沈璐璐

摘 要： 采用模糊神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)對不同環(huán)境條件下光伏發(fā)電系統(tǒng)電氣特性進(jìn)行預(yù)測，并使用粒子群優(yōu)化算法對模糊神經(jīng)模型地結(jié)構(gòu)和參數(shù)進(jìn)行優(yōu)化訓(xùn)練。實驗證明所提出的優(yōu)化模糊神經(jīng)模型具有更優(yōu)的準(zhǔn)確性、緊湊性和可解釋性，可以在線估計和預(yù)測單個光伏模塊電氣特性以及最大功率點，且具有較好的計算性能。

關(guān)鍵詞： 光伏發(fā)電預(yù)測; 模糊神經(jīng)網(wǎng)絡(luò)模型; 粒子群優(yōu)化

中圖分類號： TP 399 ? ? ?文獻(xiàn)標(biāo)志碼： A

Abstract： In this paper， the fuzzy neural network model is used to predict the electrical characteristics of the photovoltaic power generation system under different environmental conditions， and the particle swarm optimization algorithm is used to optimize the structure and parameters of the fuzzy neural model. Experiments prove that the proposed optimized fuzzy neural model has better accuracy， compactness and interpretability. It can estimate and predict the electrical characteristics and maximum power point of a single photovoltaic module online， and it has good computing performance.

Key words： photovoltaic power generation prediction; fuzzy neural network model; particle swarm optimization

0 引言

光伏（PV）發(fā)電系統(tǒng)的最大輸出功率點（MPP）水平隨環(huán)境條件和氣候條件的不同而變化，因此需要對不同條件下PV系統(tǒng)的電氣特性進(jìn)行準(zhǔn)確和高效地預(yù)測，從而獲得其MPP[1-2]?，F(xiàn)有的PV系統(tǒng)電氣特性預(yù)測方法主要有三大類：間接預(yù)測方法、直接測量方法和基于人工智能算法的預(yù)測方法。

間接預(yù)測方法包括使用預(yù)先確定的參數(shù)和數(shù)據(jù)，這些參數(shù)和數(shù)據(jù)是通過對PV模塊進(jìn)行事先實驗評估獲得。這種方法的主要缺點之一是模型需要大量內(nèi)存來存儲模型參數(shù)的值[3]。直接測量方法是基于電壓和電流的在線測量值。直接測量方法的關(guān)鍵概念是對PV電壓進(jìn)行調(diào)節(jié)，直到PV功率和電壓變化之間的比率獲得零值為止。這種方法的缺點在于最佳工作點附近連續(xù)振蕩以及控制器的電路復(fù)雜性較高[4-5]。

為了避免上述方法的弊端，基于人工智能算法的預(yù)測技術(shù)越來越受到關(guān)注。已有研究提出使用布谷鳥搜索優(yōu)化算法[6]、人工蜂群算法[7]以及人工魚群算法[8]實現(xiàn)在實際環(huán)境條件下的PV模塊電氣特性預(yù)測和最大功率點的估計，但是這些算法在計算效率和預(yù)測精度等方面存在不足。為此本研究提出了一種改進(jìn)的基于神經(jīng)模糊模型來表示PV電氣特性。使用粒子群優(yōu)化算法（PSO）對模型參數(shù)進(jìn)行訓(xùn)練。在PSO訓(xùn)練時使用加速度系數(shù)和慣性因子以避免訓(xùn)練過程中會出現(xiàn)明顯波動，同時可以將過程結(jié)束時預(yù)測電流與其實際值之間的誤差最小化。實驗表明所提出的模型可以在短時間內(nèi)以最小的誤差和零振蕩來預(yù)測和跟蹤PV系統(tǒng)在變化環(huán)境條件下的電氣特性。

1 PV建模

建模對象為以np×ns個太陽能電池的PV陣列，np為串聯(lián)面板塊數(shù)，ns為串聯(lián)面板塊數(shù)。Vpv和Ipv分別表示PV陣列的輸出電壓和電流。如果忽略內(nèi)部并聯(lián)電阻和串聯(lián)電阻，則PV面板陣列的輸出電流[9]，如式（1）。

對于上述訓(xùn)練算法，有四個PSO參數(shù)，即Ω（0）、Ω（Nk）、ξ1和ξ2，都需要正確選擇，以使模型訓(xùn)練準(zhǔn)確且計算效率高。

本研究使用常規(guī)初始化模式來確保初始粒子更均勻地覆蓋搜索空間。即在實踐中，這20個粒子被初始化為盡可能彼此遠(yuǎn)離并且盡可能遠(yuǎn)離搜索空間的邊界。粒子的初始化范圍是[-15，15]。

調(diào)整完所有模型參數(shù)后，必須使用公式（8）重新計算規(guī)則權(quán)重，并更新線性參數(shù)，以便獲得另一組新的適應(yīng)度函數(shù)值。迭代執(zhí)行訓(xùn)練算法，以便連續(xù)生成具有更好解的一組粒子，直到達(dá)到最大迭代為止。在此過程結(jié)束時，將使用適應(yīng)度函數(shù)最高的粒子來確定PV模型的最終結(jié)構(gòu)。

上述算法流程，如圖4所示。

3.3 使用PSO算法更新模型參數(shù)

通過初步的模擬研究，選擇了四個PSO參數(shù)設(shè)置，即ξ1、ξ2、Ω（0）和Ω（Nk）。在初始階段，按照Kennedy和Eberhart最初的算法設(shè)計，設(shè)置參數(shù)值為ξ1=ξ2=2且Ω（0）=Ω（Nk）=1。使用這些參數(shù)設(shè)置，可以分別生成十個不同的PV模型。每個模型都從20組不同的粒子中選擇。每個模型調(diào)整的迭代總數(shù)設(shè)置為30。在每次迭代中，均記錄了采樣的PV電流與總體最佳粒子所預(yù)測的PV電流之間的均方根誤差，如式（18）所示。

4 實驗結(jié)果

實驗電路和算法流程，如圖5所示。

實驗電路和平臺包括：用于PIC18F452和PV模擬器編程的計算機(jī)、MPPT控制器、PICKIT2調(diào)試器、示波器、SEPIC（DC/DC變流器）、電流探頭和負(fù)載電阻器。PV模塊、SEPIC和MPPT控制器在MATLAB / Simulink中實現(xiàn)。

PV模塊的電氣參數(shù)，如表4所示。

神經(jīng)模糊算法參數(shù)，如表5所示。

最大粒子數(shù)、最大迭代數(shù)C1、C2、Wmin和Wdamp分別為2 000、150、1、2、0.5和0.99。運(yùn)行PSO-NF模型的計算時間為1分鐘04 秒。

通過對三個輸入?yún)?shù)V（電壓）、G（日照）和T（溫度）的解析計算和輸出數(shù)據(jù)Ipv的采集，以進(jìn)行神經(jīng)模糊算法參數(shù)的學(xué)習(xí)。學(xué)習(xí)過程如下。首先完成了由V、G、T和Ipv組成的學(xué)習(xí)數(shù)據(jù)收集，下一步就是使用混合PSO-NF算法的學(xué)習(xí)過程來調(diào)整前饋網(wǎng)絡(luò)和后饋網(wǎng)絡(luò)的參數(shù)。模型的平均平方誤差結(jié)果如圖6所示?？梢钥闯?，在迭代53次時算法實現(xiàn)了收斂，此時穩(wěn)態(tài)誤差等于0.3%，該數(shù)值非常低，證實了所提算法的良好性能。最后一步是對實驗結(jié)果進(jìn)行檢查和驗證。

上述計算過程與模型訓(xùn)練中的計算過程相同。 使用式（1）計算解析Ipv，以構(gòu)造包括三輸入和一輸出的檢查向量。因此，使用開發(fā)的算法估算光伏陣列Ipvis的發(fā)電電流。包含在集合V、G、T和Ipv中的數(shù)據(jù)稱為檢查數(shù)據(jù)。由于在PSO-NF算法中調(diào)用了檢查數(shù)據(jù)選項，因此最終選擇的模糊推理結(jié)構(gòu)（FIS）具有最小檢查錯誤。因此，最終模型的均方誤差如圖6所示。

可以發(fā)現(xiàn)穩(wěn)態(tài)誤差等于0.4%，顯然這個數(shù)值已經(jīng)足夠小。

圖7表明，對于變化的日照度和電池溫度，預(yù)測曲線非常接近原始曲線，顯示了所提出算法的良好性能。

一旦使用本研究所提算法估算了PV電池輸出電流I ^pv，就可以通過式（4）計算出PV的MPP。如圖7（a）和圖7（b）所示。

實驗結(jié)果表明，所提算法可在僅知道PV模塊電氣參數(shù)的情況下，基于針對任何照度和電池溫度精確預(yù)測PV陣列的電氣特性。

5 總結(jié)

本文提出了一種基于PSO-NF的PV系統(tǒng)電氣特性的模型。為了獲得模型算法所輸出結(jié)果的準(zhǔn)確性，緊湊性和高解釋性，提出了模型參數(shù)和模型結(jié)構(gòu)一起優(yōu)化的思路。為了使模型參數(shù)在整個訓(xùn)練過程中不出現(xiàn)明顯的波動，同時使預(yù)測電流與訓(xùn)練結(jié)束時的實際值之間的誤差最小化，本研究選擇了用于PSO-NF訓(xùn)練方案的加速度系數(shù)和慣性因子。仿真實驗結(jié)果表明，本研究所提算法能夠準(zhǔn)確預(yù)測不同氣候條件下PV系統(tǒng)的電氣特性，且計算性能較好。

參考文獻(xiàn)

[1] 竇曉波，蔡超，段向梅，等.計及模型誤差的分布式光伏配電網(wǎng)優(yōu)化調(diào)控方法[J].電力自動化設(shè)備，2019，39（12）：41-48.

[2] 王建山，楊奕，楊元培，等.基于混合邏輯動態(tài)的MPPT建模仿真[J].太陽能學(xué)報，2019，40（11）：3046-3053.

[3] 趙泰祥，廖華，馬遜，等.局部陰影下光伏組件的Matlab/Simulink仿真模擬與特性分析[J].太陽能學(xué)報，2019，40（11）：3110-3118.

[4] 蔣建東，余灃，董存，等.基于PSO與ELM組合算法的短期光伏發(fā)電功率預(yù)測模型[J].鄭州大學(xué)學(xué)報（理學(xué)版），2019，51（3）：120-126.

[5] 王碩禾，鄭俊觀，陳祖成，等.基于改進(jìn)粒子群優(yōu)化算法光伏陣列多峰值MPPT的研究[J].可再生能源，2019，37（6）：879-885.

[6] 文立.基于Takagi-Sugeno模糊神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電功率預(yù)測研究[J].智能計算機(jī)與應(yīng)用，2019，9（3）：118-121.

[7] 張海洲，張正江，胡桂廷，等.準(zhǔn)最小二乘的神經(jīng)網(wǎng)絡(luò)在光伏MPPT中的應(yīng)用[J].控制工程，2018，25（12）：2257-2262.

[8] 代莎，董秀成，夏焰坤，等.光伏陣列多峰最大功率點優(yōu)化跟蹤算法[J].電力系統(tǒng)及其自動化學(xué)報，2018，30（12）：48-52.

[9] 劉瑞，呂瑋，張昊，等.基于人工蜂群算法提高光伏陣列多峰的功率輸出[J].信息技術(shù)，2018（11）：143-147.

[10] 趙劍飛，盧航宇，丁朋飛.基于T-S模型的模糊神經(jīng)網(wǎng)絡(luò)光伏MPPT控制[J].電機(jī)與控制應(yīng)用，2018，45（11）：116-120.

[11] 吳玥，行鴻彥.基于SA-BP神經(jīng)網(wǎng)絡(luò)算法的光伏陣列MPPT研究[J].計算機(jī)仿真，2018，35（10）：270-273.

[12] 龔波，周永華.基于自適應(yīng)遺傳算法的PI控制在MPPT中的應(yīng)用研究[J].計算技術(shù)與自動化，2018，37（2）：12-16.

[13] 陳宏，王偉，馮煒，等.基于自適應(yīng)線性調(diào)節(jié)抗干擾PSO的光伏群體MPPT控制[J].計算技術(shù)與自動化，2017，36（1）：46-51.

[14] 楊曉波，高曉萍，王婷，等.光伏組件輸出特性研究及在線預(yù)測方法[J].電測與儀表，2016，53（24）：50-55.

[15] 郭鵬，孫建起，劉振永，等.基于模糊聚類和自適應(yīng)神經(jīng)模糊推理的MPPT研究[J].現(xiàn)代電子技術(shù)，2016，39（14）：154-157.

（收稿日期： 2020.02.28）