CN105279558B - 一种基于bp神经网络的多峰值光伏mppt方法 - Google Patents

一种基于bp神经网络的多峰值光伏mppt方法 Download PDF

Info

Publication number
CN105279558B
CN105279558B CN201510784252.2A CN201510784252A CN105279558B CN 105279558 B CN105279558 B CN 105279558B CN 201510784252 A CN201510784252 A CN 201510784252A CN 105279558 B CN105279558 B CN 105279558B
Authority
CN
China
Prior art keywords
neural network
input
sample
training
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201510784252.2A
Other languages
English (en)
Other versions
CN105279558A (zh
Inventor
朱国荣
贾舒然
彭俊然
彭业昌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN201510784252.2A priority Critical patent/CN105279558B/zh
Publication of CN105279558A publication Critical patent/CN105279558A/zh
Application granted granted Critical
Publication of CN105279558B publication Critical patent/CN105279558B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Photovoltaic Devices (AREA)

Abstract

本发明提供一种基于BP神经网络的多峰值光伏MPPT方法，光伏系统的串联组件数为N，在每个光伏组件上分别安装光照强度传感器，安装一个温度传感器用于测定环境温度；将N个测得光照强度值经过由大到小排列后分别输入到BP神经网络的输入层节点，将环境温度输入到第N+1个输入节点，BP神经网络输出预测的全局最大功率点电压的值，作为给定电压值输入到DC‑DC变换器，DC‑DC变换器将光伏系统的端电压调整到给定的全局最大功率点电压以实现光伏系统的最大功率输出。由于光伏系统的全局最大功率点电压主要受各个组件的光照强度和环境温度的影响，因此本发明通过用BP神经网络来映射这种关系，无需传统MPPT方法的搜索过程，提高响应速度。

Description

一种基于BP神经网络的多峰值光伏MPPT方法
技术领域
本发明涉及光伏系统领域，具体属于一种基于BP神经网络的多峰值光伏MPPT方法。
背景技术
在由多个带有旁路二极管的光伏组件串联组成的光伏系统中，当每个光伏组件的光照强度不完全相同时，光伏系统的P-V曲线可能会存在多个峰值点。在这些峰值中最大的值所对应的点称为全局最大功率点，其余峰值点为局部最大功率点。传统的MPPT算法如扰动观察法、增量电导法是利用P-V曲线峰值两侧的点斜率符号相反的特性来追踪最大功率点的，容易陷入局部最优。因此当多个峰值存在时，传统的MPPT算法有可能陷入局部最大功率点而错过全局最大功率点，导致功率损失。目前也有许多适用于多峰值的MPPT方法，但他们大多都需要复杂的搜索算法，而且搜索最大功率点的速度较慢。
发明内容
本发明要解决的技术问题是：提供一种基于BP神经网络的多峰值光伏MPPT方法，无需搜索过程，提高响应速度。
本发明为解决上述技术问题所采取的技术方案为：一种基于BP神经网络的多峰值光伏MPPT方法，其特征在于：设光伏系统的串联组件数为N，在每个光伏组件上分别安装光照强度传感器，安装一个温度传感器用于测定环境温度；将N个测得光照强度值经过由大到小排列后分别输入到BP神经网络的输入层节点，将环境温度输入到第N+1个输入节点， BP神经网络输出预测的全局最大功率点电压的值，作为给定电压值输入到DC-DC变换器，DC-DC变换器将光伏系统的端电压调整到给定的全局最大功率点电压以实现光伏系统的最大功率输出；
所述的BP神经网络以N+1作为输入层节点数，通过经验选取适当的隐层节点数，输出层节点数为1；输入层采用线性传递函数，隐层节点采用Log-Sigmoid函数作为传递函数，输出层采用线性传递函数。
按上述方法，所述的BP神经网络通过以下步骤建立：
S1、建立BP神经网络：
以N+1作为输入层节点数，通过经验选取适当的隐层节点数，输出层节点数为1；输入层采用线性传递函数，隐层节点采用Log-Sigmoid函数作为传递函数，输出层采用线性传递函数，建立BP神经网络；
S2、采集用于训练BP神经网络的样本：
通过计算机仿真或试验测得的方法，获得所有满足输入条件的数据作为BP神经网络的训练输入，在对应输入条件下测得的全局最大功率点作为目标输出，作为用于训练BP神经网络的样本；
S3、训练BP神经网络：
利用S2的样本数据，采用Levenberg-Marquardt方法对BP神经网络进行训练，直到对于大部分样本的训练输入对应的BP神经网络输出值与样本中对应的目标输出之差的绝对值小于一个给定的精度时，终止训练，投入使用；所述的大部分样本占整个样本的比例为预设值。
按上述方法，所述的S2中的输入条件具体为：设给第i块光伏组件设置的光照强度为Ii，环境温度为T，则I1、I2、……、IN、T，构成一组输入条件，在每一组输入条件中，环境温度T取在给定范围内的在一定步长上的任意值，Ij+1小于或等于Ij，且Ij- Ij+1=nΔI，ΔI为设定的光照强度间隔，n为正整数或0。
按上述方法，所述的S3中，若对于大部分样本的训练输入对应的BP神经网络输出值与样本中对应的目标输出之差的绝对值无法小于一个给定的精度，则重新调整BP神经网络的隐层节点数。
本发明的有益效果为：由于光伏系统的全局最大功率点电压主要受各个组件的光照强度和环境温度的影响，因此本发明通过用BP神经网络来映射这种关系，无需传统MPPT方法的搜索过程，只要硬件运算速度够快，在给出神经网络的输入后几乎瞬时就可以得到对应的全局最大功率点电压，因此本方法具有较快的响应速度，且具有一定的精准度。
附图说明
图1为BP神经网络的原理图。
图2为光伏控制系统框图。
具体实施方式
下面结合具体实例和附图对本发明做进一步说明。
图2为光伏控制系统框图，一种基于BP神经网络的多峰值光伏MPPT方法，设光伏系统的串联组件数为N，在每个光伏组件上分别安装光照强度传感器，安装一个温度传感器用于测定环境温度；将N个测得光照强度值经过由大到小排列后分别输入到BP神经网络的输入层节点，将环境温度输入到第N+1个输入节点， BP神经网络输出预测的全局最大功率点电压的值，作为给定电压值输入到DC-DC变换器，DC-DC变换器将光伏系统的端电压调整到给定的全局最大功率点电压以实现光伏系统的最大功率输出。
所述的BP神经网络原理如图1所示，以N+1作为输入层节点数，通过经验选取适当的隐层节点数，输出层节点数为1；输入层采用线性传递函数，隐层节点采用Log-Sigmoid函数作为传递函数，输出层采用线性传递函数。
优选的，为了进一步提高BP神经网络的精度，所述的BP神经网络通过以下步骤建立：
S1、建立BP神经网络：
以N+1作为输入层节点数，通过经验选取适当的隐层节点数，输出层节点数为1；输入层采用线性传递函数，隐层节点采用Log-Sigmoid函数作为传递函数，输出层采用线性传递函数，建立BP神经网络。在选取隐层节点数时，可根据输入层节点数和输出层节点数通过目前一些关于BP神经网络算法的文献中已经提出的经验公式来求得。
S2、采集用于训练BP神经网络的样本：
通过计算机仿真或试验测得的方法，获得所有满足输入条件的数据作为BP神经网络的训练输入，在对应输入条件下测得的全局最大功率点作为目标输出，作为用于训练BP神经网络的样本。输入条件具体为：设给第i块光伏组件设置的光照强度为Ii，环境温度为T，则I1、I2、……、IN、T，构成一组输入条件，在每一组输入条件中，环境温度T取在给定范围内的在一定步长上的任意值，Ij+1小于或等于Ij，且Ij- Ij+1=nΔI，ΔI为设定的光照强度间隔，n为正整数或0，即I1、I2、……、IN是阶梯下降的。
S3、训练BP神经网络：
利用S2的样本数据，采用Levenberg-Marquardt方法对BP神经网络进行训练，直到对于大部分样本的训练输入对应的BP神经网络输出值与样本中对应的目标输出之差的绝对值小于一个给定的精度（例如0.2）时，终止训练，投入使用；所述的大部分样本占整个样本的比例为预设值，例如90%。
若对于大部分样本的训练输入对应的BP神经网络输出值与样本中对应的目标输出之差的绝对值无法小于一个给定的精度，则重新调整BP神经网络的隐层节点数，再进行训练看是否能达到训练要求。
本系统采用BP神经网络，通过学习建立各组件不同光照下组成的光伏系统的最大功率点电压与各组件光照的关系，因此只需要获得不同组件的光照强度就可以通过神经网络直接得到最大功率点电压，存在速度较快、结构简易的优点。
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (1)

1.一种基于BP神经网络的多峰值光伏MPPT方法，其特征在于：设光伏系统的串联组件数为N，在每个光伏组件上分别安装光照强度传感器，安装一个温度传感器用于测定环境温度；将N个测得光照强度值经过由大到小排列后分别输入到BP神经网络的输入层节点，将环境温度输入到第N+1个输入节点， BP神经网络输出预测的全局最大功率点电压的值，作为给定电压值输入到DC-DC变换器，DC-DC变换器将光伏系统的端电压调整到给定的全局最大功率点电压以实现光伏系统的最大功率输出；
所述的BP神经网络以N+1作为输入层节点数，通过经验选取适当的隐层节点数，输出层节点数为1；输入层采用线性传递函数，隐层节点采用Log-Sigmoid函数作为传递函数，输出层采用线性传递函数；
所述的BP神经网络通过以下步骤建立：
S1、建立BP神经网络：
以N+1作为输入层节点数，通过经验选取适当的隐层节点数，输出层节点数为1；输入层采用线性传递函数，隐层节点采用Log-Sigmoid函数作为传递函数，输出层采用线性传递函数，建立BP神经网络；
S2、采集用于训练BP神经网络的样本：
通过计算机仿真或试验测得的方法，获得所有满足输入条件的数据作为BP神经网络的训练输入，在对应输入条件下测得的全局最大功率点作为目标输出，作为用于训练BP神经网络的样本；所述的S2中的输入条件具体为：设给第i块光伏组件设置的光照强度为Ii，环境温度为T，则I1、I2、……、IN、T，构成一组输入条件，在每一组输入条件中，环境温度T取在给定范围内的在一定步长上的任意值，Ij+1小于或等于Ij，且Ij- Ij+1=nΔI，ΔI为设定的光照强度间隔，n为正整数或0；
S3、训练BP神经网络：
利用S2的样本数据，采用Levenberg-Marquardt方法对BP神经网络进行训练，直到对于大部分样本的训练输入对应的BP神经网络输出值与样本中对应的目标输出之差的绝对值小于一个给定的精度时，终止训练，投入使用；所述的大部分样本占整个样本的比例为预设值；
所述的S3中，若对于大部分样本的训练输入对应的BP神经网络输出值与样本中对应的目标输出之差的绝对值无法小于一个给定的精度，则重新调整BP神经网络的隐层节点数。
CN201510784252.2A 2015-11-16 2015-11-16 一种基于bp神经网络的多峰值光伏mppt方法 Active CN105279558B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510784252.2A CN105279558B (zh) 2015-11-16 2015-11-16 一种基于bp神经网络的多峰值光伏mppt方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510784252.2A CN105279558B (zh) 2015-11-16 2015-11-16 一种基于bp神经网络的多峰值光伏mppt方法

Publications (2)

Publication Number Publication Date
CN105279558A CN105279558A (zh) 2016-01-27
CN105279558B true CN105279558B (zh) 2018-01-12

Family

ID=55148538

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510784252.2A Active CN105279558B (zh) 2015-11-16 2015-11-16 一种基于bp神经网络的多峰值光伏mppt方法

Country Status (1)

Country Link
CN (1) CN105279558B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106055019B (zh) * 2016-07-15 2017-09-05 苏州科技大学 基于在线软测量模型的最大功率点跟踪的光伏发电系统
CN109842388B (zh) * 2017-11-24 2024-04-09 成都市深思创芯科技有限公司 一种基于神经网络的负反馈自动增益控制电路及方法
CN109713699B (zh) * 2018-12-28 2022-05-31 北京天势新能源技术有限公司 一种能源管理方法及智能光储装置
CN110865679B (zh) * 2019-11-21 2020-09-08 武汉理工大学 一种面向船舶的光伏发电系统最大功率点跟踪控制方法
CN111474978B (zh) * 2020-05-13 2022-01-11 山东科技大学 一种智能变换步长的光伏mppt控制方法及其系统存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104484833A (zh) * 2014-12-02 2015-04-01 常州大学 基于遗传学算法改进的rbf-bp神经网络的光伏发电输出功率追踪算法

Also Published As

Publication number Publication date
CN105279558A (zh) 2016-01-27

Similar Documents

Publication Publication Date Title
CN105279558B (zh) 一种基于bp神经网络的多峰值光伏mppt方法
Alik et al. Modified Perturb and Observe (P&O) with checking algorithm under various solar irradiation
Kumara et al. Enhanced Grey Wolf Optimizer Based MPPT Algorithm of PV System Under Partial Shaded Condition.
CN104700153A (zh) 基于模拟退火优化BP神经网络的pH值预测方法
CN105630061B (zh) 一种串联光伏组件最大功率点跟踪方法
CN103995560B (zh) 一种光伏阵列多峰最大功率点跟踪方法
Li et al. A novel maximum power point tracking control method with variable weather parameters for photovoltaic systems
CN111582555B (zh) 基于地基云图图像特征的光伏功率预测方法
CN109871622A (zh) 一种基于深度学习的低压台区线损计算方法及系统
Veeramanikandan et al. A fuzzy‐elephant herding optimization technique for maximum power point tracking in the hybrid wind‐solar system
Attia et al. A new perturb and observe MPPT algorithm based on two steps variable voltage control
Fan et al. Voltage band analysis for maximum power point tracking of stand-alone PV systems
CN106100582B (zh) 基于带遗忘因子的递推最小二乘光伏电池参数辨识方法
CN108693914A (zh) 一种局部阴影下新型自适应最大功率跟踪控制方法
CN107317321A (zh) Dc‑dc变换器并联系统的稳定性分析方法
CN106384298A (zh) 一种基于两阶段插补模型的智能用电缺失数据修正方法
Mao et al. Modelling of PV module and its application for partial shading analysis–part II: partial shading analysis and simulation approach of large‐scale PV array
CN103559538A (zh) Bp神经网络结构优化方法
Manganiello et al. On-line optimization of the P&O MPPT method by means of the system identification
Louzazni et al. Modelling and parameters extraction of flexible amorphous silicon solar cell a-Si: H
CN104794359B (zh) 一种迭代步长可变的多步q学习自适应方法
Li et al. A short-term power load forecasting method based on BP neural network
CN103065049A (zh) 一种基于coif5小波实时分解的风电功率实时预测计算方法
CN204479931U (zh) 实木地板油漆计算机配色系统
CN107340799B (zh) 一种基于阴影检测的光伏阵列最大功率点跟踪方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant