武漢紡織大學數(shù)學與計算機學院 ■ 何雅靜

復旦大學信息科學與工程學院 ■ 汪登

0 引言

光伏是太陽能光伏發(fā)電體系的簡稱，是一種基于太陽電池半導體材料的光生伏特效應，是將輻射能直接轉(zhuǎn)換為電能的一種新型發(fā)電體系，目前存在獨立運行和并網(wǎng)運行兩種方式[1]。近年來，光伏發(fā)電發(fā)展迅速，廣泛應用于能源、交通、通信等領域。

神經(jīng)網(wǎng)絡算法是按照邏輯規(guī)則進行推理的過程：它先將需要處理的信息化整為零，并為之添加標記，然后根據(jù)符號運算規(guī)則以串行方式進行邏輯推理；上述過程可以寫成串行的指令以供計算機執(zhí)行[2]。光伏發(fā)電需準確預測太陽輻射情況，并根據(jù)季節(jié)、溫度、濕度等氣象條件，以及土壤等周邊環(huán)境做出及時調(diào)整，從而才能更好地應用光伏系統(tǒng)。在此過程中，神經(jīng)網(wǎng)絡算法發(fā)揮了巨大的作用，使光伏系統(tǒng)的應用越來越廣泛。

1 神經(jīng)網(wǎng)絡

1.1 神經(jīng)網(wǎng)絡介紹

神經(jīng)網(wǎng)絡是由大量形式、狀態(tài)相同的神經(jīng)元連結在一起構成的。神經(jīng)元是以生物神經(jīng)系統(tǒng)的神經(jīng)細胞為根本的生物模型。近年來，隨著人工智能越來越熱，人們對生物神經(jīng)系統(tǒng)進行了大量研究，在此過程中，神經(jīng)元數(shù)學化產(chǎn)生了神經(jīng)元數(shù)學模型üü神經(jīng)網(wǎng)絡。神經(jīng)網(wǎng)絡是一種高度非線性動力學系統(tǒng)，其憑借自適應、自學習能力，常被用在智能控制、尋找最優(yōu)解及預測、監(jiān)控等問題上。

1.2 神經(jīng)網(wǎng)絡分類

神經(jīng)網(wǎng)絡一般分為2種，一種是生物神經(jīng)網(wǎng)絡，指由生物的大腦神經(jīng)元、細胞和觸點等生理組織組成的生物系統(tǒng)；另一種是人工神經(jīng)網(wǎng)絡，通常被簡稱為“神經(jīng)網(wǎng)絡”或“連接模型”，是一種模仿動物神經(jīng)網(wǎng)絡行為特征，應用于類似大腦神經(jīng)突觸聯(lián)接的結構進行信息處理的數(shù)學模型。這種人工神經(jīng)網(wǎng)絡依靠系統(tǒng)的復雜程度，通過調(diào)整內(nèi)部大量節(jié)點之間相互連接的關系，從而達到處理信息的目的[3]。本文探究的是人工神經(jīng)網(wǎng)絡。

1.3 人工神經(jīng)網(wǎng)絡的工作機制

人工神經(jīng)網(wǎng)絡在進行應用之前需先進行一系列的訓練學習，通常其訓練學習方式可分為2種：一種是有監(jiān)督或有導師的學習，是利用給定的樣本標準進行分類或模仿；另一種是無監(jiān)督或無導師的學習，這種方式只規(guī)定學習方式或某些規(guī)則，具體的學習內(nèi)容根據(jù)系統(tǒng)所處環(huán)境(即輸入信號情況)而定，系統(tǒng)可以自動發(fā)現(xiàn)環(huán)境特征和規(guī)律性，具有更近似人腦的功能[4]。在經(jīng)過訓練學習之后，人工神經(jīng)網(wǎng)絡會將學習的結果分布存儲于網(wǎng)絡的突觸連接中，從而成功構建我們所需要的神經(jīng)網(wǎng)絡，之后我們就可以利用生成的神經(jīng)網(wǎng)絡對真實數(shù)據(jù)進行分類，從而將分類結果應用于各個方面。在光伏發(fā)電中，人工神經(jīng)網(wǎng)絡的這一工作機制發(fā)揮了重大作用。

2 人工神經(jīng)網(wǎng)絡在光伏中的相關應用

2.1 人工神經(jīng)網(wǎng)絡在預測中的應用

預測光伏系統(tǒng)輸出功率對于光伏系統(tǒng)的應用極為重要。為獲取準確的光伏系統(tǒng)輸出功率，Yona等[5]提出使用回歸神經(jīng)網(wǎng)絡對光伏系統(tǒng)輸出功率進行預測的想法，并進行了實驗，實驗結果表明，其所提出的系統(tǒng)模型可以在很短的時間內(nèi)，僅使用歷史數(shù)據(jù)就能預測優(yōu)選結果。預測系統(tǒng)輸出功率也可通過預測系統(tǒng)電流來實現(xiàn)。Ameen 等[6]提出了基于具有2個輸入和1個輸出的級聯(lián)反向傳播人造神經(jīng)網(wǎng)絡的新型光伏模塊輸出電流預測模型，實驗結果表明，該模型在預測電流方面靈敏度較高。

有些情況下，對光伏發(fā)電系統(tǒng)輸出功率進行直接預測較為困難，而太陽輻照度對光伏系統(tǒng)的輸出功率具有較大影響。基于此，Mellit等[7]提出了一種使用人工神經(jīng)網(wǎng)絡進行太陽輻射預報的實用方法，實驗所得模型表現(xiàn)良好，結果表明，晴天天數(shù)相關系數(shù)在98%～99%，陰天天數(shù)相關系數(shù)在94%～96%。Cao等[8]建立了對角線復現(xiàn)小波神經(jīng)網(wǎng)絡，結合小波的優(yōu)良特性及對角線循環(huán)神經(jīng)網(wǎng)絡的動態(tài)特性的自學習能力，對太陽輻射進行準確預測。實驗表明，該網(wǎng)絡在預測非線性且頻繁變化的太陽輻射方面表現(xiàn)出良好的性能。

為了對系統(tǒng)進行更高效率的預測，Zhou等[9]提出使用小波函數(shù)代替神經(jīng)網(wǎng)絡隱藏層的船體函數(shù)，以小波神經(jīng)網(wǎng)絡來預測日常太陽總輻射量和光伏發(fā)電。實驗結果表明，在不影響預測準確性的前提下，該算法在很大程度上縮短了模型的練習時間，提高了運行速度，避免了神經(jīng)網(wǎng)絡參與局部最優(yōu)解。

2.2 人工神經(jīng)網(wǎng)絡在監(jiān)測中的應用

除了預測功能，人工神經(jīng)網(wǎng)絡在系統(tǒng)監(jiān)測方面也發(fā)揮著重大作用。針對市場上光伏監(jiān)控系統(tǒng)運行效率不高、發(fā)電量預測忽略太陽輻照度，以及缺少嵌入預測功能等問題，海濤等[10]提出了一種基于RBF神經(jīng)網(wǎng)絡預測發(fā)電量的高效的光伏監(jiān)控方案，將串口服務器作為數(shù)據(jù)采集網(wǎng)關，用面向?qū)ο蟮姆椒枋鲈O備，并結合多線程、模塊化思想。結果表明，該系統(tǒng)具有運行效率高、可擴展性強、發(fā)電量預測精度高等優(yōu)點。趙巍巍等[11]建立了一種基于BP神經(jīng)網(wǎng)絡的閥控密封式鉛酸蓄電池(VRLA)的剩余容量(SOC)預測模型，以此對光伏發(fā)電系統(tǒng)中的蓄電池SOC進行監(jiān)控。該模型利用Matlab工具對3層BP網(wǎng)絡模型進行仿真校驗，采用相關硬件控制電路對VRLA進行實時數(shù)據(jù)采集，得到工作組的控制電路和SOC預測值，實現(xiàn)對蓄電池組的放電工作狀態(tài)的智能監(jiān)測與控制。實驗結果表明，該系統(tǒng)能做到蓄電池SOC、端電壓、充放電電流等參數(shù)的實時監(jiān)控、數(shù)據(jù)傳輸及狀態(tài)顯示等，具有較高的實際應用價值。張文瑾[1]從另一個角度提出了一種綜合ZigBee無線通信和BP神經(jīng)網(wǎng)絡算法的光伏電站遠程監(jiān)控系統(tǒng)。該智能系統(tǒng)集數(shù)據(jù)采集、數(shù)據(jù)分析顯示、故障診斷為一體，通過實時監(jiān)測能快速確定故障原因，并將監(jiān)測所得數(shù)據(jù)存儲下來，為工作人員迅速準確地排除故障提供了極大幫助，實現(xiàn)了監(jiān)控光伏電站的功能。為提高系統(tǒng)精度，張鉦浩[12]提出使用對角遞歸神經(jīng)網(wǎng)絡對光伏系統(tǒng)的電壓、電流、溫度等特性曲線進行建模仿真，利用對角遞歸網(wǎng)絡隱層節(jié)點具有自反饋功能的特點，提高了系統(tǒng)精度。仿真結果證明，該監(jiān)測系統(tǒng)監(jiān)測結果較為理想。

為了解決光伏組件狀態(tài)自動監(jiān)測的問題，肖慧明[13]提出采用BP神經(jīng)網(wǎng)絡算法構建光伏組件功率的估算模型，并對其進行了改進，最終形成了基于改進BP神經(jīng)網(wǎng)絡的光伏組件等效最大功率估算算法，利用該算法的估算結果與歷史數(shù)據(jù)進行比較，可判斷光伏組件狀態(tài)。經(jīng)過實際驗證，確認該方法能夠滿足實際應用需求。

2.3 人工神經(jīng)網(wǎng)絡在故障檢測中的應用

在故障檢測方面，許多科研人員也進行了一系列基于人工神經(jīng)網(wǎng)絡的嘗試。在光伏發(fā)電技術和人工智能技術迅速發(fā)展的同時，也滋生了光伏發(fā)電系統(tǒng)的故障問題，這就要求相關診斷技術也應向智能化邁進。蘭琴麗等[14]提出一種基于BP神經(jīng)網(wǎng)絡的光伏發(fā)電系統(tǒng)的故障診斷方法，實驗結果表明，該系統(tǒng)具有一定的實用性。針對光伏陣列的故障特點及傳統(tǒng)故障診斷方法的局限性，張文瑾等[15]提出了一種基于BP神經(jīng)網(wǎng)絡的光伏陣列智能故障診斷系統(tǒng)。實驗結果表明，該系統(tǒng)在神經(jīng)網(wǎng)絡結構、連接權值和閾值中體現(xiàn)了光伏陣列的故障狀態(tài)與故障原因之間的對應關系，將實驗測得數(shù)據(jù)輸入到提前訓練好的故障診斷神經(jīng)網(wǎng)絡中，可實現(xiàn)光伏陣列的在線故障診斷。此外，還有兩種更加易于實現(xiàn)的算法。劉玉英等[16]提出了一種設備簡單、易于實現(xiàn)且精度較高的BP神經(jīng)網(wǎng)絡算法，該方法將網(wǎng)絡故障信息作為系統(tǒng)的樣本輸入，利用神經(jīng)網(wǎng)絡強大的自適應能力和非線性映射能力，建立起網(wǎng)絡故障信息與故障模式輸出之間的映射。測試結果證明了該方法的有效性和可行性，其不僅具有診斷精度高的特點，同時還易于實現(xiàn)，因此可用于并網(wǎng)光伏發(fā)電系統(tǒng)的故障診斷。王元章等[17]提出了基于L-M算法的BP神經(jīng)網(wǎng)絡的故障診斷方法，該方法操作簡便、成本低，仿真及實驗結果均驗證了該方法能夠有效檢測出光伏陣列短路、斷路、異常老化及局部陰影等4種故障。

除此之外，李練兵等[18]針對光伏并網(wǎng)系統(tǒng)工作過程中可能發(fā)生的故障，提出了一種將故障樹和雙向聯(lián)想記憶神經(jīng)網(wǎng)絡相結合的故障診斷方法。該方法首先通過故障樹分析法(FTA)得到系統(tǒng)的所有故障模式，再根據(jù)維修經(jīng)驗得到的故障分析歸納出BAM的學習樣本，即故障模式與故障分析之間的對應，進行一系列實驗后的結果表明，該方法具有很好的實時性和有效性。

2.4 人工神經(jīng)網(wǎng)絡在光伏系統(tǒng)優(yōu)化中的應用

如何使用人工神經(jīng)網(wǎng)絡優(yōu)化光伏發(fā)電系統(tǒng)也是研究的一個方向。由于氣象數(shù)據(jù)變化多端，找到適合光伏發(fā)電系統(tǒng)的模式相對較為困難。Mellit等[19]提出了一種可在不同氣候條件下運行的獨立光伏系統(tǒng)建模和仿真的自適應人工神經(jīng)網(wǎng)絡。該預測模型允許獨立光伏系統(tǒng)的用戶預測每個模型的不同信號，并在不同的氣候條件下識別系統(tǒng)的輸出電流。模擬結果表明，對于每個預估的信號，獲得的相關系數(shù)為90%～96%。相較于傳統(tǒng)的模糊邏輯控制器，模糊神經(jīng)網(wǎng)絡可以傳遞更多的功率，Su等[20]提出了一種基于模糊神經(jīng)網(wǎng)絡的光伏發(fā)電系統(tǒng)最大功率點跟蹤算法。從模擬和實驗結果可以看出，該模型能夠精確地估計可變大氣條件，有助于增加跟蹤速度和消除功率波動下的最大發(fā)電。為提高系統(tǒng)精度，Mellit等[21]提出使用自適應神經(jīng)——模糊網(wǎng)絡方案的光伏電源系統(tǒng)進行建模，對系統(tǒng)進行優(yōu)化。實驗結果表明，仿真系統(tǒng)具有可靠性和準確性，預測精度良好。該作者還開發(fā)了一種基于人造神經(jīng)網(wǎng)絡的遺傳算法(ANN-GA)模型，用于生成獨立光伏系統(tǒng)的尺寸曲線。實驗結果表明，該模型呈現(xiàn)出比傳統(tǒng)回歸模型更加準確的結果。 Ashhab[22]還提出了使用神經(jīng)網(wǎng)絡優(yōu)化算法對光伏發(fā)電系統(tǒng)進行優(yōu)化，由此推導出預測模型，預測值更加接近真實值，這種優(yōu)化算法實現(xiàn)了光伏發(fā)電系統(tǒng)生產(chǎn)效率最大化的目標。

3 總結

人工神經(jīng)網(wǎng)絡在光伏發(fā)電系統(tǒng)的預測、監(jiān)控、故障診斷和優(yōu)化等方面有著極多的應用，并且已在這4個方面取得較多成果。目前，人工神經(jīng)網(wǎng)絡可實現(xiàn)對系統(tǒng)輸出功率、輸出電流、太陽輻射、溫度等較為準確的預測；在監(jiān)控和故障分析方面，研究主要集中在電流、電壓等方面；在優(yōu)化方面，研究主要集中在提高精度、速度和準確性。