国网安徽省电力有限公司怀宁县供电公司 安徽 怀宁 246129
摘要:光伏电池是利用半导体材料的光生伏特效应,将太阳能转换为电能再进一步加以利用。在不同光照和温度下,光伏发电输出功率呈现明显的非线性,并在任一特定环境下,有且仅有一个最大功率工作点。因此找寻一种快速、稳定、高效的最大功率点跟踪(MPPT)控制策略,对太阳能的利用意义重大。本文就在分析常规MPPT控制策略的基础上,利用近几年越发成熟的神经网络理论,提出了一种新的基于BP神经网络预测与中值法相结合的MPPT控制策略。
关键词:光电池模型;MPPT;中值步长法;神经网络
引言:传统的MPPT控制算法都存在步长选取的矛盾,步长选取不当会严重影响系统的跟踪特性。本文提出了一种新的基于BP神经网络预测与中值法相结合的控制算法,很好地利用了二者各自在动、静态方面的优势,解决了这一矛盾。分析与仿真结果也充分说明,本文所提的控制策略大幅提升了系统初始的跟踪速度,在外界环境或负载发生变化时,也能相对快速、准确的跟踪到当前条件下的最大功率点,并具有较好的稳态性能,也避免了常规MPPT算法可能会发生的误判。
MPPT控制策略的研究
1.1常规MPPT控制策略的研究
目前提出的各种MPPT算法大都是在扰动观察法(P&O法)及增量电导法(INC法)的基础上进行改进的。P&O法虽检测参数较少,易于实现,但它最终在最大功率点处并不停止扰动。而若要为减少振荡而减小扰动步长,又会影响到跟踪速度。同时,当外界环境发生变化时,还可能会发生误判,降低了系统的可靠性。相对于P&O法,INC法扰动步长调整方向的判断已经不再是盲目的了,即使在外界环境变化时也不会造成误判。但该算法需要记录和处理的数据较多,对传感器的精度要求较高,也同样存在步长选取的矛盾。
1.2中值步长法及其在本文中的应用
某位学者在P&O法的基础上,提出了一种改进了的基于中值步长法的MPPT控制策略。该算法在寻至最大功率点附近时,步长会逐次减半,减小了振荡幅度,具有较好的稳态性能。但该算法仍是基于常规P&O法,同时对传感器精度要求较高,计算量较大,也同样存在步长的选取的问题。本文结合该方法优点,将这种控制思想运用在了基于占空比扰动步长调整的INC法上,在后面的叙述里就改称其为中值法。其基本控制思想为,实时检测电流、电压,并判断这一次与上一次dP/dU的符号是否相同,进而确定下一步扰动的方向与步长。若相同则以当前步长同向扰动,直至斜率的符号发生改变,这时说明最大功率工作点是位于当前工作点与上一次工作点之间,于是改变扰动方向,同时将扰动步长调整为上一次的一半,如此循环反复,直至寻找到最大功率点为止。
1.3BP神经网络及其在本文中的应用
通过上述分析,易见不论是哪种方法,都存在步长选取的问题。为解决此矛盾,本文利用具有非线性映射能力、泛化能力和较强容错能力的BP神经网络,在外界环境或负载变化时,给出相应的初始占空比,使其能快速地将工作点定位在最大功率点附近,然后再结合小扰动步长的中值法,即可跟踪至最大功率点处。这样既能满足跟踪速度的要求,又能有效地减小了振荡幅度。本文运用BP神经网络是作为初始占空比的输出,而不是作为最终占空比输出的控制器。因为神经网络的泛化能力总是有限的,若单纯运用神经网络控制,一旦在某些外界条件下预测误差相对较大,后续是无法弥补的。而本文所述控制策略采用中值法的再控制,则可以很好地对这种情况进行修正。BP神经网络算法是目前相对成熟,也是应用范围最广的一种神经网络算法。它通常是由输入层、隐含层及输出层构成,其基本思想是学习过程由信号的正向传播与误差的反向传播两个过程组成。影响BP神经网络最终性能的因素有很多,诸如:训练样本的数量与准确度、隐含层层数与神经元个数、各层神经元的传递函数、学习算法等等,大都需要依靠设计者的经验与实验来最终确定一组可行的选择。
1.4新型MPPT控制策略的总体控制流程
基于上述分析,可以得到本文算法总体控制流程如图6所示。系统在初始及外界条件发生突变时,先由BP神经网络给出相应的初始占空比Dbp,由于其预测值相对偏小,故下一次在Dbp基础上直接做正向扰动,这也有效避免了误判的发生,之后则通过中值法给出系统所需占空比。其中中值法通过S函数编写,BP部分由相应的神经网络模块实现,根据外界环境是否发生突变,从而控制Switch模块的切换,以实现不同情况下占空比的输出选择。
仿真及结果分析
2.1中值法与传统INC法的对比
取温度为25℃,光照在0.35s时从1000W/m2变为800W/m2,扰动步长为0.02时,仿真波形如图1所示。
图1.光照发生变化时二者的对比:
通过实际调查可以看出,相对于传统INC法,中值法对外界变化的响应速度明显加快,由于扰动步长在最大功率点附近的逐次减半,其振荡幅度也能快速减小,很好地减少了扰动损耗,使得最终的输出功率也得到有效增加,同时整个过程中功率曲线也一直高于传统INC法,具备更好的综合跟踪特性
[1]。
2.2本文最终控制策略与中值法对比
2.2.1当外界环境发生变化时
取光照为1000W/m2,温度初始为25℃,在0.35s时变为45℃,扰动步长为0.005时,仿真波形如图2和图3所示。
图2.温度发生变化时二者的对比:
图3.温度变化时局部放大对比图:
2.2.2当负载发生变化时
为更好的观察变化过程,这里取温度为55℃,光照为1000W/m2,其余参数同上。初始负载为100Ω,0.25s时变为120Ω,0.45s变为90Ω,仿真波形如图10所示。由上述仿真对比可知,本文最终控制策略相对于中值法,由于初始通过BP预测,能快速、准确地将工作地点定位在最大功率点附近,大大缩短了系统稳定所用时间和跟踪过程,降低了过程中无谓的波动,很好地提升了系统的动态特性。本文最终控制策略综合性能要优于中值法,即亦优于传统INC法,使系统具备了更好的控制性能[2]。
结论:
简而言之,在Matlab/Simulink仿真环境下,搭建了光伏电池的通用仿真模型,并提出了一种新的基于神经网络预测结合中值法的光伏发电系统最大功率点跟踪(MPPT)的控制策略。在外界环境或负载发生变化时,先通过BP神经网络给出新的外界条件下的初始占空比,再结合小步长的中值法,直至达到最大功率点跟踪的目的。最后利用生成的神经网络模块,进行了相关的对比仿真,结果表明,新的控制策略能够快速、准确的跟踪到当前条件下的最大功率点,并具有较好的稳态性能。
参考文献:
[1]熊远生,俞立,徐建明.固定电压法结合扰动观察法在光伏发电最大功率点跟踪控制中的应用[J].电力自动化设备,2019,29(6):85-88
[2]胥芳,张任,吴乐彬,等.自适应BP神经网络在光伏MPPT中的应用[J].太阳能学报,2018,33(3):468-472.