发明内容
有鉴于此,本发明实施例提供了一种MPPT控制方法、装置、光伏发电设备及计算机可读存储介质,以提高预测控制的精度与速度。
本发明第一方面,提供了一种最大功率点跟踪MPPT控制方法,包括:采集包括以下至少之一的参数信息:光照强度、环境温度、光照时间;将所述参数信息输入预设RBF神经网络,得到光伏系统全局最大的功率点对应的电压值;其中,所述预设RBF神经网络是通过如下步骤训练得到的:获取正样本信息;其中,所述正样本信息包括所述参数信息;利用所述正样本信息对RBF神经网络进行训练,直至RBF神经网络的输出与目标输出的差值小于预定阈值;将所述RBF神经网络作为所述预设RBF神经网络。
可选地,将所述参数信息输入预设RBF神经网络,得到光伏系统全局最大的功率点对应的电压值之后,还包括:对所述电压值进行直流-直流转换。
可选地,将所述参数信息输入预设RBF神经网络之前,还包括:利用混沌粒子群对所述预设RBF神经网络的隐含层神经元对应的RBF函数中心和权值进行优化;其中,所述权值为所述预设RBF神经网络的隐含层与输出层之间的权值。
可选地,利用混沌粒子群对所述预设RBF神经网络的隐含层神经元对应的RBF函数中心和权值进行优化包括:设置混沌粒子群算法的相关参数和各粒子初始位置;根据迭代公式更新各粒子的位置和速度;计算粒子的适应度值,记录个体极值,群体极值;计算混沌搜索得到的粒子的适应度值,更新个体极值,群体极值。
可选地,采集以下至少之一的参数信息包括:通过安装于薄膜发电组件的传感器采集所述参数信息。
本发明第二方面,提供了一种最大功率点跟踪MPPT控制装置,包括:采集模块,用于采集以下包括至少之一的参数信息:光照强度、环境温度、光照时间;获取模块,用于将所述参数信息输入预设RBF神经网络,得到光伏系统全局最大的功率点对应的电压值;其中,所述预设RBF神经网络是通过如下步骤训练得到的:获取正样本信息;其中,所述正样本信息包括所述参数信息;利用所述正样本信息对RBF神经网络进行训练,直至RBF神经网络的输出与目标输出的差值小于预定阈值;将所述RBF神经网络作为所述预设RBF神经网络。
可选地,所述装置还包括:转换模块,用于对所述电压值进行直流-直流转换。
可选地,所述装置还包括:优化模块,用于利用混沌粒子群对所述预设RBF神经网络的隐含层神经元对应的RBF函数中心和权值进行优化;其中,所述权值为所述预设RBF神经网络的隐含层与输出层之间的权值。
可选地,所述优化模块还用于:设置混沌粒子群算法的相关参数和各粒子初始位置;根据迭代公式更新各粒子的位置和速度;计算粒子的适应度值,记录个体极值,群体极值;计算混沌搜索得到的粒子的适应度值,更新个体极值,群体极值。
可选地,所述采集模块,用于通过安装于薄膜发电组件的传感器采集所述参数信息。
本发明第三方面,提供了一种光伏发电设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行上述第一方面中任一所述的MPPT的控制方法。
本发明第四方面,提供了一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现上述第一方面中任一所述MPPT的控制方法的步骤。
本发明实施例技术方案,具有如下优点:
本发明实施例提供了一种MPPT控制方法、装置、光伏发电设备及计算机可读存储介质,采集以下至少之一的参数信息:光照强度、环境温度、光照时间;将该参数信息输入预设RBF神经网络,得到光伏系统全局最大的功率点对应的电压值;其中,该预设RBF神经网络是通过如下步骤训练得到的:获取正样本信息;其中,该正样本信息包括该参数信息;利用该正样本信息对RBF神经网络进行训练,直至RBF神经网络的输出与目标输出的差值小于预定阈值;将该RBF神经网络作为该预设RBF神经网络。通过本发明将参数输入到RBF神经网络中,对RBF神经网络进行训练,由于将影响最大功率对应的电压的参数输入RBF神经网络进行训练,而该RBF神经网络的输出又为电压值,在训练过程中,直至RBF神经网络的输出与目标输出的差值小于预定阈值,这样就保证了该RBF神经网络的精度,将训练后的RBF神经网络作为预设RBF神经网络,可以理解为一个模型,然后将采集的参数信息输入该模型,就能够预测得到一个相较于现有技术中采用恒定电压法、干扰观测法和电导增量法更精确的电压值。并且,本发明实施例的最大功率点跟踪MPPT控制方法采用RBF神经网络进行训练的方式,可以直接采集参数信息输入该训练后的RBF神经网络,不需要复杂的计算即可得到预测的最大功率点对应的电压值,响应速度快,解决了现有技术中MPPT控制方法的精度不高,响应较慢的问题,从而提高了预测控制的精度与速度。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
现有薄膜太阳能电动车电池MPPT的控制方法主要有三种:恒定电压法、干扰观测法和电导增量法。对于恒定电压法,当系统工作在最大功率点时电压大小几乎为一个固定值,与其对应的输出功率即为最大功率;对于干扰观测法,先给定一个电压值,并计算出功率,然后设置一个适当的扰动步长,按照步长长度调整电压使功率朝电压变化的方向移动;对于电导增量法,通过设置一个步长使系统电压按照该步长的大小移动,计算移动前后的电压差,根据电导增量法的原理进行计算。
根据本发明实施例,提供了一种最大功率点跟踪MPPT控制方法,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了MPPT控制方法,可用于光伏发电设备,图1是根据本发明实施例的MPPT控制方法的流程图,如图1所示,该流程包括如下步骤:
步骤S101,采集以下至少之一的参数信息:光照强度、环境温度、光照时间。
步骤S102,将上述参数信息输入预设RBF神经网络,得到光伏系统全局最大的功率点对应的电压值;其中,该预设RBF神经网络是通过如下步骤训练得到的:获取正样本信息;其中,该正样本信息包括该参数信息;利用该正样本信息对RBF神经网络进行训练,直至RBF神经网络的输出与目标输出的差值小于预定阈值,其中,RBF神经网络的输出值可以为一电压值,目标输出为另一电压值;将该RBF神经网络作为该预设RBF神经网络。
如图2所示,RBF神经网络层数为三层,分别为输入层,输出层和隐含层。由于影响光伏特性的因素主要是光照时间,光照强度,环境温度,在一个可选实施例中,选择多样本的输入形式,每个样本包括光照时间、光照强度及环境温度三个参数,且该层神经元个数为3。
输入层有三个输入
X=[X1,X2,X3]T
其中,X1表示光照时间,X2表示光照强度,X3表示环境温度。
将这三种因素作为输入,该层神经元为3个,输出为1个,即最大功率所对应的电压。本领域技术人员应当知晓,RBF神经网络的结构并非用于限制本实施例,当然在其他实施例中,为了进一步提高控制方法的精度可以适当增加RBF神经网络的层数,根据实际需要而采用其他结构的RBF神经网络亦在本实施例的保护范围之内。
在一个可选实施例中,关于隐含层的设计,隐含层的输出选择高斯函数。
由此可得隐含层第i个神经元的输入为:
隐含层第i个神经元的输出为:
其中w1是隐含层每个神经元与输入层相连的权值向量,Xq则是输入向量,q表示第q个输入向量,b1是阈值。
关于输出层的设计,根据最大功率点所对应的函数表达式,因此输出层神经元表示为最大功率点所对应的电压,神经元为1,因此则为单输出。
RBF神经网络输出层的主要作用是对输入输出层的信号进行线性变换,从而可以把隐含层的输出通过线性映射作为整体的输出即:
y是输出,r是隐含层的输出,w2是隐含层与输出层之间的权值。
选用两个指标来对建模系统进行性能评价,分别是平均绝对误差(MAE)和均方根误差(RMSE)。
式中,N为样本数;y
i与
分别为第i个样本的实际输出与神经网络预测的输出值。又仿真得出的误差可以看到BP神经网络的误差比RBF神经网络的误差大。说明RBF神经网络的预测效果更好一些。
通过本发明解决了现有技术中MPPT控制方法的精度不高,响应较慢的问题,同时也避免了神经网络寻优时的局部最优问题,以及提高了预测控制的精度与速度。
在一个可选实施例中,将该参数信息输入预设RBF神经网络,得到光伏系统全局最大的功率点对应的电压值之后,还包括:将该电压值输入至DC-DC转换器,得到给定的全局最大功率点对应的电压值。如图3所示,通过神经网络预测得到全局最大的功率点所对应的电压值,这个电压值作为给定输入到DC-DC转换器中,DC-DC转化器将薄膜太阳能系统的电压调整到给定的全局最大功率点的电压,从而来实现系统的最大功率输出。
在一个可选实施例中,将该参数信息输入预设RBF神经网络之前,还包括:利用混沌粒子群对该预设RBF神经网络的隐含层神经元对应的RBF函数中心和权值进行优化;其中,该权值为该预设RBF神经网络的隐含层与输出层之间的权值。
如图4所示,利用混沌粒子群对该预设RBF神经网络的隐含层神经元对应的RBF函数中心和权值进行优化包括:设置混沌粒子群算法的相关参数和各粒子初始位置;根据迭代公式更新各粒子的位置和速度;计算粒子的适应度值、记录个体极值、群体极值;计算混沌搜索得到的粒子的适应度值,更新个体极值,群体极值。
具体地,隐含层神经元所对应的RBF函数中心Ci以及隐含层与输出层之间的权值ωi由混沌粒子群(CPSO)进行优化以得到RBF函数中心和权值的最精确参数值,粒子群的种群规模为20,最大迭代次数为100次,学习因子一般选取为2。
关于混沌粒子群的设计,假设粒子群算法在D维的解空间里寻最优解,种群由N个粒子组成,表示为x=[x1,x2,…,xn],每个粒子表示为xi=[xi1,xi2,…,xiD]T,粒子的速度为vi=[vi1,vi2,…,viD]T,粒子的个体极值为pi=[pi1,pi2,…,piD]T,种群的群体极值为g=[g1,g2,…,gD]T。每次迭代,其第d(1≤d≤D)维空间可根据以下公式更新:
其中,w为惯性权重;K为当前迭代次数,c1和c2为学习因子,r1和r2是两个位于[0,1]内的随机数。同时把每个粒子位置的变化范围和速度的变化范围限定在区间[-xmax,xmax][-vmax,vmax]之内。
适应度函数采用RBF神经网络的误差函数,每次迭代,每个粒子的位置都被映射到RBF神经网络中,得到的训练误差被用来计算该粒子的适应度值。计算公式如下:
Y
n是网络的第n个输出值,
是第n个训练样本的实际值,N为样本容量。
粒子群优化径向神经网络的迭代流程如下:
1、初始化种群,包括种群的个数,迭代的次数。随机设定种群中每个粒子的位置和速度,并设定速度的范围[-Vmax,Vmax]。
2、把每个粒子的位置映射为RBF神经网络中,构建RBF神经网络结构。
3、训练RBF神经网络,计算每个粒子的适应度函数值。
4、更新粒子的个体极值,对于每个粒子,如果当前迭代的适应度值优于上次迭代中适应度值,则将当前迭代的个体极值作为新的个体极值。
5、更新种群的全局极值,如果全局极值对应的适应度值优于上次迭代中适应度值时,种群选择当前迭代的全局极值作为新的全局极值。
6、更新粒子的位置和速度。根据个体极值和全局极值对粒子的位置和速度进行进化。
7、判断种群是否满足结束条件,若满足则返回步骤2,否则进入步骤8。
8、记录全局极值,结束粒子群算法。
9、把全局极值映射到RBF神经网络中,训练神经网络。
基于混沌粒子群优化后的RBF神经网络对最大功率点电压的预测。
在一个可选实施例中,采集以下至少之一的参数信息包括:通过安装于薄膜发电组件的传感器采集该参数信息。
在本实施例中还提供了一种最大功率点跟踪MPPT控制装,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
如图5所示,最大功率点跟踪MPPT控制装置,包括:采集模块51,用于采集以下至少之一的参数信息:光照强度、环境温度、光照时间;获取模块52,用于将该参数信息输入预设RBF神经网络,得到光伏系统全局最大的功率点对应的电压值;其中,该预设RBF神经网络是通过如下步骤训练得到的:获取正样本信息;其中,该正样本信息包括该参数信息;利用该正样本信息对RBF神经网络进行训练,直至RBF神经网络的输出与目标输出的差值小于预定阈值;将该RBF神经网络作为该预设RBF神经网络。
可选地,该装置还包括:转换模块,用于对所述电压值进行直流-直流转换。
可选地,该装置还包括:优化模块,用于利用混沌粒子群对该预设RBF神经网络的隐含层神经元对应的RBF函数中心和权值进行优化;其中,该权值为该预设RBF神经网络的隐含层与输出层之间的权值。
可选地,该优化模块还用于:设置混沌粒子群算法的相关参数和各粒子初始位置;根据迭代公式更新各粒子的位置和速度;计算粒子的适应度值,记录个体极值,群体极值;计算混沌搜索得到的粒子的适应度值,更新个体极值,群体极值。
可选地,该采集模块,用于通过安装于薄膜发电组件的传感器采集该参数信息。
本实施例中的MPPT控制装置是以功能单元的形式来呈现,这里的单元是指ASIC电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
上述各个模块的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
请参阅图6,图6是本发明可选实施例提供的光伏发电设备的结构示意图,如图6所示,该终端可以包括:至少一个处理器601,例如CPU(Central Processing Unit,中央处理器),至少一个通信接口603,存储器604,至少一个通信总线602。其中,通信总线602用于实现这些组件之间的连接通信。其中,通信接口603可以包括显示屏(Display)、键盘(Keyboard),可选通信接口603还可以包括标准的有线接口、无线接口。存储器604可以是高速RAM存储器(Random Access Memory,易挥发性随机存取存储器),也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器604可选的还可以是至少一个位于远离前述处理器601的存储装置。其中处理器601可以结合图5所描述的装置,存储器604中存储应用程序,且处理器601调用存储器604中存储的程序代码,以用于执行上述任一方法步骤。
其中,通信总线602可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。通信总线602可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器604可以包括易失性存储器(英文:volatile memory),例如随机存取存储器(英文:random-access memory,缩写:RAM);存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory),硬盘(英文:hard diskdrive,缩写:HDD)或固态硬盘(英文:solid-state drive,缩写:SSD);存储器604还可以包括上述种类的存储器的组合。
其中,处理器601可以是中央处理器(英文:central processing unit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。
其中,处理器601还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文:application-specific integrated circuit,缩写:ASIC),可编程逻辑器件(英文:programmable logic device,缩写:PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文:complex programmable logic device,缩写:CPLD),现场可编程逻辑门阵列(英文:field-programmable gate array,缩写:FPGA),通用阵列逻辑(英文:generic arraylogic,缩写:GAL)或其任意组合。
可选地,存储器604还用于存储程序指令。处理器601可以调用程序指令,实现如本申请图1和4实施例中所示的MPPT控制方法。
本发明实施例还提供了一种非暂态计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的MPPT控制方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard DiskDrive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。