[发明专利]一种基于BP神经网络的多峰值光伏MPPT方法

说明书

技术领域

本发明涉及光伏系统领域，具体属于一种基于BP神经网络的多峰值光伏MPPT方法。

背景技术

在由多个带有旁路二极管的光伏组件串联组成的光伏系统中，当每个光伏组件的光照强度不完全相同时，光伏系统的P-V曲线可能会存在多个峰值点。在这些峰值中最大的值所对应的点称为全局最大功率点，其余峰值点为局部最大功率点。传统的MPPT算法如扰动观察法、增量电导法是利用P-V曲线峰值两侧的点斜率符号相反的特性来追踪最大功率点的，容易陷入局部最优。因此当多个峰值存在时，传统的MPPT算法有可能陷入局部最大功率点而错过全局最大功率点，导致功率损失。目前也有许多适用于多峰值的MPPT方法，但他们大多都需要复杂的搜索算法，而且搜索最大功率点的速度较慢。

发明内容

本发明要解决的技术问题是：提供一种基于BP神经网络的多峰值光伏MPPT方法，无需搜索过程，提高响应速度。

本发明为解决上述技术问题所采取的技术方案为：一种基于BP神经网络的多峰值光伏MPPT方法，其特征在于：设光伏系统的串联组件数为N，在每个光伏组件上分别安装光照强度传感器，安装一个温度传感器用于测定环境温度；将N个测得光照强度值经过由大到小排列后分别输入到BP神经网络的输入层节点，将环境温度输入到第N+1个输入节点，BP神经网络输出预测的全局最大功率点电压的值，作为给定电压值输入到DC-DC变换器，DC-DC变换器将光伏系统的端电压调整到给定的全局最大功率点电压以实现光伏系统的最大功率输出；

所述的BP神经网络以N+1作为输入层节点数，通过经验选取适当的隐层节点数，输出层节点数为1；输入层采用线性传递函数，隐层节点采用Log-Sigmoid函数作为传递函数，输出层采用线性传递函数。

按上述方法，所述的BP神经网络通过以下步骤建立：

S1、建立BP神经网络：

以N+1作为输入层节点数，通过经验选取适当的隐层节点数，输出层节点数为1；输入层采用线性传递函数，隐层节点采用Log-Sigmoid函数作为传递函数，输出层采用线性传递函数，建立BP神经网络；

S2、采集用于训练BP神经网络的样本：

通过计算机仿真或试验测得的方法，获得所有满足输入条件的数据作为BP神经网络的训练输入，在对应输入条件下测得的全局最大功率点作为目标输出，作为用于训练BP神经网络的样本；

S3、训练BP神经网络：

利用S2的样本数据，采用Levenberg-Marquardt方法对BP神经网络进行训练，直到对于大部分样本的训练输入对应的BP神经网络输出值与样本中对应的目标输出之差的绝对值小于一个给定的精度时，终止训练，投入使用；所述的大部分样本占整个样本的比例为预设值。

按上述方法，所述的S2中的输入条件具体为：设给第i块光伏组件设置的光照强度为I_i，环境温度为T，则I₁、I₂、……、I_N、T，构成一组输入条件，在每一组输入条件中，环境温度T取在给定范围内的在一定步长上的任意值，I_j+1小于或等于I_j，且I_j-I_j+1=nΔI，ΔI为设定的光照强度间隔，n为正整数或0。

按上述方法，所述的S3中，若对于大部分样本的训练输入对应的BP神经网络输出值与样本中对应的目标输出之差的绝对值无法小于一个给定的精度，则重新调整BP神经网络的隐层节点数。

本发明的有益效果为：由于光伏系统的全局最大功率点电压主要受各个组件的光照强度和环境温度的影响，因此本发明通过用BP神经网络来映射这种关系，无需传统MPPT方法的搜索过程，只要硬件运算速度够快，在给出神经网络的输入后几乎瞬时就可以得到对应的全局最大功率点电压，因此本方法具有较快的响应速度，且具有一定的精准度。

附图说明

图1为BP神经网络的原理图。

图2为光伏控制系统框图。

具体实施方式

下面结合具体实例和附图对本发明做进一步说明。