模糊神经网络在光伏发电MPPT中的应用

1欢迎引用：[1]黄克亚,尤凤翔,李文石.模糊神经网络在光伏发电MPPT中的应用[J].计算机仿真,2012,29(8):300-304.模糊神经网络在光伏发电MPPT中的应用摘要：,提出模糊神经网络控制算法，该算法将神经网络理论和T-S模糊推理方法相结合，选择网格法作为生成算法，混合法作为训练方法，由实测数据自动生成模糊控制规则,并将其嵌入模糊控制器当中去，以实现MPPT控制功能。仿真结果显示，采用该方法生成模糊规则准确实用，系统动态性能和稳态性能均十分优越。实验证明，模糊控制技术与人工神经网络法相结合实现光伏发电MPPT准确高效。关键词：模糊控制，人工神经网络，最大功率点跟踪，仿真中图分类号：TP391.9文献标识码：AApplicationofFuzzyNeuralNetworksinMPPTofPhotovoltaicPowerGeneratingSystemHUANGKe-ya1,YOUFeng-xiang1,LIWen-shi2(1.NanjingInstituteofRailwayTechnology,SuzhouJiangsu,215137;2.DepartmentofMicroelectronics,SoochowUniversity,SuzhouJiangsu,215006)ABSTRACT：Inthispaper,issuesofmaximumpowerpointtracking(MPPT)forPhotovoltaicpowergenerationsystemwerediscussed.Currently,thefuzzycontrolrulesweregenerallysummedupbytheartificial.However,thisconclusionisdifficult,random,incompleteandinadequate.ThesewillleadtoinaccuratetracingorSteady-stateturbulent,sofuzzyneuralnetworkalgorithmswereproposed.ThefuzzycontrolruleswereadoptedusingcombinationofneuralnetworktheoryandT-Sfuzzyreasoningmethodwithmeasureddata,andgridpartitionwasselectedasGenerationalgorithm,hybridasTrainingmethod.Theseruleswereembeddedinfuzzycontroller,inordertoachievetheMPPTcontrol.Thesimulationresultsshowfuzzyrulesgeneratedbythismethodwereaccurateandpractical,anddynamicperformance,steady-stateperformancewereveryadvantageous.TheexperimentsshowtheperformanceofMPPTalgorithmbecomesmuchpreciseandactivewiththehelpoffuzzycontrolandartificialneuralnetwork.KEYWORDS：Maximumpowerpointtracking;Fuzzycontrol;Artificialneuralnetwork;Simulation1引言随着能源问题和环境问题的日益突出，作为清洁能源的太阳能越来越受到重视。近年来，太阳能光伏发电的研究和应用有了突飞猛进的增长，成为新能源的研究热点之一。然而太阳能光伏组件是非稳定电源，光照、温度、负载的改变均会引起光伏发电系统输出的功率的变化，为有效利用太阳能需要对其进行最大功率点跟踪。目前已知MPPT算法主要有固定电压法、扰动观察法、电导增量法、模糊控制法和神经网络法等。固定电压法简单且容易实现，但跟踪效果较差，现在已较少使用。扰动观察法和电导增量法同为MPPT经典算法，但扰动观察法抗干扰能力较差，容易发生误判现象，电导增量法对硬件要求较高，需要高精度的A/D转换器；两种算法跟踪步长设置大小都会影响系统的动态和稳态性能，且较难找到平衡点；这些特性都限制了两种算法的应用。模糊控制是一种仿人思维的控制技术，它不依赖于被控过程的数学模型，抗干扰能力强，鲁棒性好，用于光伏发电MPPT控制是十分合适的。但是单纯采用模糊控制技术，自动生成和在线调整的模糊控制规则将成为难题。神经网络对环境变化有极强的自习能力，在建模方面具有黑箱学习模式特点。但是如果单纯使用神经网法，在学习完成后，从输入、输出数据得出的关系却无法用人们易于接受的方式表示出来，且神经网络法系统实现有一定难度。如果将两种算法结合，扬长避短，势必会取得很好的控制效果[1]。论文尝试将模糊理论表达知识能力和神经网络的自学能力结合起来，借助Matlab神经网络工具箱，由实测数据自动产生模糊控制规*基金项目：江苏省2009年度高校科研成果产业化推广项目，项目编号：JHZD09-492则，并将其嵌入到光伏发电MPPT模糊控制过程当中去。可以有效地避免传统人工总结模糊控制规则有一定难度，存在随机性，不完整，不充分等缺点。实验证明该方法具有自动、准确和实用等优点。2光伏阵列MPPT原理光伏组件的输出存在着功率最大点，在特定的温度和光照条件下，组件能否工作在最大功率点取决于组件所接负载，图1和图2是用图解法得出光伏组件的工作点的示意图。其中图1是光伏组件工作时的等效电路图，图2中曲线为光伏组件输出的电流电压（I-V）曲线，直线表示负载电阻的I-V特性，二者的交点即为光伏组件的工作点，工作点的电压电流既要符合光伏组件的I-V特性又要符合负载自身的I-V特性。如果两条线的交点不在最大功率点，此时负载和光伏组件就处于失配状态，光伏组件所产生的电能就没有被充分利用。外界的环境因素，通常是无法人为改变的，光照和温度在一天中是变化的，光伏阵列的输出特性也随之变化，要使阵列始终能够输出最大功率，必须适变接入负载。图1光伏组件工作等效电路图图2光伏组件及负载I-V曲线图3光伏发电MPPT结构框图光伏发电系统MPPT控制装置结构框图如图3所示，主要由光伏阵列，DC-DC变换器，负载，控制器等组成。系统工作时由控制器依据系统状态及内置跟踪算法形成控制信号（占空比），由DC-DC变换器完成最大功率点跟踪。选择Boost电路作为系统DC-DC变换器，其阻抗变换关系如式1所示[2]，其中:R’：Boost电路等效输人阻抗，D：开关占空比，RL：负载阻抗，式中不考虑Boost电路自身功率损耗。22*(1)'*(1)*(1)/(1)iooLiooVVDVRDRDIIDI(1)由此可知光伏阵列所接的等效负载是DC-DC变换器占空比D和其所带负载的函数，调节变换器的占空比就可以达到改变光伏阵列等效负载的目的，使之在不同的外部环境下始终跟随光伏阵列的内阻变化，两者动态负载匹配时就可以获得光伏阵列组件的最大输出功率，从而实现最大功率点跟踪[3]。3光伏系统MPPT模糊控制算法光伏系统是一个强非线性系统，太阳能电池的工作情况也很难用精确的数学模型描述出来，因此采用模糊控制的方法来进行光伏系统最大功率点跟踪是非常合适的。3.1输入和输出变量的确立基于扰动观察法的原理，根据功率值的变化量和前一时刻的占空比调整步长，来决定本时刻的占空比调整步长[4]。取目标函数为光伏电池的输出功率，控制量为用来控制开关管的PWM信号的占空比D。模糊自寻优控制器的第n时刻的输入量为第n时刻的功率变化量和第n-1时刻的占空比步长值，第n时刻的输出量为第n时刻的占空比步长值。图4为控制原理框图。3图4光伏系统模糊控制原理图输入：（1）e(n)表示第n时刻与第n-1时刻输出功率之差的实际值，E(n)表示这个差值对应于模糊集论域中的值。（2）s(n-1)表示第n-1时刻步长的实际值，S(n-1)表示这个步长值对应于模糊集论域中的值。输出：s(n)表示第n时刻步长的实际值，S(n)表示这个步长值对应于模糊集论域中的值。Ke、Ka分别为量化因子。3.2确定输入/输出量模糊子集及论域将语言变量E，S分别定义为8个和6个模糊子集[5]，其中S(n-1)和S(n)变量子集和论域相同，统一将其命名为S。E={NB,NM,NS,NO,PO,PS,PM,PB}S={NB,NM,NS,PS,PM,PB}其中NB,NM,NS,NO,PO,PS,PM,PB分别表示负大，负中，负小，负0，正0，正小，正中，正大模糊概念。并将它们论域规定为14个和12个等级，即：E={-6,-5,-4,-3,-2,-1,-0,+0,+1,+2,+3,+4,+5,+6}S={-6,-5,-4,-3,-2,-1,+1,+2,+3,+4,+5,+6}3.3模糊推理规则确定模糊控制规则是模糊控制器的核心，直接影响控制的成败和效果，一般由有经验技术工人和专家经过长时间的操作、观察和积累经验总结出来[6]。但是这种总结积累存在如下困难：（1）技术人员虽能很好地操作被控系统，但未必能够用清晰的语言表述成合格的模糊规则；（2）由于语言表述的控制规则具有模糊性，往往不够完整和充分，致使其他技术人员按文操作却达不到技术要求；（3）如果模糊规则太多，靠人工很难总结出来。本节讨论利用Matlab神经网络工具箱，由实测数据自动产生模糊控制规则。具体实现过程分四步阐释如下：3.3.1产生实验数据模糊控制规则产生和分析的依据是技术人员和专家的实测数据，可将每次操作的输入输出进行记录，形成表格输入电脑。通过实验测得模糊控制器各种条件下输入输出，部分数据如表1所示，其中第二列表示功率差E(n)，第三列表示上次扰动步长S(n-1)，第四列表示系统输出即本次扰动步长S(n)。在Matlab运行时将数据导入到工作空间去。表1部分实测模糊控制器输入输出数据NOE(n)S(n-1)S(n)1-6.00E+00-6.00E+005.04E+002-5.40E+00-2.40E+004.90E+003-4.80E+001.80E+00-7.50E-014-4.20E+003.60E+00-7.50E-015-3.60E+004.80E+00-7.49E-0166.00E-01-6.00E-01-7.50E-0171.80E+003.00E+003.20E+0083.00E+003.00E+003.50E+003.3.2装入训练与测试数据在Matlab主窗口，输入anfisedit，回车，打开自适应神经模糊系统编辑界面。ANFIS是把神经网络理论和T-S模糊推理结合在一起的一个系统，它可根据大量数据，通过自适应建模方法建立起模糊推理系统（FIS）。点击ANFIS编辑器界面左下方Loaddata区域操作按钮，依次由工作空间载入训练数据、测试数据进入编辑器。3.3.3生成初始FIS在ANFIS编辑器GenerateFIS编辑区，选择网格法(Gridpartition)作为生成算法，并设置输入量的模糊子集数分别为[86]，隶属函数类型为高斯型，输出隶属函数为常数类型，点击生成按钮生成初始FIS。此时还可更改输入输出变量的名称，以及修改模糊子集名称。生成初始FIS，只是确定系统结构，系统并没有输出，要想确定模糊控制规则，必须根据实测数据进行训练。3.3.4训练初始FIS通过设置TrainFIS选项卡，选择混合法（hybrid）作为训练方法，设置误差精度（ErrorTolerance）为0，最大训练次数(Epochs)为80，开始进行训练。训练完成之后即已经根据实测数据生成新的模糊推理系统，如图5所示。基于扰动观察法的原理，通过对光伏电池输出功率P与电压V之间的特性曲线分析，并且考虑到外界环境因素（温度、光照）对光伏电池输出功率的影响，以及针对实际仿真结果进行调整得到理想F