基于神經網絡的光伏電源功率控制設計

吳翠娟(蘇州經貿職業技術學院機電與信息技術學院，江蘇蘇州215009)

基于神經網絡的光伏電源功率控制設計

吳翠娟
(蘇州經貿職業技術學院機電與信息技術學院，江蘇蘇州215009)

在分析光伏系統發電特性的基礎上，以最大功率控制為目標，神經網絡技術為支撐，構建了基于三層BP(反向傳播)神經網絡的光伏發電功率控制模型。該模型采取四季氣候子模型分類計算的方式，以四季歷史氣候數據為樣本，形成四個統一而又相互有一定隔離的子模型訓練庫，從而實現了光伏電源發電的功率預測及控制功能。實驗結果表明，該方法建立的功率預測與控制模型具有精度高、反應速度快的優勢。

光伏系統；發電功率預測；神經網絡；四季氣候參數

日益突出的環境問題使再生性能源得到了越來越廣泛的應用，而太陽能以其可持續性強、無污染的特性成為可再生性能源中利用率最高的綠色能源之一。由于我國大部分地區都屬于太陽能資源較為豐富的地區，因此光伏發電得到了很大的發展。

光伏發電容易受到外界環境如光照和溫度等因素的影響，因此，建立相應的模型對光伏系統的發電功率進行有效的預測和控制，是光伏發電系統并網發電的前提條件，是提高光伏發電系統運行穩定性、減少隨機性的重要基礎。

1 光伏系統發電功率特性分析

光伏系統所處的外界環境復雜而多變，就天氣而言，可以分為晴天、多云、陰天、雨天等情況，就四季而言，可以分為春、夏、秋、冬；就每日所處的時間，可以分為白天和晚上，因此，其功率的預測和控制具有相應的復雜性。

通常而言，光伏發電系統的出力時間為06：00～19：00，以睛天為例，具體輸出功率曲線如圖1所示。

陰天、雨天時的輸出功率形狀大致與晴天相同，但具體的輸出功率數值卻有較大的變化，有時只能達到晴天輸出功率的10％左右。

圖1　光伏系統的晴天輸出功率

除天氣類型所造成的輸出功率差異之外，四季對于光伏發電的影響也是比較大的，一般都是夏季輸出功率高，而冬季白天短，輸出功率低。因此，針對不同的季節及相應的氣候條件建立其相應的子功率控制模型具有一定的必要性。

2 功率預測方式分析

為了使光伏系統達到最優的工作狀態，整個系統往往需要工作在最大功率點附近。為了達到這一效果，就需要對光伏電池的輸出特性進行分析。

光伏電池的輸出特性是指在一定的光照強度和溫度下電池的輸出電流和電壓之間的關系，由于光伏電池基本材料的特性不變，因此，光伏電池隨著光照強度與溫度的變化呈一定的變化趨勢，圖2和圖3所示為基本變化曲線[1]。

從圖2、圖3中可知，在一定的光照和溫度條件下，輸出功率會在某一點達到最大值，因此，選擇一種合適的方式，使光伏電池在外界環境發生變化時能夠有效地跟蹤上最大功率點，盡可能實現輸出功率最大值，以提高光伏發電系統的效率。

應用于最大功率點跟蹤的技術很多，常用的有固定電壓法、擾動觀察法、電導增量法等。這些方法中，固定電壓法對電壓的因素考慮較多，卻沒有考慮溫度等其他因素的影響，因此結果的準確性不高。擾動觀察法主要是對陣列輸出電壓在固定時間施加擾動，再根據輸出功率的變化決定下一步的動作以實現最大功率跟蹤，在實際應用中，擾動步長的選擇對跟蹤精度有較大的影響，當環境變化較快時，擾動觀察法易產生較大的誤差。電導增量法具有控制效果好、穩定性高的優點，但是設備成本高，運行不夠經濟[2]。

本文在分析以上方法的基礎上，選用神經網絡來實現最大功率點的跟蹤。

圖3　不同溫度下光伏電池輸出特性曲線

3 光伏系統發電功率控制系統

本設計采用BP神經網絡來設計發電功率的控制系統。BP網絡是一種按預測值和實際結果進行對比分析后，按誤差的程度進行逆向傳播糾正的多層前饋網絡，其結構如圖4所示。從圖4中可知，該網絡由三部分組成，分別為輸入層、隱含層及輸出層。具體的操作過程為：首先，選擇四季中的某一組數據作為神經網絡的輸入信號，通過中間隱含層的非線性函數產生輸出信號，并將輸出信號與實際系統中的結果進行對比分析，適度改變隱含層的函數，反復訓練，直至輸出結果與實際值相匹配為止。

圖4　BP神經網絡的三層結構

由于光伏系統所處的環境情況多變，依據四季和天氣情況的不同，應該在輸入變量、隱含層函數的構造上形成不同的子模型，來提高系統的精確性。在本系統中，隱含層函數可采用S形函數，表達式為：f(x)=1/[1+exp(－x)]，隱含層的每一個節點選擇不同的權值w來影響輸出結果，w值在0至1之間選擇，當輸出結果與實際結果有誤差時，可以調整w值，不斷訓練，直至輸出結果與實際結果相近為止。

基于神經網絡的功率控制系統主要借助DSP芯片來完成，本系統選擇TMS320F2812DSP芯片為主控芯片，其他部分包括了采樣電路、總線擴展接口部分、LED顯示模塊、通信模塊、復位電路、時鐘電路、驅動電路、電源輔助電路、保護電路等，總體框圖如圖5所示。

圖5　系統總體框圖

在TMS320F2812DSP芯片中，利用C語言對基于四季的光伏系統功率控制功能進行開發，具體的實現流程如圖6所示。

4 結語

本文以神經網絡為基礎，以DSP芯片TMS320F2812為核心，實現了光伏發電系統的功率控制功能。由于系統采用四季多子模式的算法，因此具用精度高、變換快的特點。

圖6　算法流程

[1]馬曼.光伏電源最大功率點跟蹤控制方法的研究[D].西安：西安理工大學，2013：11-13.

[2]張嵐，張艷霞，郭嫦敏，等．基于神經網絡的光伏系統發電功率[J]．中國電力，2010(9)：75-77.

Design of PV power control based on neural network

WU Cui-juan
(Mechatronics＆amp;Information,Suzhou Institute of Trade＆amp;Commerce,Suzhou Jiangsu 215009,China)

The neural network control model of photovoltaic power based on three layers BP(back propagation)was constructed.Maximum power control was the target,the neural network technology was taken as the support,and photovoltaic power generation system was analyzed.The form of four seasons climate classification sub-model calculations was taken by the model.In four seasons historical climate data sample,four sub-models unified were designed and had some training library isolated from each other in order to achieve the power to predict and control functions photovoltaic power generation.Experimental results show that the power prediction and control model established by this method has a high precision,and reflects the speed advantage.

photovoltaic systems;power generation forecast;neural network;four seasons climate parameters

TM 914

A

1002-087 X(2016)01-0147-02

2015-08-14

吳翠娟(1968—)，女，廣東省人，碩士，副教授，主要研究方向為電子信息。