基于神經(jīng)網(wǎng)絡(luò)的光伏陣列局部陰影建模研究

張杰, 王宏華, 韓偉

(河海大學(xué) 能源與電氣學(xué)院，江蘇 南京 211100)

基于神經(jīng)網(wǎng)絡(luò)的光伏陣列局部陰影建模研究

張杰, 王宏華, 韓偉

(河海大學(xué) 能源與電氣學(xué)院，江蘇 南京 211100)

在局部陰影條件下，光伏陣列的輸出特性將發(fā)生變化。利用神經(jīng)網(wǎng)絡(luò)具有逼近任意復(fù)雜非線性函數(shù)的能力，采用粒子群算法(PSO)來(lái)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的內(nèi)部連接權(quán)值和閾值，以改善神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能，并基于這種改進(jìn)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)搭建局部陰影下的光伏陣列模型。仿真結(jié)果表明，此算法泛化能力強(qiáng)、收斂速度快，能夠?qū)﹃幱跋碌墓夥嚵羞M(jìn)行建模。

局部陰影；神經(jīng)網(wǎng)絡(luò)；粒子群算法；光伏建模

0 引言

目前，國(guó)內(nèi)外對(duì)此已經(jīng)做了較長(zhǎng)時(shí)間的理論和實(shí)驗(yàn)研究，文獻(xiàn)[1]在MATLAB/Simulink環(huán)境下，搭建光伏電池元仿真模型，但僅考慮了均勻光照下的情況。文獻(xiàn)[2-4]基于數(shù)學(xué)分析法，建立了局部陰影條件下光伏陣列的數(shù)學(xué)模型，模型復(fù)雜且參數(shù)求解較為困難。文獻(xiàn)[5-6]將神經(jīng)網(wǎng)絡(luò)應(yīng)用于光伏陣列建模，避免了復(fù)雜的計(jì)算和參數(shù)求解過程，取得了較好的結(jié)果，但僅考慮了陣列受均勻光照的情況，沒有考慮局部陰影對(duì)光伏陣列的影響。

基于以上分析，利用神經(jīng)網(wǎng)絡(luò)對(duì)光伏陣列建模，避開電池內(nèi)部復(fù)雜的物理結(jié)構(gòu)，直接針對(duì)其外部特性研究，從而簡(jiǎn)化建模過程。由于在傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練中容易陷入局部極小值而且收斂速度也比較慢，很難適應(yīng)實(shí)時(shí)控制的要求，故采用粒子群算法(PSO)優(yōu)化后的 BP神經(jīng)網(wǎng)絡(luò)，對(duì)非線性系統(tǒng)具有更好的自學(xué)習(xí)和泛化能力，對(duì)局部陰影條件下的光伏陣列進(jìn)行建模，可以得到更加精確的輸入輸出特性。

1 局部陰影條件下光伏組件特性分析

1.1 單體光伏電池特性

圖1為光伏電池單元的等效電路。其中：Iph為光伏電池內(nèi)部產(chǎn)生的光生電流；ID為無(wú)光照條件下通過二極管的單向電流；I為光伏電池輸出負(fù)載電流；Rsh為光伏電池的等效旁路電阻，一般為幾千Ω；Rs為光伏電池內(nèi)部的等效串聯(lián)電阻，一般<1Ω；R0為外接負(fù)載電阻；其對(duì)應(yīng)的光伏電池電流輸出特性方程為：

(1)

圖1 單體光伏電池的等效電路

根據(jù)上述特性方程將光伏電池單體按一定的規(guī)則進(jìn)行串聯(lián)和并聯(lián)后就形成了光伏陣列。串聯(lián)用來(lái)提高光伏陣列的直流電壓輸出值，并聯(lián)提高光伏陣列的直流電流輸出值，因此，根據(jù)串并聯(lián)的光伏電池的總數(shù)不同，可以獲得不同輸出電壓和不同輸出功率的光伏陣列。圖2為幾種典型的局部陰影下的光伏陣列示意圖。

(a)局部陰影串聯(lián)支路；(b)具有三個(gè)支路的局部陰影陣列；(c)同一支路中不同的陰影擋射率圖2 光伏陣列的局部陰影示意圖

在實(shí)際應(yīng)用中，光伏陣列中每一個(gè)光伏電池板單元都會(huì)并聯(lián)一個(gè)旁路二極管。當(dāng)其中某個(gè)電池板被陰影遮擋或者出現(xiàn)故障而停止向外輸出電壓時(shí)，二極管將導(dǎo)通使被遮擋部分短路，這樣在不影響其組件正常發(fā)電的同時(shí)也保護(hù)光伏電池免受較高的反向偏壓而導(dǎo)致電池板因發(fā)熱損壞。

1.2 局部陰影條件下光伏陣列特性分析

搭建由兩塊電池板串聯(lián)的光伏陣列，圖3，圖4為兩塊電池板串聯(lián)組成的光伏陣列在兩塊電池分別受到幾種不同的局部遮陰情況下整個(gè)光伏陣列的U-I和U-P特性曲線。

計(jì)算機(jī)網(wǎng)絡(luò)是計(jì)算機(jī)科學(xué)技術(shù)最熱門的分支之一。在計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)快速發(fā)展的新形勢(shì)下，計(jì)算機(jī)網(wǎng)絡(luò)的教學(xué)已成為計(jì)算機(jī)類專業(yè)及相關(guān)專業(yè)的重要課程[1]。該課程理論知識(shí)比較抽象，要想深入地理解計(jì)算機(jī)網(wǎng)絡(luò)基本知識(shí)和概念，并運(yùn)用于實(shí)際中，需要課堂和實(shí)驗(yàn)室的互補(bǔ)教學(xué)[2]。

圖3 局部陰影條件下光伏陣列的 U-I特性曲線

由圖3和圖4可見，當(dāng)光伏陣列中的單體電池受到相同的光照情況下，其輸出U-I特性曲線和U-P特性曲線呈現(xiàn)單峰狀。若發(fā)生局部遮陰，光伏陣列的輸出U-I特性曲線和U-P特性曲線將呈現(xiàn)多梯度、多極值的特點(diǎn)，使得系統(tǒng)在這種情況下不能簡(jiǎn)單的以尋找曲線的任一極值作為最大功率點(diǎn)的輸出目標(biāo)。

圖4 局部陰影條件下光伏陣列的 U-P特性曲線

2 基于粒子群優(yōu)化的光伏陣列建模

2.1BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[7-8]

BP神經(jīng)網(wǎng)絡(luò)是一種單向傳播的多層前向網(wǎng)絡(luò)，其結(jié)構(gòu)如圖5所示，一般具有三層或者三層以上，包括輸入層、隱含層和輸出層。每層神經(jīng)元只接受前一層神經(jīng)元的輸入。當(dāng)提供給神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)樣本后，神經(jīng)元的數(shù)據(jù)流從輸入層經(jīng)各隱含層向輸出層傳播，在輸出層獲得整個(gè)網(wǎng)絡(luò)的輸入響應(yīng)。然后按照減少目標(biāo)輸出與實(shí)際誤差的方向，從輸出層經(jīng)中間層逐層修正網(wǎng)絡(luò)權(quán)值和閾值，最后返回輸入層。

BP神經(jīng)網(wǎng)絡(luò)的基本思想是將神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)輸入輸出映射問題轉(zhuǎn)變?yōu)榉蔷€性優(yōu)化問題。在梯度下降算法的基礎(chǔ)上，用迭代運(yùn)算動(dòng)態(tài)修正網(wǎng)絡(luò)權(quán)值，使網(wǎng)絡(luò)誤差函數(shù)值達(dá)到最小。

圖5 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖

2.2 基于PSO的BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法[9-12]

由于BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法收斂速度慢，易陷入局部極小值，而且它對(duì)網(wǎng)絡(luò)初始權(quán)值、自身的學(xué)習(xí)速率和動(dòng)量等參數(shù)非常敏感，需要通過不斷地訓(xùn)練才能穩(wěn)定，但是過度的訓(xùn)練也可能導(dǎo)致“過擬合”現(xiàn)象發(fā)生，從而影響網(wǎng)絡(luò)的泛化能力。因此，為了提高收斂速度，改善BP神經(jīng)網(wǎng)絡(luò)的性能，本文采用 粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的學(xué)習(xí)算法。

粒子群算法的基本思想是將每個(gè)需要優(yōu)化的問題的解當(dāng)作一個(gè)“粒子”，由一個(gè)優(yōu)化函數(shù)來(lái)決定這個(gè)粒子的適應(yīng)值，同時(shí)還有一個(gè)速度來(lái)確定這個(gè)粒子的飛行方向和距離。粒子根據(jù)自身以及其他粒子的經(jīng)驗(yàn)進(jìn)行動(dòng)態(tài)調(diào)整，從而尋找最優(yōu)解。PSO作為一種新興的算法，具有收斂速度快、魯棒性高、全局搜索能力強(qiáng)的特點(diǎn)。將其與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，可以在發(fā)揮神經(jīng)網(wǎng)絡(luò)泛化能力的同時(shí)，提高網(wǎng)絡(luò)的收斂速度和學(xué)習(xí)能力。

PSO算法首先在給定的解空間中隨機(jī)初始化粒子群，然后通過迭代找到最優(yōu)解。在每一次迭代過程中，粒子知道本身所能找到的最優(yōu)位置叫做個(gè)體極值pbest，整個(gè)種群目前所能找到的最優(yōu)位置叫全局極值gbest，另外，也可以不用整個(gè)種群而只是用其中一部分為粒子的鄰居，那么在所有鄰居中的極值就是局部極值。在找到這兩個(gè)最優(yōu)值時(shí)，每個(gè)粒子采用下式來(lái)更新自己的速度和位置：

(2)

式中：w為慣性權(quán)重，k為當(dāng)前迭代次數(shù)，Vid為粒子的速度；C1,C2為非負(fù)的常數(shù)，稱為加速度因子；r1,r2為分布在[0,1]之間的隨機(jī)數(shù)。為防止粒子的盲目搜索，一般將其位置和速度限制在一定的區(qū)間 [-Xmax,Xmax],[-Vmax,Vmax]。

用粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)時(shí)，每個(gè)粒子代表了神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，通過粒子尋優(yōu)找到網(wǎng)絡(luò)的最佳的初始權(quán)值和閾值，使如下誤差平方和(SSE)(適應(yīng)度值)達(dá)到最?。?/p>

(3)

粒子群優(yōu)化算法收斂快，通用性強(qiáng)，但同時(shí)也容易早熟收斂并且搜索精度低、后期迭代率不高。在遺傳算法中通常引入變異算子，在提高算法局部搜索效果的同時(shí)保持群體個(gè)體差異性防止發(fā)生早熟。可以借鑒這一方法在PSO算法中引入變異概率因子，即對(duì)某些變量以一定的概率重新初始化。擴(kuò)大在迭代中不斷縮小解空間的搜索范圍，使得粒子能夠跳出先前已經(jīng)搜索到的最優(yōu)位置，更有效的進(jìn)行全局搜索，同時(shí)保持了種群的多樣性，提高算法尋找最優(yōu)值的可能性。

PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法分為BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定、PSO算法優(yōu)化和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)3個(gè)部分，流程如圖6所示。

圖6 PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的流程圖

3 仿真結(jié)果分析

在MATLAB/Simulink下建立兩個(gè)電池板串聯(lián)情況下的光伏仿真模型。其中每個(gè)光伏電池板的參數(shù)為：開路電壓VOC=24V；短路電流Isc=3A；最佳工作電壓Vm=18V；最佳工作電流Im=2.69A；以上參數(shù)為T=295K(25℃)，S=1000W/m2時(shí)的特性參數(shù)。分別改變兩塊電池板的光照強(qiáng)度，光照強(qiáng)度分別由1000W/m2減少至200W/m2，兩塊電池板的溫度都取為恒溫25℃，計(jì)算得兩塊電池板在光照不均勻情況下的陣列輸出最大功率，共取數(shù)據(jù)120組，然后隨機(jī)從中選取30組為測(cè)試數(shù)據(jù)。在訓(xùn)練時(shí)將以數(shù)據(jù)文件的形式提供給網(wǎng)絡(luò)。

本文以MATLAB神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行模型的訓(xùn)練和仿真。其中以兩塊電池板的光照強(qiáng)度為輸入構(gòu)建BP神經(jīng)網(wǎng)絡(luò)，其中隱含層含有5個(gè)神經(jīng)元，采用tansig作為傳遞函數(shù)，輸出層有一個(gè)神經(jīng)元為陣列的輸出功率，以purelin為傳遞函數(shù)。期望的均方差為0.0001，迭代次數(shù)為500，學(xué)習(xí)率為0.5。粒子群算法用來(lái)優(yōu)化BP網(wǎng)絡(luò)的權(quán)值和閾值，其中加速度因子C1=C2=1.49445，慣性權(quán)重W=1，種群規(guī)模為20，進(jìn)化次數(shù)為30。如圖7所示為網(wǎng)絡(luò)的最優(yōu)個(gè)體適應(yīng)度值變化曲線。

圖7 網(wǎng)絡(luò)的適應(yīng)度值變化曲線

把PSO算法得到的最優(yōu)權(quán)值和閾值賦給神經(jīng)網(wǎng)絡(luò)，用訓(xùn)練數(shù)據(jù)訓(xùn)練500次后預(yù)測(cè)非線性函數(shù)輸出。同時(shí)采用傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練，性能參數(shù)與通過PSO優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)作對(duì)比。圖8為兩種神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中的均方誤差的變化曲線。由圖8可見相比于傳統(tǒng)BP算法，PSO-BP能很快達(dá)到訓(xùn)練目標(biāo)，收斂速度顯著提高。

圖8 兩種神經(jīng)網(wǎng)絡(luò)均方誤差變化曲線

圖9表明相比于傳統(tǒng)BP算法，PSO-BP具有較強(qiáng)的泛化能力和辨識(shí)度。通過計(jì)算兩者的均方誤差(MSE)，可知傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)均方誤差為9.13%，而經(jīng)過PSO優(yōu)化后的BP的神經(jīng)網(wǎng)絡(luò)均方誤差僅為3.3%。因此改進(jìn)的算法有效地提高了網(wǎng)絡(luò)的辨識(shí)精度和準(zhǔn)確性。

圖9 兩種神經(jīng)網(wǎng)絡(luò)泛化能力比較圖、

4 結(jié)論

通過對(duì)陰影條件下光伏陣列的研究，采用PSO優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的算法能夠?qū)崿F(xiàn)光伏陣列非線性系統(tǒng)建模。仿真結(jié)果表明，基于此方法建立局部陰影下的光伏陣

列模型是可行的，能夠準(zhǔn)確地反映光伏陣列的輸入輸出特性，由于不需要對(duì)系統(tǒng)內(nèi)部機(jī)理進(jìn)行復(fù)雜的計(jì)算，因此是研究復(fù)雜非線性系統(tǒng)輸入輸出特性的一個(gè)可行方向。

[1] Patel H, Agarwal V. MATLAB-based modeling to study the effects of partial shading on PV array characteristics [J]. IEEE Transaction on Energy Conversion, 2008, 23(1):302-310.

[2] 蘇建徽,余世杰,趙為,等. 硅太陽(yáng)電池工程用數(shù)學(xué)模型[J].太陽(yáng)能學(xué)報(bào), 2005, 20(5):409-412.

[3] 劉曉艷,祁新梅,鄭壽森,等. 局部陰影條件下光伏陣列的建模與分析[J]. 電網(wǎng)技術(shù), 2010, 34(11):192-197.

[4] 陳阿蓮,馮麗娜,杜春水,等. 基于支持向量機(jī)的局部陰影條件下光伏陣列建模[J]. 電工技術(shù)學(xué)報(bào), 2011, 26(3):140-146.

[5] 李煒,朱新堅(jiān),曹廣益. 基于 一 種 改 進(jìn) 的 BP 神 經(jīng) 網(wǎng) 絡(luò) 光 伏 電 池 建 模[J]. 計(jì)算機(jī)仿真, 2006, 23(7): 228-230.

[6] 郭亮,陳維榮,賈俊波,等. 基于粒子群算法的BP神經(jīng)網(wǎng)絡(luò)光伏電池建模[J].電工電能新技術(shù), 2011, 30(2):84-88.

[7] E. Karatepe,M. Boztepe, and M. Colak. Neural network based solar cell model[J]. Energy Conversion and Management, 2006, vol. 47, p. 1159 -1178.

[8] 高雋. 人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例[M].北京：機(jī)械工業(yè)出版社，2003，7：21～44.

[9] 李博. 粒子群優(yōu)化算法及其在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用[D]. 大連: 大連理工大學(xué), 2005.

[10] 金欣磊. 基于PSO的多目標(biāo)優(yōu)化算法研究及應(yīng)用[D]. 杭州：浙江大學(xué),2006.

[11] 劉艷莉,周航,程澤. 基于粒子群優(yōu)化的光伏系統(tǒng)MPPT控制方法[J].計(jì)算機(jī)工程，2010，36(15) ：265-267.

[12] 張利彪,周春光,馬銘,等. 基于粒子群算法求解目標(biāo)優(yōu)化問題[J].計(jì)算機(jī)研究與發(fā)展, 41(7):1286-1291, 2004.

Application of Neural Network Algorithm in Photovoltaic Array Under Local Shadow

ZHANG Jie, WANG Hong-hua, HAN Wei

(College of Energy and Electrical Engineering of Hohai University, Nanjing 211100, China)

The output characteristics of PV array changes under the partially shaded conditions. The neural network with the ability of approximating any complicated nonlinear function and the particle swarm optimization (PSO) are used to optimize the BP neural network's internal connection weights and threshold value in order to improve the neural network prediction performance and to establish the model of PV system under the partially shaded conditions. The simulation results show that, through the establishment of the PV array local shadow model identification precision and fast convergence rate,it perfectly verifies the effectiveness of the proposed method.

local shadow; neural network algorithm; particle swarm optimization (PSO); PV modelling

江蘇省2012年度普通高校研究生科研創(chuàng)新計(jì)劃(CXZZ12_0228)

張杰(1989-)，男，江蘇淮安人，碩士研究生，研究方向?yàn)榭稍偕茉窗l(fā)電系統(tǒng)控制。

TM914;TP393

A

1671-5276(2014)02-0087-04

2013-09-15