出；

w_ij为神经元的连接权值；

x_i为神经元的输入信号；

θ_j为神经元的阈值。

神经元的转移函数选用S型函数，即：

$f\left(x\right)=\frac{1}{1+e^{-x}}---\left(3\right)$

其中：

x为转移函数输入；

f(x)为转移函数输出。

本发明采用的BP神经网络结构如图4所示，它由输入层、隐含层和输出层三层神经元构成。网络的输入层包括2个神经元，隐含层包括9个神经元，输出层包括1个神经元。根据公式(1)，每一层神经元都可由输入得到输出值。网络的计算过程为正向计算，即：将训练样本的开路电压V_oc和电池温度T分别作为输入层2个神经元的输入，并将输入层2个神经元输出值作为隐含层每个神经元的输入，同理，将隐含层的9个神经元输出值作为输出层单个神经元的输入，输出层单个神经元的输出值即为MPP工作电压预测值V_ref。

预测模型的学习过程就是根据训练样本确定网络中各个神经元的权值w_ij和阈值θ_j。本发明利用训练样本的平方和误差来评价网络的训练结果。设总共有q个样本，对第t个学习样本，第k次训练后网络实际输出

与期望输出的偏差为：

${\mathrm{\δ}}_t^k=(y_t^k-c_t^k),t=\mathrm{1,2},...q---\left(4\right)$

q个样本的平方和误差E_k为：

$E_k=\underset{t=1}{\overset{q}{\mathrm{\Σ}}}{(y_t^k-c_t^k)}^2/2=\underset{t=1}{\overset{q}{\mathrm{\Σ}}}{\left({\mathrm{\δ}}_t^k\right)}^2/2---\left(5\right)$

学习算法采用误差反向传播训练算法。首先对各层中的权值w_ij和阈值θ_j初始化为(-1，+1)之间的随机量，然后输入训练样本进行正向计算。每计算完一遍，比较E_k与期望误差E_o，若E_k＜E_o，则训练结束；否则，将E_k沿连接路径进行反向传播，并逐一调整各层的连接权值w_ij和阈值θ_j，直到E_k＜E_o为止。此时得到的各神经元的连接权值w_ij和阈值θ_j就是BP网络预测模型的参数。

训练完成后，用检验样本对模型的预测精度进行检验，若精度在允许范围内，即可将网络中各神经元的连接权值w_ij和阈值θ_j发送给相应的微型逆变器用于MPPT控制，否则重新进行模型训练，直到获得预测精度满足要求的模型为止。

电导增量法(INC)是MPPT控制常用的迭代算法之一。其原理为在最大功率P_max处，光伏电池的功率-电压特性曲线(P-V曲线)斜率为零，输出电导的变化量等于输出电导的负值。INC法迭代流程如图5所示，具体为：通过采集当前时刻的光伏电池工作电压V(k)、光伏电池工作电流I(k)，其中，k为迭代次数，k＝2，…，n。分别与前一时刻的光伏电池工作电压V(k-1)、光伏电池工作电流I(k-1)做差，可得到V(k)与I(k)的增量：

ΔV＝V(k)-V(k-1)           (6)

ΔI＝I(k)-I(k-1)           (7)

首先判断下式是否成立，即：

ΔI/ΔV＝-I(k)/V(k)        (8)

若成立，说明工作点位于最大功率点，保持工作电压V不变；

若ΔI/ΔV＞-I(k)/V(k)，说明工作点位于P-V曲线斜率为正处，需增大光伏电池的工作电压V；

若ΔI/ΔV＜-I(k)/V(k)，说明工作点位于P-V曲线斜率为负处，需减小光伏电池的工作电压V。

若出现ΔV＝0，则需结合ΔI情况进行进一步判断：若ΔI＝0，则保持工作电压V不变；若ΔI＞0，则增大工作电压V；若ΔI＜0，则减小工作电压V。

令V_d为工作电压V的扰动步长，则需增大工作电压V时，令下一时刻工作电压V(k+1)＝V(k)+V_d；需减小工作电压V时，令V(k+1)＝V(k)-V_d；需保持工作电压V不变时，令V(k+1)＝V(k)。

INC法本质为迭代试探法，设定工作电压V的初值V(0)时，若其离MPP电压较为接近，则可以较快达到MPP电压值。但是，V(0)往往随机设定，当其离MPP电压较远时，会导致跟踪速度太慢。另外，扰动步长V_d的选择也很重要，V_d较大时容易导致产生振荡，V_d较小时容易导致跟踪速度太慢，这均会造成功率损失。为了提高效率，本发明处于并网运行方式时，采用BP神经网络预测模型结合INC的MPPT控制方法，即先通过BP神经网络预测模型预测出MPP电压V_ref，然后以其为初值(V(0)＝V_ref)，采用较小扰动步长(V_d＝0.05伏)的INC法进行MPPT。图6为本发明MPPT控制方法流程图。

本发明处于孤岛运行方式时，能量监控中心通过微网电压和频率的高低来分别进行各光伏电池组件的有功和无功调度。具体为：

测量微网电压频率，并与50HZ工频进行比较，若偏差在±0.2HZ以内，保持各微型逆变器原来有功设定P₀不变；若偏差大于±0.2HZ，则将根据相应频率-有功下垂曲线对P₀进行校正；

测量微网电压峰值，将其与市电峰值电压311V进行比较，若偏差在±15V以内，保持各微型逆变器原来无功设定Q₀不变；若偏差大于±15V，则将根据相应电压-无功下垂曲线对Q₀进行校正。

图7为频率-有功下垂曲线示意图。为了确保每个光伏电池组件按照其额定容量进行有功功率的分担，其频率-有功下垂曲线的下垂系数应与其额定容量成反比。

图8为电压-无功下垂曲线示意图。为了确保每个光伏电池组件按照其额定容量进行无功功率的分担，其电压-无功下垂曲线的下垂系数应与其额定容量成反比。

若出现调节失败，即微网频率始终低于49.8HZ，或峰值电压始终低于296V，说明即使各光伏电池组件有功或无功均已达到最大输出也仍然不满足负荷需求，这时能量监控中心将给出报警信号提示管理员切除部分负荷，以保证微网的正常运行。

为了验证本发明所提MPPT控制方法的效果，针对额定功率为180W的一枚光伏电池组件，将本发明MPPT方法与常规INC法的进行了比较。具体为：在同一工作环境下(开路电压V_oc＝36伏，电池温度T＝12℃)，令光伏电池初始工作电压为20伏，分别观察两种方法的跟踪速度和稳态过程的振荡幅度。图9为数字示波器曲线，其中，V为电压曲线，I为电流曲线。

常规INC方法(扰动步长V_d＝0.4伏)的跟踪过程如图9a所示，经过连续的正方向扰动后，工作电压V＝29.6伏，这时开始在MPP左右振荡，即进入稳态过程，总共所需时间约为2.90秒。

本发明MPPT方法的跟踪过程如图9b所示，首先对开路电压V_oc和环境温度T进行测量，因此电压和电流均发生了跳变。经BP神经网络模型给出MPP电压预测值V_ref＝29.2伏后，通过PI控制器(K_p＝0.35，K_i＝0.12)直接将工作电压V_dc调节至29.2伏，然后开始进行小步长INC过程(V_d＝0.05伏)，由于V_ref本身已非常接近MPP对应的电压，所以很快进入了稳态过程，总共所需时间约为0.38秒。由此可知，本发明所提MPPT方法的跟踪速度要明显高于常规INC方法。

进入稳态过程后，可以看出本发明MPPT方法的振荡幅度要较常规INC方法小。分别计算50秒稳态过程的平均功率，得出常规INC法为97.4瓦，而本发明MPPT方法为103.7瓦，说明采用本发明MPPT方法可以有效的降低功率损失，提高发电效率。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (9)

1.一种光伏发电微型电网系统，其特征是该系统包括光伏电池组件、微型逆变器、保护隔离装置、负荷、微网母线和能量监控中心；

所述光伏电池组件和微型逆变器连接；微型逆变器、能量监控中心、负荷和保护隔离装置分别与微网母线连接；保护隔离装置的另一端与外部电网连接；

所述光伏电池组件为该系统提供电力；

所述微型逆变器按照功率调度指令控制其所连接光伏电池组件的直流-交流变换，并采集所连接光伏电池组件的开路电压和电池温度以及所对应的最大功率工作点电压，构成样本发送给能量监控中心；

所述能量监控中心用于对微型逆变器进行功率调度，并根据微型逆变器收集的样本，利用BP神经网络训练最大功率点电压预测模型，发送给微型逆变器用于最大功率跟踪控制。

2.根据权利要求1所述的一种光伏发电微型电网系统，其特征是所述微网母线中的通信协议为LonWorks现场总线协议。

3.一种根据权利要求1所述的系统进行最大功率跟踪的方法，其特征是该方法包括以下步骤：

步骤1：通过微型逆变器采集光伏电池组件的开路电压和电池温度；

步骤2：将开路电压和电池温度输入到最大功率点电压预测模型，得到光伏电池组件最大功率点电压的预测值；

步骤3：对微型逆变器进行调节，使得光伏电池组件的实际电压跟踪至最大功率点电压的预测值；

步骤4：以最大功率点电压的预测值为初始值，通过指定迭代方法以设定步长跟踪光伏电池组件的最大功率；

步骤5：迭代过程中，比较第k次迭代后的功率值和第k-1次迭代后的功率值，其中，k＝2，…，n，若两者之差大于设定阈值，则返回步骤1。

4.根据权利要求3所述的最大功率跟踪方法，其特征是所述最大功率点电压预测模型为BP神经网络预测模型。

5.根据权利要求4所述的最大功率跟踪方法，其特征是所述BP神经网络预测模型由输入层、隐含层和输出层三层神经元构成。

6.根据权利要求5所述的最大功率跟踪方法，其特征是所述神经元采用S型函数作为转移函数。

7.根据权利要求4所述的最大功率跟踪方法，其特征是所述BP神经网络预测模型采用误差反向传播训练算法作为学习算法。

8.根据权利要求3所述的最大功率跟踪方法，其特征是所述指定迭代方法为电导增量法。

9.根据权利要求3所述的最大功率跟踪的方法，其特征是所述对微型逆变器进行调节的公式为：

$D\left(k\right)=K_{p}e\left(k\right)+K_i\underset{j=0}{\overset{k}{\mathrm{\Σ}}}e\left(k\right)$

其中：

D(k)为第k次采样时刻微型逆变器中反激变换器的脉冲宽度调制PI控制器的输出值；

e(k)为第k次采样时刻实际工作电压V(k)和MPP电压预测值V_ref的偏差值，即：e(k)＝V(k)-V_ref；

K_p为比例系数；

K_i为积分系数。

Images