基于神经网络的快速可变阴影条件的MPPT方法

Santi Agatino Rizzo，Giacomo Scelba

意大利卡塔尼亚大学Elettronica e Informatica（Dieei）Elettrica

亮点

MPPT适用于移动设备，其阴影现象会突然且频繁变化。

模块上的辐照度分布及其温度未知（无传感器）。

尊重最大力量点所需的时间很短而且是固定的。

质量指标表明神经网络结构具有最佳的折衷精度时间。

在光伏系统参数变化的鲁棒性方面取得了良好的效果。

1．介绍

众所周知，光伏系统（PV）的使用正变得越来越重要，因为其对环境友好且经济可持续的能源，也在电动汽车中。另一方面，光伏技术仍然面临着效率的限制，因此提出了最大功率点跟踪（MPPT）控制技术来优化利用可用功率。这些算法是根据阵列温度、太阳辐射、遮光条件和光伏电池老化情况从光伏组件中提取最大功率的跟踪控制。

最广泛使用的MPPT方法可分为两类：爬山方法，如扰动和观测器（Pamp;O）和增量电导（INC）以及恒压方法[1-4]。从标准实施开始，已经提出了其他技术解决方案[5–18]，以提高跟踪控制的准确性和动态行为。另一方面，他们大多忽略了MPPT是一个多模态优化问题[19]，因为当光伏系统的辐照度不均匀时，P-V特性曲线中存在局部最优。

为了在部分阴影条件下从光伏系统中提取全部可用功率，大量的研究工作都集中在开发能够识别全球最大功率点（GMPP）的更复杂的MPPT算法上[20-33]。这些算法的计算量、有效范围和收敛速度各不相同，取决于所采用的理论方法。一些方法通过使用确定性搜索算法来确定GMPP，如恒功率运算[21]、划分矩形（直接）法[22]、限制电压窗口搜索算法[25]、布谷鸟搜索[30]，而其他MPPT算法则基于元启发式方法，如粒子群优化[20]和ART。人工神经网络（anns）[26]。更一般地说，在多模优化领域，进化算法[34]，例如遗传算法[35]，应用壁龛策略[36]设计用于正确处理多模函数。此外，一些定位算法与确定性方法（DMS）[37]相结合，以提高最终解的准确性[38]。其基本思想是先用一个小生境算法搜索全局最优，然后从所提供的解出发，得出实际的最优解。因此，可用于MPPT的算法之间的进一步区别涉及MPPT算法使用的阶段数。事实上，一些技术通过一个独特的过程来跟踪GMPP，而其他方法则通过两个阶段来识别GMPP。后一种方法，首先采用一种算法来识别GMPP潜在位置的“山丘”，然后采用另一种算法来达到GMPP。从这个角度来看，如果给出了面板上太阳辐射分布和/或其温度的信息以及系统模型的知识，那么使用元启发式方法和dm似乎是一个很好的解决方案。实际上，这些技术可以不使用模型而应用，但是这种方法变得非常有害，因为每个目标函数评估都需要改变光伏电压以测量电流。

因此，到目前为止提到的技术要求测量面板上的太阳辐射及其温度，和/或大部分光伏特性的尺寸，以适当地确定GMPP。因此，第一类技术的主要局限性是必须使用额外的传感器和适当的系统模型，而第二类技术的主要局限性是由于采集光伏特性所花费的时间而导致的能量损失。从这个角度出发，在[39]中，提出了一种基于直接搜索算法（第一阶段）和合适的Pamp;O算法（第二阶段）的技术。更一般地说，上述技术是为安装在固定装置中的光伏系统而设计的，在固定装置中，遮阳现象不会像安装在电动汽车车顶上那样突然和频繁地发生变化。在这种情况下，为了使提取的能量最大化，需要非常精确和快速的GMPP跟踪，考虑到光伏系统的运行概率很高，即面板上的太阳辐射分布不均匀，特别是由于存在其他车辆、建筑物和任何其他阻碍物。或折射太阳光，影响光伏组件，这种分布不断变化，同时车辆在交通中移动。

为了克服上述局限性，本文研究了一种基于人工神经网络的MPPT方法的有效性，该方法的目标是在没有给出组件上太阳辐射分布及其温度信息的情况下，以及当光伏系统连续不断地受到R和R的影响时，快速准确地估计GMPP。快速改变阴影模式。用人工神经网络评价GMPP的方法很少，而且是先验的。因此，估计时间小且固定。本文以神经网络为出发点，给出了一种零阶Pamp;O方法，即模式搜索法（PS）[37]，以提高被尊重的最大功率点（EMPP）的精度。因此，与[39]不同的是，在第一阶段使用人工神经网络直接估计GMPP，而Pamp;O方法仅用于改进结果。最后，为了评估各种神经网络结构的性能，提出了一些质量指标，并对所提出的光伏系统参数变化方法的鲁棒性进行了评估。

事实上，人工神经网络已经应用于多点定位问题，但本文首次将人工神经网络应用于多点定位问题的识别。以往文献中提出的其他基于神经网络的MPPT算法通常用于补偿局部MPPT识别过程中光伏系统中出现的参数变化[14–18]。另一方面，在[32]中提出的基于神经网络的MPPT方法通过单个电压和电流测量来估计GMPP，但该研究仅限于非常有限的阴影组合，因此，对于一个通用光伏系统来说，尤其是当其持续受到非常快的变化和不均匀的表面粗糙度时，是不太可能的。装载条件。

本文的结构如下：第2节对所考虑的光伏模型进行了简要描述，第3节对所提出的整个MPPT方法进行了解释；第4节对基于神经网络的MPPT方法进行了详细分析，第5节对案例进行了研究；最后，得出了一些结论和未来的发展趋势。第6节指出了工作。

2．光伏系统建模

如前一节所述，光伏组件可以通过其电流与电压的电气特性进行分析表示，这是通过将太阳能电池串联和并联来实现的。由于操作物理现象，特性曲线不是线性的。

文献[40,41]中提出了光伏系统的不同分析模型，其中在以下分析中考虑了每个太阳能电池的单二极管模型表示。模型如下：

关系式（1）–（3）清楚地显示了模型对太阳辐射和温度条件的依赖性。此外，由于室外条件，电池退化会影响（1）–（3）中包含的参数。

从这一数学表示出发，通过考虑光伏组件的串联和并联，得到光伏阵列的功率曲线。

假设考虑由相同的光伏电池组成的光伏阵列，在均匀的太阳照射下，阵列的典型P–V曲线包括一个单峰，如图1所示。

当组成光伏组件的其中一个电池发生局部着色时，最后一个会减少通过未着色电池循环的电流，导致所谓的热点加热，从而导致着色电池开裂[28]。这种缺点是通过使用一个外部旁路二极管来克服的，每当太阳能电池反向偏压时，该二极管就会导通，从而允许非阴影电池的电流向外流动到阴影电池，从而防止热点损坏。在模块级也采用了类似的方法。虽然可以通过插入旁路二极管来减轻阴影电池的影响，但部分阴影仍然会严重损害光伏系统产生的能量，原因有两个：P-V曲线呈现多个峰值，并且随着阴影条件的变化，全局最大变化的位置和幅度也会发生变化。图1通过在均匀和部分遮蔽的操作条件下显示光伏阵列的P-V特性来突出这两个方面。

以下各节的主要目标是提出一种新的MPPT实现，能够从光伏阵列中提取最大允许功率，即使在突然和反复出现的阴影条件变化时也是如此。

3．最大功率点搜索法

提出的MPPT方法由两种不同的程序组成，这些程序通过使用文献[42]中提出的一种技术来激活。整个MPPT方法的流程图如图2所示。电压和电流在光伏阵列终端测量。采样时间dt为几秒。因此，

电压（V）VOC

图1.光伏阵列（a）在均匀辐射和（b）阴影分布下的P–V特性示例。

图2.拟定MPPT方法的流程图。

当日照分布发生变化时，预计计算的输出功率变化dp大于合适的阈值thr（例如0.1–0.2pmp）。对于所考虑的dt，在均匀日晒下，不太可能有显著功率变化。

当功率变化被限制在某一阈值THR下时，假设P-V曲线保持相同的形状，并使用局部方法（PS）跟踪最大功率点（MPP）。在克服阈值的情况下，采用基于神经网络的方法，然后采用局部MPPT方法。特别是，当所提议的基于神经网络的MPPT方法被激活时，连接到光伏阵列终端的功率转换器通过修改光伏系统“可见”的电阻，迫使其在n（选择先验）不同电压下连续工作。然后，将相关的电流与外加电压一起测量，并用神经网络方法获取，该方法提供了为获得MPPT而设置的电压。换句话说，这些点（Vpv，Ipv）代表了ANN的输入，与EMPPA相关的PV阵列电压Vemmpa，即仅由ANN评估的全局MPP，是在当前操作条件下是ANN的输出。

因此，功率转换器将工作点（Vemppa、Pempa）施加到光伏阵列上，随后激活PS以提高EMPA的精度，从而获得EMPP。该方法的主要优点是能够在很短的时间内预测GMPP，即使在不同的遮光和环境条件下也能保持良好的精度。神经网络预测GMPP所需的时间严格取决于光伏阵列采样的数量n，神经网络的复杂性和硬件资源。在下面的章节中，详细描述了基于人工神经网络的GMPP预测和一些有助于评估该方法优点的质量指标。

4．基于神经网络的最大功率点预测

人工神经网络是模拟生物神经网络的计算模型[43]。在这种模型中，神经元是一个处理单元，它首先对输入进行线性加权，然后通过一个称为激活函数（af）的非线性函数来计算和，最后将结果发送给以下神经元[44]。常见神经元的模型由关系（4）给出，其中z是AF的参数，如图3所示：

和x1，x2，hellip;，Xm是m个输入信号，w1，w2，hellip;，Wm是相关的突触权重。

文献[45]提出了不同的AFS，如阈值、线性和乙状结肠传递函数；最后一个（5）用于案例研究。

基本上，神经网络可以用有向图来表示，其中节点和边缘分别是神经元和突触[46]。神经网络的两种主要结构是神经元相互连接的方式：前馈神经网络（FNN）[47]和循环神经网络（RNN）[48]。建议应用中考虑的多层Fnn的结构如图5所示，其中输入层的神经元仅用作分配输入信号（Vpv、Ipv）的缓冲器。输出层有一个神经元，提供与EMPPA对应的电压值Vemppa。

采用反向传播（BP）算法和Levenberg-Marquardt优化方法[49

英语原文共 9 页

资料编号：[3466]