CN106055019B - 基于在线软测量模型的最大功率点跟踪的光伏发电系统 - Google Patents

Abstract

本发明公开了基于在线软测量模型的最大功率点跟踪的光伏发电系统，包括：太阳能电池、温度计、直流电子负载、取样电路、DC‑DC转换器、DSP控制器，取样电路中设有示波器和直流可编程电压源，示波器与直流可编程电压源将采集的电流和电压信号转换成数字信号后传输至DSP控制器，温度计获取太阳能电池的温度数字信号传输至DSP控制器，DSP控制器用于运行基于OLSSM的MPPT算法。本发明通过在线径向基函数神经网络软模型来预测最大功率点(MPP)所在的占空比，依据预测与实际MPP占空比之间的欧几里得距离来判断是否更新模型，基于OLSSM的MPPT增强了实时跟踪性能。

Description

基于在线软测量模型的最大功率点跟踪的光伏发电系统

技术领域

本发明涉及光伏发电领域，具体涉及一种基于在线软测量模型的最大功率点跟踪的光伏发电系统。

背景技术

传统的MPPT技术凭借其简单和易于实现等优点，被广泛地使用于光伏系统功率优化。传统的MPPT技术包括爬山法，扰动观察(P&O)法和电导增量(IncCond)法灯，因采用定步长跟踪很难平衡跟踪精度与速度。

近年来，人工神经网络方法被引入MPPT控制。基于人工神经网络的MPPT可分为两种类型。一种是单独使用人工神经网络作为MPPT控制器，这种方法通过采集组件电流、电压、太阳能辐照度、温度等数据建立模型，对组件电气特征进行直接预测，但测试值与实际值难免存在误差，而且这些误差难以降低。

另一种方法是采用将人工神经网络与传统MPPT技术相结合，或者与人工技术相结合，这种混合方法可以对模型的预测值进行实施补偿，因此较第一种方法精度高。尽管混合方法有着明显的优势，但是仍然存在一些的问题。人工神经网络预测效果往往取决于训练集是否完备，但训练初期收集完整的训练数据并不容易。而且，MPP的位置随着辐射度、温度等环境因素变化，组件老化也会引起组件电气特性改变，目前的混合方法尚缺乏对光伏特性的自适应能力。

发明内容

本发明的目的在于克服现有技术存在的以上问题，提供一种基于在线软测量模型(OLSSM)的MPPT算法，该算法通过在线径向基函数神经网络软模型来预测最大功率点(MPP)所在的占空比，依据预测与实际MPP占空比之间的欧几里得距离来判断是否更新模型。仿真和实验结果表明，基于OLSSM的MPPT增强了实时跟踪性能。

为实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

基于在线软测量模型的最大功率点跟踪的光伏发电系统，包括：太阳能电池、用于测量所述太阳能电池温度的温度计、用于提供基本电阻的直流电子负载、用于采集电压和电流的取样电路、DC-DC转换器、DSP控制器，所述取样电路中设有示波器和直流可编程电压源，所述示波器与所述直流可编程电压源将采集的电流和电压信号转换成数字信号后传输至所述DSP控制器，所述温度计获取所述太阳能电池的温度数字信号传输至所述DSP控制器，所述DSP控制器用于运行基于OLSSM的MPPT算法，如果DSP控制器处理数据后，功率对电压的导数在设置的阈值范围内，采用经典爬山法进行最大功率点跟踪，如果功率对电压的导数超过阈值范围，采用RBFNN对下一个工作状态的最大功率点对应的占空比D'_mpp进行预测，并校正其工作点，使用爬山法得到当前环境中最大功率点对应的占空比D,计算误差e＝||D-D'_mpp||,e如果小于预先设置的阈值，保持预测模型不便，如果大于预先设置的阈值，更新模型。

进一步优选地，在所述DSP控制器中，基于OLSSM的MPPT算法的流程为：

S1、开始，设置阈值t、b、步长dD；

S2、采集太阳能电池的输出电压V(k)、电流I(k)、及表面温度T(k)；

S3、通过公式P(k)＝V(k)*I(k)，dV＝V(k)-V(k-1)，dP＝P(k)-P(k-1)，计算得出dP和dV；

S4、判断功率对电压的导数dP/dV是否大于阈值t，如果否，采用爬山法进行最大功率点跟踪，如果是，采用RBFNN对下一个工作状态可能的最大功率点所对应的占空比D'_mpp进行预测，并校正其工作点，再使用爬山法，得到当前环境真正的最大功率点所对应的占空比D；

S5、计算S4中的预测误差e＝||D-D'_mpp||，用于判断新样本是否需要被加入训练集，判断e是否大于b，如果否，则保持模型不变，如果是，则更新RBFNN模型；

S6、将公式V(k-1)＝V(k)，I(k-1)＝I(k)更新至RBFNN模型中。

进一步优选地，所述爬山法的流程为：

S100、开始，判断dP*dV是否大于0，如果是，用公式D＝D-dD计算,如果否，用公式D＝D+dD计算；

S200、结束。

本发明的有益效果是:

本发明涉及一种基于OLSSM的MPPT算法，能够通过神经网络的算法，预测出在环境突变后，下一个状态可能的最大功率点。此外，由于环境因素的不确定性以及光伏组件本身使用寿命的影响，光伏电池的输出特性会发生异常，在线的方法能够感知到这样的异常并对其进行再学习，从而很好的适应新的环境。仿真与实验结果验证了本算法的可行性与有效性，并且其在收敛速度和瞬态响应方面优于传统的爬山法。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。

附图说明

为了更清楚地说明本发明实施例技术中的技术方案，下面将对实施例技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明的原理框架图；

图2是本发明的基于OLSSM的MPPT算法的流程图；

图3是本发明中爬山法的流程图；

图4是不同软测量模型的预测结果图；

图5是爬山法实验结果图；

图6是基于OLSSM的MPPT算法的实验结果。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例

参照图1所示，本实施例中公开了一种基于在线软测量模型的最大功率点跟踪的光伏发电系统，包括：太阳能电池、用于测量上述太阳能电池温度的温度计、用于提供基本电阻的直流电子负载、用于采集电压和电流的取样电路、DC-DC转换器、DSP控制器，上述取样电路中设有示波器和直流可编程电压源，上述示波器与上述直流可编程电压源将采集的电流和电压信号转换成数字信号后传输至上述DSP控制器，上述温度计获取上述太阳能电池的温度数字信号传输至上述DSP控制器，上述DSP控制器用于运行基于OLSSM的MPPT算法，如果DSP控制器处理数据后，功率对电压的导数在设置的阈值范围内，采用经典爬山法进行最大功率点跟踪，如果功率对电压的导数超过阈值范围，采用RBFNN对下一个工作状态的最大功率点对应的占空比D'_mpp进行预测，并校正其工作点，使用爬山法得到当前环境中最大功率点对应的占空比D,计算误差e＝||D-D'_mpp||,e如果小于预先设置的阈值，保持预测模型不便，如果大于预先设置的阈值，更新模型。

如图2所示，在上述DSP控制器中，基于OLSSM的MPPT算法的流程为：

S1、开始，设置阈值t、b、步长dD；

S2、采集太阳能电池的输出电压V(k)、电流I(k)、及表面温度T(k)；

S3、通过公式P(k)＝V(k)*I(k)，dV＝V(k)-V(k-1)，dP＝P(k)-P(k-1)，计算得出dP和dV；

S4、判断功率对电压的导数dP/dV是否大于阈值t，如果否，采用爬山法进行最大功率点跟踪，如果是，采用RBFNN对下一个工作状态可能的最大功率点所对应的占空比D'_mpp进行预测，并校正其工作点，再使用爬山法，得到当前环境真正的最大功率点所对应的占空比D；

S5、计算S4中的预测误差e＝||D-D'_mpp||，用于判断新样本是否需要被加入训练集，判断e是否大于b，如果否，则保持模型不变，如果是，则更新RBFNN模型；

S6、将公式V(k-1)＝V(k)，I(k-1)＝I(k)更新至RBFNN模型中。

其中，如图3所示，上述爬山法的流程为：

S100、开始，判断dP*dV是否大于0，如果是，用公式D＝D-dD计算,如果否，用公式D＝D+dD计算；

S200、结束。

对照实施例

为了检验所提出的基于OLSSM的MPPT算法的预测性能，设置了一组对照试验，将提出的OL-RBFNN与RBFNN预测模型进行对比。训练集为131个来自环境C1至C4的数据，而测试集为198个来自C1至C5的数据(其中131个数据来自C1至C4)。(C1：200W/m²，25℃；C2：400W/m²时，25℃；C3：600W/m²，50℃；C4：800W/m²，75℃)。

图4展示了两种不同预测模型的预测结果。从图4中可以看出，离线的RBFNN的模型与所提出的在线模型都可以很好地对C1至C4环境数据进行预测，因为这些环境数据在训练集中已有记录。但是对于C5的预测结果，很明显离线的RBFNN预测模型的预测结果超出了合理的占空比范围，因此结果被校正在了边界(90％)，而所提出的OL-RBFNN预测模型可以很好地适应新样本，对C5中的数据有很好的预测结果，表现出了很好的预测能力。

设置了一组对照试验，通过比较传统的爬山法和所提出的基于OLSSM的MPPT的跟踪性能来验证改进方法的可靠性与优越性，实验结果如图5-6所示。图中的竖直的绿色虚线为环境突变的时刻线，突变前的环境为C1：太阳辐照度600W/m²，温度25摄氏度，突变后环境变为C2：太阳辐照度1000W/m²，温度25℃。两幅图中最上面的曲线为光伏组件的输出功率，下面两条曲线分别为光伏组件的工作电压与电流。

对比图5-6的两幅图可以明显看出改进的跟踪算法的跟踪速度相对于传统的爬山法有很大的提升，几乎在环境刚发生突变的时刻就能够察觉到环境发生了突变，并使用RBF网络预测出新环境下的最大功率点所对应的占空比，而且预测的准确度较高。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (3)

1.基于在线软测量模型的最大功率点跟踪的光伏发电系统，其特征在于，包括：太阳能电池、用于测量所述太阳能电池温度的温度计、用于提供基本电阻的直流电子负载、用于采集电压和电流的取样电路、DC-DC转换器、DSP控制器，所述取样电路中设有示波器和直流可编程电压源，所述示波器与所述直流可编程电压源将采集的电流和电压信号转换成数字信号后传输至所述DSP控制器，所述温度计获取所述太阳能电池的温度数字信号传输至所述DSP控制器，所述DSP控制器用于运行基于OLSSM的MPPT算法，如果DSP控制器处理数据后，功率对电压的导数在设置的阈值范围内，采用经典爬山法进行最大功率点跟踪，如果功率对电压的导数超过阈值范围，采用RBFNN对下一个工作状态的最大功率点对应的占空比D'_mpp进行预测，并校正其工作点，使用爬山法得到当前环境中最大功率点对应的占空比D,计算误差e＝||D-D'_mpp||,e如果小于预先设置的阈值，保持预测模型不便，如果大于预先设置的阈值，更新模型。

2.根据权利要求1所述的基于在线软测量模型的最大功率点跟踪的光伏发电系统，其特征在于，在所述DSP控制器中，基于OLSSM的MPPT算法的流程为：

S1、开始，设置阈值t、b、步长dD；

S2、采集太阳能电池的输出电压V(k)、电流I(k)、及表面温度T(k)；

S3、通过公式P(k)＝V(k)*I(k)，dV＝V(k)-V(k-1)，dP＝P(k)-P(k-1)，计算得出dP和dV；

S4、判断功率对电压的导数dP/dV是否大于阈值t，如果否，采用爬山法进行最大功率点跟踪，如果是，采用RBFNN对下一个工作状态可能的最大功率点所对应的占空比D'_mpp进行预测，并校正其工作点，再使用爬山法，得到当前环境真正的最大功率点所对应的占空比D；

S5、计算S4中的预测误差e＝||D-D'_mpp||，用于判断新样本是否需要被加入训练集，判断e是否大于b，如果否，则保持模型不变，如果是，则更新RBFNN模型；

S6、将公式V(k-1)＝V(k)，I(k-1)＝I(k)更新至RBFNN模型中。

3.根据权利要求2所述的基于在线软测量模型的最大功率点跟踪的光伏发电系统，其特征在于，所述爬山法的流程为：

S100、开始，判断dP*dV是否大于0，如果是，用公式D＝D-dD计算,如果否，用公式D＝D+dD计算；

S200、结束。