CN106527568A - 基于广义动态模糊神经网络的最大功率跟踪器控制方法 - Google Patents

Abstract

本发明公开了一种基于广义动态模糊神经网络的最大功率跟踪器控制方法，所述基于广义动态模糊神经网络的最大功率跟踪器控制方法在模糊神经网络算法的基础之上，提出基于广义动态的模糊神经网络的方法；基于椭圆基函数的，模糊完备性，作为在线分配机制，使初始化选择避免随机性；对模糊规则重要性做出评价，对输入变量的重要性给出回应；使每条规则的输入变量的宽度根据系统性能的需求来实施在线的实时的自适应调整。运用广义动态的神经模糊网络理论仿真的结果能快速找到最大功率点在0.01秒，并且最大功率点振荡问题也得到了有效的克服，鲁棒性和快速性也较好。

Description

基于广义动态模糊神经网络的最大功率跟踪器控制方法

技术领域

本发明属于太阳能并网技术领域，尤其涉及一种基于广义动态模糊神经网络的最大功率跟踪器控制方法。

背景技术

人类毫无节制地使用煤炭、石油等常规化石燃料，但是这种非可再生常规能源的储量是有限的，迟早有一天会消耗殆尽，而且化石燃料的燃烧所排放出来的大量的诸如二氧化碳、二氧化硫等气体正是造成当前严重环境污染的罪魁祸首。环境污染所导致的生态破坏、地球温室效应等日趋严重地威胁着人类的生存和可持续发展。能源短缺和环境污染是当今全世界面临的两大难题，已经严重地制约着人类经济和社会的发展。面对日益临近的能源危机，开发利用新的能源已是当务之急。太阳能作为新能源和绿色能源中的一种，取之不尽，用之不竭，而且清洁环保，目前正越来越受到世界各国的重视。开发利用太阳能，不仅能够缓解能源短缺和环境污染的压力，而且对于促进经济发展和造福子孙后代有着重大的现实和历史意义。到目前为止，从环境方面来看，化石能源存在的大量不合理开发和利用，已成为我国乃至全世界的大气以及其他类型环境污染和生态破坏的最主要的罪魁祸首。现在有必要讨论这样的问题：人类在开发和利用不可再生能源的同时，在人类赖以生存的地球环境与生态和经济发展之间找到一个好的平衡。这个问题已成为一个全球的，并且排在首位的、急需解决的重要问题。自上世纪五十年代以来，世界各国都纷纷提出对于如何提高能源利用率以及相应的改善能源结构的措施，从而能够缓解由于化石能源消费而产生的对环境污染、生态破坏等的问题，这就是当时提出的所谓“两大革命”——能源效率革命和清洁能源革命，通俗一点就是节约能源，发展可再生清洁新能源和利用可再生能源。由前面所说的，正因为化石燃料的不断开发和利用，由此产生的环境污染和生态破坏已达到了非常严重的地步。到目前为止这方面的环境问题，如全球气候变化，已经称为当前世界最主要关注的环境问题之一。自十八世纪英国的工业化时代以来，人类在物质文明方面已取得了的高度、快速的发展，新能源——化石燃料，也取得了越来越广泛的应用，而与此同时，地球生态环境却在经济发展过程中遭到了严重破坏，并且还不断地持续恶化。据有关的文献资料表明：在过去的一百年里，由于温室气体的排放，全球温度平均上升了0.29到0.59摄氏度，由于全球变暖而使得部分冰川融化，从而导致海平面平均上升了9.9到24.9厘米左右，这些都是工业革命之后经济发展所引发的后果。据研究资料报道，由人类活动所产生的温室气体约占到84％左右，而其中的二氧化碳就占到了59.9％。由此可见，二氧化碳已成为引发温室效应的最主要气体，而排放的二氧化碳是由于燃烧化石燃料引起的。在上世纪末，全世界的不可再生能源消耗量中，煤、石油、天然气等化石燃料分别占到了全球能量总数的27.2％、38.5％和21.9％，而这些化石燃料的燃烧的产物大部分都是引发温室效应的气体二氧化碳。据权威机构预测：若仍是放纵这种乱排放而不采取相应的减排措施，从二十一世纪初起，全球平均温度每隔10年将会升高0.2摄氏度，到二十一世纪末，全球平均气温将会比现在同比高出13.4摄氏度之多。太阳能并网系统的介绍：光伏运行用两种方式：独立运行和并网运行。利用太阳能发电，将产生的直流电，通过逆变，滤波，得到50hz，220v的工频电压。然后将得到电能在两方电压相位相等时合闸，即为并网运行方式。独立运行时，光伏发电无需和配电网并网，独立给当地负载供电，这样就不存在同相同频的的问题。国外光伏研究动向，当诸如石油、煤、天然气等不可再生能源日益成为限制全球经济社会发展的主因时，各国都在努力寻求新替代能源，纷纷开发绿色能源。欧洲一些高水平的核研究机构也开始转向可再生能源。在国际市场的积极调动下，各个国家为了在市场上抢占先机，纷纷投入了相当大的资产去发展光伏产业。全球已经有136个国家加入了光伏产业发展的热潮中，与此同时，有95个国家投入了极大的人力和物力去研究和开发光伏产品。可以提供光伏产品的厂家已经有近4600家了。为了应对能源危机，许多国家都已经把光伏产业作为主要的能源产业，政府在政策上给予了相当大的支持。为了节约不可再生能源，发展可再生能源，美国政府将相当大的一部分城市的路灯换成了太阳能电池，以此来节约能源，日本人也采取了相关的措施，推出了他们国家的光伏发展计划。全球太阳能光伏产业能够快速发展正是由于这些发达国家为推广和普及太阳能应用而推出的“太阳能工程”计划的大力推动。目前，正是得益于各国利用太阳能的决心，全球太阳能电池行业不断地发展，并且每年的增幅达到了15％。日本产业技术综合研究所研制出目前世界上太阳能转换率最高的有机薄膜太阳能电池，其转换率已到达当前有机薄膜太阳能电池的四倍。南非媒体曾报道，约翰内斯堡大学教授维维安·艾伯特发明了一种新型太阳能电池板，比普通太阳能电池板更薄，且价格低廉。美国德州仪器公司和SCE公司宣布，他们开发出一种新的太阳能电池，每一单元是直径不到1mm的小珠，他们密密麻麻地、规则地分布在柔软的铝箔上，在大约50平方厘米的面积上便分布有1700个这样的单元。这种新电池的特点是虽然转换效率只有8％～10％，但价格便宜。荷兰规模最大的太阳能电池生产商Solland Solar将凭借其新型电池，让太阳能行业向前迈出重要一步。这种新型电池是将电池正面收集的能量通过电池再转移至电池背面，电池表面就有更大面积来采集阳光并将其转化为电能，每块电池的输出效率可提高2％，再经过处理并与一个太阳能电池组件相连接，所得的输出效率甚至能提高9％。国内光伏研究动向，中国在光伏发电系统方面的研究落后与发达国家很多年，更加让人难以接受的是，比印度还要落后。我们国家于二十世纪六十年代开始了光伏电池的研究项目，到七十年代首次将光伏电池成功地应用在我国第一代卫星——东方红二号上。在863计划等科研计划的支持下，我国的光伏发电技术得到空前的发展，与国际先进水平的差距也大大缩小了。并且培养了一大批像无锡尚德这样具有较强科研实力的大型企业。二十世纪初年，我们国家为了解决西部省份部分地区没用通电的问题，特别启动了“西部省区无电通电计划”，这个计划的主要任务就是利用太阳能和风能等可再生能源建立小型发电厂以解决西部部分省无电区的用电问题。为了推进光伏发电技术的发展与应用，国家发改委和科技部在2003年10月制定了光伏发展的宏伟蓝图。国内太阳能生产企业有洛阳单晶硅厂、河北宁晋单晶硅基地等，河北宁晋单晶硅基地目前是世界上最大的太阳能单晶硅生产基地，占世界太阳能单晶硅市场份额的25％左右。中国在光伏产业上的发展上了一个全新的台阶，年增长量惊人，而且相关的技术也在突飞猛进的发展。从很落后的国家一跃成为了全球发展最快的国家。光照强度和工作温度是影响太阳能电池输出功率的关键因素。它们对光伏阵列的短路电流和开路电压有很大的影响，这就使得太阳能的功率输出变得不确定。由此系统的工作点也不确定。几种常用的最大功率跟踪控制算法的介绍和比较；对于最大功率跟踪控制，国内外有很多的专家对其进行了探讨和研究，常用的最大功率跟踪控制算法可以分为以下几类：直线近似法，功率回授法，实际测量法，扰动观察法等。1)直线近似法这种控制算法是目前来说比较新型的一种控制算法。它的控制原理是根据太阳能电池的输出功率特性表达式，利用数学逻辑表达式dP/dV＝0。直线近似法是运用光伏电池精确的数学模型，然后根据数学模型来推导最大功率跟踪点的工作直线。由此可见，这种控制方法对光伏电池的数学模型以及光伏电池的一些工作参数有很强的依赖性。2)恒定电压法。恒定电压的跟踪方式其实不是真正意义上的最大功率跟踪控制方法，实际上是一种曲线拟合。我们可以从光伏电池的工作曲线看出，电池的最大功率一般在0.75～0.9V_OC或者是0.85～0.95I_SC之间。这与光伏电池的制造工艺以及设计的结构有相当大的关系。也就是说当一个光伏电池的结构等确定以后，它的开路电压就确定了，电池的最大功率工作点就可以确定了。只要将电池的输出电压控制在这个工作点上，就大致可以保证电池的输出功率为最大输出功率。这就是恒定电压发这种最大功率跟踪控制法的理论依据。恒定电压控制方式控制简单，稳定性能好，可靠性高，较容易实现等优势，比不加控制的光伏系统可以获得的电能多20％，比起不带这种控制的直接耦合方式要有利得多。但是这种控制方式没有考虑温度对太阳能序列的开路电压造成的影响。拿单晶硅太阳能电池来说，当工作温度升高1℃时，电池的开路电压就下降0.35％-0.45％。这就表明随着工作温度的变化，太阳能序列的最大功率对应的电压也会变化。因此对于四季温差较大或者日温差别大的地区不适合使用恒定电压控制这种方法来实现最大功率跟踪。由于恒定电压控制方法控制简单，稳定性能好，可靠性高，较容易实现等优势，目前在光伏系统中的应用比较普遍。但是随着数字信号处理技术的发展，这种电压控制方式将逐渐被其他的方式取代。3)增量电导法是根据太阳能电池阵列P-U曲线为一阶连续的可导单峰的曲线特点，利用一阶的导数求极值方法，即可以对P＝UI求导数，就可以得到；此方法就是通过分析比较输出的电导变化量以及瞬时的电导值的大小，这样来决定参考的电压的变化方向。4)干扰控制法是目前比较常用的最大功率跟踪控制方法之一。它的工作原理是在每个相同的时间间隔，增加或者减少输出电压，这样就可以通过观察输出功率的变化，确定下一步输出电压的变化。这种控制算法应用的是功率反馈这种方法。就是用传感器将太阳能电池的输出电压及输出电流进行采样，这样就可以计算获得此时的输出功率。这种控制方法虽然比较简单，且易于用软件来进行实现，但是响应比较缓慢，因此只适合用于那个环境温度以及光照强度变化缓慢的地区，而且在稳态的情况下，功率会在最大功率周围出现小幅震荡，这样就造成了能量的损失，而且在环境变化较快的场合，有可能会出现功率变化方向判断错误，这样这种控制方法就失效了。5)基于模糊控制的MPPT由于日照强度，光伏电池的工作温度，负载的情况这些因素都是不确定的，还有光伏序列工作特性的非线性等特性，决定了要实现光伏电池的最大功率跟踪要考虑很多的因素，针对这样的一个非线性系统，应用模糊逻辑进行控制，可以达到比较好的效果。这种控制方法有较好的动态特性以及鲁棒性，能够达到比较好的控制精度。但是它的模糊控制的权值必须在训练之前进行确定，因此只能对特定的光伏系统进行控制，系统的自适应能力不强。

发明内容

本发明的目的在于提供一种基于广义动态模糊神经网络的最大功率跟踪器控制方法，旨在解决现有的最大功率控制自适应能力不强的问题。

本发明是这样实现的，一种基于广义动态模糊神经网络的最大功率跟踪器控制方法，所述基于广义动态模糊神经网络的最大功率跟踪器控制方法在模糊神经网络算法的基础之上，提出基于广义动态的模糊神经网络的方法；基于椭圆基函数的，模糊完备性，作为在线分配机制，使初始化选择避免随机性；对模糊规则重要性做出评价，对输入变量的重要性给出回应；使每条规则的输入变量的宽度根据系统性能的需求来实施在线的实时的自适应调整；

所述基于广义动态模糊神经网络的最大功率跟踪器控制方法包括以下步骤：首先初始化系统的预定义参数；

以b1，c1为输入量，产生第一个规则；B1为第2个时刻与第1个时刻的功率差，c1为采样步长；

确定第一个规则的参数；

观测b(n)，c(n)的到来，b(n)为第n个时刻与第n-1个时刻的功率差，c(n)为第n-1个时刻的采样步长；

计算马氏距离并找到md_kmin；

计算实际的输出误差确定对应的k_d，并与马氏距离md_k进行比较；

如果md_k＞k_d，系统误差为e_k，如果系统误差e_k≤c_k，则观测控制是否完成，算法结束；如果系统误差e_k＞c_k，则产生新规则，确定新参数，计算所有规则误差减少率ERR；如果误差减少率ERR小于阈值，则就删去这条规则观测控制是否完成，算法结束。如果误差减少率ERR不小于阈值，则继续产生新的规则，直到满足误差减少率ERR小于阈值；

如果md_k≤k_d，系统误差为e_k，如果系统误差e_k＞k_e，则计算输入变量的敏感性B_ij并调整宽度，调整结论参数，观测控制是否完成，算法结束；如果系统误差e_k≥k_e，则满足要求，观测控制是否完成，算法结束。

进一步，所述基于广义动态模糊神经网络的最大功率跟踪器控制方法包括：

(1)误差定义：

||e_k||＝||t_k-y_k|| 2-1

其中第k个时刻期望输出是t_k；

如果e_k>k_e，则一条新的规则就增加；其中：

其中，e_min指的是输出精度，e_max指的是最大误差，k指的是学习的次数，β∈(0，1)指的是收敛常数，推导出：

(2)产生了u个模糊规则，当一个新的样本出现时，把输入的变量投影到一维的隶属函数空间，计算数据与边界集之间的欧式距离ed_i(j)，并且找到它的最小值ed_i(j_n)，如果：

ed_i(j_n)≤k_mf 2-9

不用分配新的高斯函数，否则就需要产生一个新的高斯函数，它的宽度由式2-10决定，其中心的设置如下：

c_i(u+1)＝x_i ^k；

模型为：D＝Hθ+E；其中，D＝T^T为期望的输出，θ为它的实参数，E是误差向量；H通过QR分解成正交基向量集：H＝PN，其中P＝(p₁，p₂，…，p_v)；

(3)定义p_i的误差减少率为：

此外定义：

其中误差减少率的矩阵为ρ_j△＝(ρ₁，ρ₂，…，ρ_u)，如果η_i<k_err，则就删去第j条规则。

进一步，马氏距离定义：

令：

如果：

md_k,min＝md_k(J)＞k_d 2-6

则表明增加一条新规则因为现有的系统不足以满足ε－完备性，其中k_d这样变化：

上式中，r指的是衰减常数，由上式推导：

进一步，所述基于广义动态模糊神经网络的最大功率跟踪器控制方法的高斯宽度修正；修正隶属函数的宽度σ_ij如下：

σ_ij ^new＝ξ×σ_ij ^old；

其中，衰减因子是ζ，由下式决定：

其中输入变量敏感性是B_ij。

本发明的另一目的在于提供一种所述基于广义动态模糊神经网络的最大功率跟踪器控制方法的模糊神经网络结构，所述模糊神经网络结构由输入层，隶属函数层，模糊推理层和输出层构成；

所述模糊神经网络结构是由有两个输入信号；第n个时刻以及第n-1个时刻的功率差以及第n-1个时刻的采样步长；输出变量是第n个时刻的采样步长。

本发明的另一目的在于提供一种应用所述基于广义动态模糊神经网络的最大功率跟踪器控制方法的最大功率跟踪器。

本发明的另一目的在于提供一种应用所述基于广义动态模糊神经网络的最大功率跟踪器控制方法的太阳能并网系统。

本发明的另一目的在于提供一种应用所述基于广义动态模糊神经网络的最大功率跟踪器控制方法的光伏控制系统。

本发明提供的基于广义动态模糊神经网络的最大功率跟踪器控制方法，在模糊神经网络算法的基础之上，提出了一种既可以进行模糊规则提取也适合用在系统建模以及控制等方面的基于广义动态的模糊神经网络(GD-FNN)的方法；基于椭圆基函数的，并且提出了模糊完备性，作为在线分配机制，可以使初始化选择避免了随机性；与此同时，不仅可以对模糊规则重要性做出评价，而且也能对输入变量的重要性给出回应；这样就可以使每条规则的输入变量的宽度根据系统性能的需求来实施在线的实时的自适应调整。输出功率的曲线采用模糊控制的是图5中的(a)，输出曲线采用广义动态的神经模糊网络进行控制的功率是图5中的(b)。可以得出，采用模糊控制方法到达稳定点的速度比较慢，而且振荡出现了在最大功率点。运用广义动态的神经模糊网络理论仿真的结果能快速找到最大功率点在0.01秒，并且最大功率点振荡问题也得到了有效的克服了，鲁棒性和快速性也较好。

附图说明

图1是本发明实施例提供的GD-FNN的结构示意图。

图2是本发明实施例提供的GD-FNN流程图。

图3是本发明实施例提供的MPPT控制原理图。

图4是本发明实施例提供的系统原理框图。

图5是本发明实施例提供的功率输出曲线示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图对本发明的应用原理作详细的描述。

本发明针对光伏系统的特性，提出了基于广义动态模糊神经网络的最大功率跟踪器控制方法。并且与采用模糊推理的控制方法进行仿真对比，结果表明基于广义动态的模糊神经网络(GD-FNN)这种控制方法能够跟踪外部环境的变化，实现功率的最大化输出。

下面结合附图对本发明的应用原理作详细的描述。

1、基于广义动态的模糊神经网络(GD-FNN)的结构

由输入层，隶属函数层，模糊推理层和输出层构成的网络是广义动态的神经模糊网络。网络结构是由有两个输入信号的：第n个时刻以及第n-1个时刻的功率差以及第n-1个时刻的采样步长。输出变量是第n个时刻的采样步长。它的结构如图1所示：

2、网络结构算法，如图2所示：

可以在线自适应调整模糊规则的数量是GD-FNN算法最显著的优势之一，而确定是否需要增加模糊规则是由它的输出误差以及它的新样本能否满足ε-完备性。

系统误差是这样定义的：

||e_k||＝||t_k-y_k|| 2-1

其中第k个时刻期望输出是t_k。

如果e_k>k_e，则一条新的规则就应该增加了。其中

其中，e_min指的是输出精度，e_max指的是最大误差，k指的是学习的次数，β∈(0，1)指的是收敛常数，这样就推导出：

同时，马氏距离是这样定义的：

令：

如果：

md_k,min＝md_k(J)＞k_d 2-6

则表明应该考虑增加一条新规则因为现有的系统不足以满足ε－完备性，其中k_d这样变化：

上式中，r指的是衰减常数，它由上式推导：

在增加一条模糊规则之后，下一步就应该考虑参数的分配问题。

假如已经产生了u个模糊规则，当一个新的样本出现时，把输入的变量投影到一维的隶属函数空间，这样就可以计算数据与边界集之间的欧式距离ed_i(j)，并且可以找到它的最小值ed_i(j_n)，如果：

ed_i(j_n)≤k_mf 2-9

就可以不用分配新的高斯函数，否则就需要产生一个新的高斯函数，它的宽度由式2-10决定，其中心的设置如下：

c_i(u+1)＝x_i ^k

把它的方程式看成是一个线性回归方程，它的模型为：D＝Hθ+E；其中，D＝T^T为期望的输出，θ为它的实参数，E是误差向量。H通过QR分解成正交基向量集：H＝PN，其中P＝(p₁，p₂，…，p_v)。

定义p_i的误差减少率为：

此外定义：

其中误差减少率的矩阵为ρ_j△＝(ρ₁，ρ₂，…，ρ_u)，如果η_i<k_err，则就删去第j条规则。

GD-FNN算法的另一个优势是高斯宽度可以修正。可以修正隶属函数的宽度σ_ij如下：

σ_ij ^new＝ξ×σ_ij ^old；

其中，衰减因子是ζ，由下式决定：

其中输入变量敏感性是B_ij。

从上面的分析可以得出，运用广义动态的神经模糊网络来控制系统，可以通过训练得到它的输入输出隶属度函数的宽度，这样提高了系统的自适应的能力。

下面结合仿真对本发明的应用效果作详细的描述。

在最大功率跟踪的控制系统中，GD-FNN的输入量为系统的第n个时刻和第n－1个时刻的功率差b(n-1)及第n-1个时刻的采样步长c(n-1)，神经网络的输出量为第n个时刻的采样步长c(n)。在Matlab/Simulink中构建太阳能发电系统的控制器，其控制的原理框图如图3。

其中D(n)＝D(n-1)+c(n)的功能由S函数来实现。

在Matlab/Simulink里进行建模并且仿真，如图4表示的是系统的原理框图，主要构成是太阳能电池，广义动态的神经模糊网络控制系统和电阻性的负载。

仿真时把广义动态的神经模糊网络控制方法与模糊控制进行比较，以此来凸显文中提出方法的控制效果。采用ode23tb算法，环境温度设置为25度，光照在0.1秒前为600W/m^2，在0.1秒时变成900W/m^2，仿真时间是0.2秒，其仿真结果如图5。

输出功率的曲线采用模糊控制的是图5中的(a)，输出曲线采用广义动态的神经模糊网络进行控制的功率是图5中的(b)。可以得出，前一种方法到达稳定点的速度比较慢，而且振荡出现了在最大功率点。运用广义动态的神经模糊网络理论仿真的结果能快速找到最大功率点在0.01秒，并且最大功率点振荡问题也得到了有效的克服了，鲁棒性和快速性也较好。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于广义动态模糊神经网络的最大功率跟踪器控制方法，其特征在于，所述基于广义动态模糊神经网络的最大功率跟踪器控制方法在模糊神经网络算法的基础之上，提出基于广义动态的模糊神经网络的方法；基于椭圆基函数的，模糊完备性，作为在线分配机制，使初始化选择避免随机性；对模糊规则重要性做出评价，对输入变量的重要性给出回应；使每条规则的输入变量的宽度根据系统性能的需求来实施在线的实时的自适应调整；

所述基于广义动态模糊神经网络的最大功率跟踪器控制方法包括以下步骤：

首先初始化系统的预定义参数；

以b1，c1为输入量，产生第一个规则；B1为第2个时刻与第1个时刻的功率差，c1为采样步长；

确定第一个规则的参数；

观测b(n)，c(n)的到来，b(n)为第n个时刻与第n-1个时刻的功率差，c(n)为第n-1个时刻的采样步长；

计算马氏距离并找到md_kmin；

计算实际的输出误差确定对应的k_d，并与马氏距离md_k进行比较；

如果md_k＞k_d，系统误差为e_k，如果系统误差e_k≤c_k，则观测控制是否完成，算法结束；如果系统误差e_k＞c_k，则产生新规则，确定新参数，计算所有规则误差减少率ERR；如果误差减少率ERR小于阈值，则就删去这条规则观测控制是否完成，算法结束；如果误差减少率ERR不小于阈值，则继续产生新的规则，直到满足误差减少率ERR小于阈值；

如果md_k≤k_d，系统误差为e_k，如果系统误差e_k＞k_e，则计算输入变量的敏感性B_ij并调整宽度，调整结论参数，观测控制是否完成，算法结束；如果系统误差e_k≥k_e，则满足要求，观测控制是否完成，算法结束。

2.如权利要求1所述的基于广义动态模糊神经网络的最大功率跟踪器控制方法，其特征在于，所述基于广义动态模糊神经网络的最大功率跟踪器控制方法包括：

(1)误差定义：

||e_k||＝||t_k-y_k|| 2-1

其中第k个时刻期望输出是t_k；

如果e_k>k_e，则一条新的规则就增加；其中：

$k_e=\left\{\begin{array}{cc}{e}_{max}& 1<k<n/3\\ max\&lsqb;e_{max}\&times;{\mathrm{\&beta;}}^k,e_{min}\&rsqb;& n/3\&le;k\&le;2n/3\\ e_{\min }& 2n/3<k\&le;n\end{array}\right.---2-2$

其中，e_min指的是输出精度，e_max指的是最大误差，k指的是学习的次数，β∈(0，1)指的是收敛常数，推导出：

$\mathrm{\&beta;}={\left(\frac{e_{\min }}{e_{max}}\right)}^{3/n}---2-3$

(2)产生了u个模糊规则，当一个新的样本出现时，把输入的变量投影到一维的隶属函数空间，计算数据x_i ^k与边界集之间的欧式距离ed_i(j)，并且找到它的最小值ed_i(j_n)，如果：

ed_i(j_n)≤k_mf 2-9

不用分配新的高斯函数，否则就需要产生一个新的高斯函数，它的宽度由式2-10决定，其中心的设置如下：

c_i(u+1)＝x_i ^k；

${\mathrm{\&sigma;}}_i=\frac{max\left\{\right|c_i-c_{i-1}|,|c_i-c_{i+1}\left|\right\}}{\sqrt{ln(1/\mathrm{\&epsiv;})}}---2-10$

模型为：D＝Hθ+E；其中，D＝T^T为期望的输出，θ为它的实参数，E是误差向量；H通过QR分解成正交基向量集：H＝PN，其中P＝(p₁，p₂，…，p_v)；

(3)定义p_i的误差减少率为：

${\mathrm{err}}_i=\frac{{\left({p_i}^{T}d\right)}^2}{{p_i}^T{p}_i{D}^{T}D},i=1,2,...,v---2-11$

此外定义：

${\mathrm{\&eta;}}_j=\sqrt{\frac{{{\mathrm{\&rho;}}_j}^T{\mathrm{\&rho;}}_j}{\mathrm{\&gamma;}+1}},j=1,2,...u---2-12$

其中误差减少率的矩阵为ρ_j△＝(ρ₁，ρ₂，…，ρ_u)，如果η_i<k_err，则就删去第j条规则。

3.如权利要求2所述的基于广义动态模糊神经网络的最大功率跟踪器控制方法，其特征在于，马氏距离定义：

$md\left(j\right)=\sqrt{\underset{i=1}{\overset{r}{\&Sigma;}}\frac{{(x_i-c_{ij})}^2}{{{\mathrm{\&sigma;}}^2}_{ij}}}---2-4$

令：

$J=\arg \underset{1\&le;j\&le;r}{min}\left({\mathrm{md}}_k\right(j\left)\right)---2-5$

如果：

md_k,min＝md_k(J)＞k_d 2-6

则表明增加一条新规则因为现有的系统不足以满足ε－完备性，其中k_d这样变化：

$k_d=\left\{\begin{array}{cc}{d}_{max}=\sqrt{\ln (1/{\mathrm{\&epsiv;}}_{min})}& 1<k<n/3\\ max\&lsqb;d_{\max }\&times;r^k,d_{min}\&rsqb;& n/3\&le;k\&le;2n/3\\ d_{min}\sqrt{\ln (1/{\mathrm{\&epsiv;}}_{\max })}& 2n/3<k\&le;n\end{array}\right.---2-7$

上式中，r指的是衰减常数，由上式推导：

$\mathrm{\&gamma;}={\left(\frac{d_{min}}{d_{\max }}\right)}^{3/n}={\left(\sqrt{\frac{ln(1/{\mathrm{\&epsiv;}}_{max})}{ln(1/{\mathrm{\&epsiv;}}_{min})}}\right)}^{3/n}---2-8.$

4.如权利要求2所述的基于广义动态模糊神经网络的最大功率跟踪器控制方法，其特征在于，所述基于广义动态模糊神经网络的最大功率跟踪器控制方法的高斯宽度修正；修正隶属函数的宽度σ_ij如下：

σ_ij ^new＝ξ×σ_ij ^old；

其中，衰减因子是ζ，由下式决定：

$\mathrm{\&xi;}=\left\{\begin{array}{cc}\frac{1}{1+k_w{(B_{ij}-1/r)}^2}& B_{ij}<1/r\\ 1& B_{ij}\&GreaterEqual;1/r\end{array}\right.---2-13$

其中输入变量敏感性是B_ij。

5.一种如权利要求1所述基于广义动态模糊神经网络的最大功率跟踪器控制方法的模糊神经网络结构，其特征在于，所述模糊神经网络结构由输入层，隶属函数层，模糊推理层和输出层构成；

所述模糊神经网络结构是由有两个输入信号；第n个时刻以及第n-1个时刻的功率差以及第n-1个时刻的采样步长；输出变量是第n个时刻的采样步长。

6.一种应用权利要求1～4任意一项所述基于广义动态模糊神经网络的最大功率跟踪器控制方法的最大功率跟踪器。

7.一种应用权利要求1～4任意一项所述基于广义动态模糊神经网络的最大功率跟踪器控制方法的太阳能并网系统。

8.一种应用权利要求1～4任意一项所述基于广义动态模糊神经网络的最大功率跟踪器控制方法的光伏控制系统。