陳宇能，陳景賢，廖鈞濠，陳秀雯

摘 要：針對(duì)光伏發(fā)電系統(tǒng)運(yùn)行過程中極易受到環(huán)境溫度、太陽輻照度等外部條件干擾，從而導(dǎo)致其輸出功率存在間歇性、隨機(jī)性問題的情況，提出一種基于模糊控制算法及前饋（BP）神經(jīng)網(wǎng)絡(luò)的智能控制方法（下文簡(jiǎn)稱為“模糊神經(jīng)網(wǎng)絡(luò)控制方法”）來進(jìn)行光伏發(fā)電系統(tǒng)并網(wǎng)設(shè)計(jì)，并搭建并網(wǎng)電路模型進(jìn)行仿真分析。分析結(jié)果顯示：相較于擾動(dòng)觀察法、模糊控制算法，采用模糊神經(jīng)網(wǎng)絡(luò)控制方法的并網(wǎng)光伏發(fā)電系統(tǒng)的泛化能力和魯棒性更強(qiáng)，能更好地提高系統(tǒng)的穩(wěn)態(tài)性和可靠性，可有效解決光伏發(fā)電輸出功率存在的間歇性和隨機(jī)性問題。

關(guān)鍵詞：光伏發(fā)電系統(tǒng)；最大功率點(diǎn)追蹤；神經(jīng)網(wǎng)絡(luò)；模糊控制算法；并網(wǎng)

中圖分類號(hào)：TM615 文獻(xiàn)標(biāo)志碼：A

0? 引言

隨著化石能源過度消耗，環(huán)境污染問題日趨嚴(yán)重，開發(fā)利用清潔、高效的可再生能源已成為世界各國能源發(fā)展的必然趨勢(shì)[1]。太陽能是一種無噪聲、無污染、資源分布不受地域限制的可再生能源，而光伏發(fā)電被認(rèn)為是最有發(fā)展前景的太陽能利用方式之一。雖然利用微電網(wǎng)將光伏電力接入配電網(wǎng)能提高配電網(wǎng)的輸配電容量[2-3]，但卻無法完全解決光伏發(fā)電系統(tǒng)輸出功率存在波動(dòng)性、不穩(wěn)定的問題[4] 。此外，當(dāng)光伏發(fā)電系統(tǒng)受到外部環(huán)境干擾而導(dǎo)致其輸出電壓產(chǎn)生波動(dòng)時(shí)，其并網(wǎng)后電網(wǎng)也會(huì)受到相應(yīng)的擾動(dòng)，進(jìn)入“孤島”運(yùn)行模式[5]。

目前，國內(nèi)外關(guān)于優(yōu)化光伏發(fā)電系統(tǒng)輸出功率分配的研究主要是采用逆變器結(jié)合相應(yīng)的控制手段來提高光伏發(fā)電系統(tǒng)并網(wǎng)時(shí)的電能質(zhì)量。比如：文獻(xiàn)[6]提出使用動(dòng)態(tài)恒定電壓法實(shí)時(shí)跟蹤光伏發(fā)電系統(tǒng)的最大功率點(diǎn)（MPP）電壓，但該方法需要具備高精度的環(huán)境溫度、太陽輻照度傳感器，增大了硬件成本；文獻(xiàn)[7]通過采用擾動(dòng)觀察法對(duì)光伏發(fā)電系統(tǒng)進(jìn)行擾動(dòng)，以改變占空比，從而實(shí)現(xiàn)最大功率點(diǎn)追蹤，但在最大功率點(diǎn)處仍存在波動(dòng)；文獻(xiàn)[8]提出以粒子群優(yōu)化（PSO）模糊控制算法追蹤光伏發(fā)電系統(tǒng)的最大功率點(diǎn)，雖然該方法全局搜索能力強(qiáng)、準(zhǔn)確性較高，但易陷入局部最優(yōu)。

上述文獻(xiàn)均是通過光伏發(fā)電系統(tǒng)輸出特性曲線來追蹤最大功率點(diǎn)，并通過算法提高追蹤精度，但仍難以解決光伏發(fā)電輸出的間歇性和隨機(jī)性問題。本文提出一種基于模糊控制算法及前饋（BP）神經(jīng)網(wǎng)絡(luò)的智能控制方法（下文簡(jiǎn)稱為“模糊神經(jīng)網(wǎng)絡(luò)控制方法”）來進(jìn)行光伏發(fā)電系統(tǒng)并網(wǎng)設(shè)計(jì)，該方法利用多層BP神經(jīng)網(wǎng)絡(luò)強(qiáng)大的推理能力，直接預(yù)測(cè)出光伏發(fā)電系統(tǒng)最大功率點(diǎn)電壓；再通過模糊控制算法，利用專家經(jīng)驗(yàn)，實(shí)時(shí)調(diào)整占空比，推算出光伏發(fā)電系統(tǒng)最大功率點(diǎn)，從而提高系統(tǒng)的泛化能力和魯棒性，進(jìn)而有效抑制光伏發(fā)電系統(tǒng)輸出的間歇性和隨機(jī)性，為并網(wǎng)光伏發(fā)電系統(tǒng)的安全運(yùn)行提供保障。

1? 模型的搭建

1.1? 光伏組件的等效電路模型

光伏組件是利用光生伏特效應(yīng)將太陽能轉(zhuǎn)變?yōu)殡娔艿难b置。典型的光伏組件等效電路模型可看作是一個(gè)受控電流源[9]，具體如圖1所示。圖中：Rs和Rp分別為光伏組件的等效串聯(lián)電阻和等效并聯(lián)電阻；Is和Ip分別為流經(jīng)光伏組件等效串聯(lián)電阻和等效并聯(lián)電阻的電流；Ipc為光生電流；Id為流經(jīng)二極管的電流；Ipo為光伏組件的輸出電流；Vpo為光伏組件的輸出電壓；D為二極管。

根據(jù)基爾霍夫電壓定律（KVL）可知，流經(jīng)光伏組件等效并聯(lián)電阻的電流可表示為：

（1）

流經(jīng)二極管的電流可表示為：

（2）

式中：Io為光伏組件的反向飽和電流；q為電荷量常數(shù)；Vpv為二極管兩端的電壓；nc為二極管理想因子；k為玻爾茲曼常數(shù)；Tc為光伏組件工作溫度。

根據(jù)基爾霍夫電流定律（KCL）可知，光伏組件的輸出電流可表示為：

Ipo=Is=Ipc–Id–Ip? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（3）

將式（1）和式（2）代入式（3），則可得到光伏發(fā)電的輸出特性方程，即：

（4）

1.2? 光伏陣列輸出特性

由于單塊光伏組件的輸出電流過小、輸出功率過低，難以實(shí)現(xiàn)與市電并網(wǎng)。因此由多塊光伏組件按拓?fù)浣Y(jié)構(gòu)相互連接構(gòu)成光伏陣列，并將其作為光伏發(fā)電的研究對(duì)象。單塊光伏組件的工作參數(shù)如表1所示。

太陽輻照度和環(huán)境溫度的變化都會(huì)對(duì)光伏陣列的輸出特性造成影響。針對(duì)同一個(gè)光伏陣列，通過改變這兩個(gè)因素，研究不同環(huán)境溫度和不同太陽輻照度下光伏陣列的輸出特性。

在太陽輻照度為1000 W/m2的前提下，環(huán)境溫度T分別設(shè)為15、25、35、45 ℃時(shí)，光伏陣列的輸出特性曲線如圖2所示。圖中：I為光伏陣列的輸出電流；V為光伏陣列的輸出電壓；P為光伏陣列的輸出功率。

在環(huán)境溫度為25 ℃的前提下，太陽輻照度S分別設(shè)為800、1000、1200 W/m2時(shí)，光伏陣列的輸出特性曲線如圖3所示。

通過分析圖2、圖3得到以下結(jié)論：

1）在太陽輻照度不變的情況下，光伏陣列的輸出電壓隨環(huán)境溫度的升高而降低，輸出電流隨環(huán)境溫度的升高而增大，但變化幅度不大；光伏陣列的最大功率點(diǎn)隨環(huán)境溫度的升高而向左移，但移動(dòng)幅度不大。

2）在環(huán)境溫度不變的情況下，光伏陣列輸出電流和輸出電壓都隨太陽輻照度的增加而增大，且輸出電流的變化幅度較大；太陽輻照度對(duì)光伏陣列輸出功率的影響較大，隨著太陽輻照度的升高，光伏陣列的最大功率點(diǎn)會(huì)明顯提高。

3）由于光伏陣列的開路電壓對(duì)環(huán)境溫度敏感，而短路電流對(duì)太陽輻照度敏感，因此，光伏陣列的輸出電流、輸出電壓、輸出功率都會(huì)隨著環(huán)境溫度或太陽輻照度的變化而發(fā)生相應(yīng)的非線性變化。由I-V曲線可知：輸出電流在輸出電壓到達(dá)開路電壓之前相對(duì)穩(wěn)定，但當(dāng)輸出電壓接近開路電壓時(shí)，輸出電流隨輸出電壓的增加而迅速降低。由P-V曲線可知：輸出功率具有單峰性，即光伏陣列有且僅有1個(gè)最大功率點(diǎn)，當(dāng)光伏陣列工作于最大功率點(diǎn)左側(cè)時(shí)，輸出功率會(huì)隨輸出電壓的增大而增加；當(dāng)光伏陣列工作于最大功率點(diǎn)右側(cè)時(shí)，輸出功率會(huì)隨輸出電壓的增大而減小。

因此，如何使光伏發(fā)電系統(tǒng)在外界環(huán)境變化的情況下仍能快速準(zhǔn)確追蹤最大功率點(diǎn)，減少其輸出振蕩，是解決光伏發(fā)電輸出功率隨機(jī)性和間歇性問題的關(guān)鍵。

2? 基于模糊神經(jīng)網(wǎng)絡(luò)控制方法的光伏發(fā)電系統(tǒng)并網(wǎng)設(shè)計(jì)與仿真

2.1? BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)

由光伏發(fā)電系統(tǒng)的輸出特性曲線可知：光伏陣列輸出功率有且僅有1個(gè)最大功率點(diǎn)。為了確保光伏發(fā)電系統(tǒng)以最大功率恒定運(yùn)行，有效減少其輸出振蕩，可以通過搭建人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)并輸出最大功率點(diǎn)電壓。

人工神經(jīng)網(wǎng)絡(luò)的本質(zhì)是模仿人類的腦神經(jīng)系統(tǒng)，通過大量神經(jīng)元相互連接而組成學(xué)習(xí)能力較強(qiáng)的運(yùn)算模型。由這些神經(jīng)元所搭建的網(wǎng)絡(luò)理論上可以向任意的已知函數(shù)學(xué)習(xí)[10]。本文采用BP神經(jīng)網(wǎng)絡(luò)，其利用誤差反向傳播訓(xùn)練算法，基本原理是梯度下降法，即通過調(diào)整權(quán)值使神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出值與期望輸出值之間誤差的均方根值最小[11]。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖4所示。圖中：太陽輻照度和環(huán)境溫度均為輸入信號(hào)；參考輸出電壓Vref為輸出信號(hào)；wij為連接輸入層與隱含層之間的權(quán)值；wki為連接隱含層與輸出層之間的權(quán)值。

將輸入的環(huán)境溫度、太陽輻照度數(shù)據(jù)進(jìn)行歸一化處理，歸一化區(qū)間為[0，1]。以歸一化后的數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的二維輸入向量，將隱含層神經(jīng)元個(gè)數(shù)設(shè)置為7，輸出層神經(jīng)元個(gè)數(shù)設(shè)置為1，數(shù)據(jù)采樣的間隔為0.01，設(shè)定目標(biāo)誤差為0.0001，學(xué)習(xí)速率設(shè)定為0.01；并用S型正切函數(shù)tansig作為隱含層神經(jīng)元的傳遞函數(shù)，以S型對(duì)數(shù)函數(shù)logsig作為輸出層神經(jīng)元的傳遞函數(shù)，以trainlm函數(shù)進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練。

以某個(gè)光伏陣列為例，將其最大功率點(diǎn)下的實(shí)際輸出電壓與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的參考輸出電壓進(jìn)行對(duì)比，對(duì)比結(jié)果如圖5所示。

由圖5可知：所采用的BP神經(jīng)網(wǎng)絡(luò)可在未知光伏陣列相關(guān)電氣參數(shù)的條件下，通過搭建相關(guān)模型，將輸入的環(huán)境溫度、太陽輻照度數(shù)據(jù)歸一化、訓(xùn)練、測(cè)試，可以較準(zhǔn)確地預(yù)測(cè)最大功率點(diǎn)下的參考輸出電壓，且神經(jīng)網(wǎng)絡(luò)的逼近效果較高，訓(xùn)練誤差較小，泛化能力較好，適用于非線性系統(tǒng)。

由此可見，利用BP神經(jīng)網(wǎng)絡(luò)來追蹤光伏發(fā)電系統(tǒng)最大功率點(diǎn)具有很大優(yōu)勢(shì)，能夠抑制光伏發(fā)電系統(tǒng)輸出電壓的不穩(wěn)定性，有效解決輸出功率的間歇性和隨機(jī)性問題。

2.2? 模糊控制算法跟蹤光伏陣列最大功率點(diǎn)

以BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的參考輸出電壓與光伏陣列實(shí)際輸出電壓的偏差E和偏差的變化量EC作為模糊控制算法的輸入信號(hào)，判斷光伏陣列輸出功率點(diǎn)與最大功率點(diǎn)之間的位置關(guān)系，通過調(diào)節(jié)作為輸出信號(hào)的占空比，使輸出電壓值趨向峰值電壓。將BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的參考輸出電壓與實(shí)際輸出電壓偏差及偏差變化量的模糊子集設(shè)為{NB， NM， NS， ZO， PS， PM， PB}，論域?yàn)閧-1， 1}。其中：NB、NM、NS、ZO、PS、PM、PB分別為論域中的負(fù)大、負(fù)中、負(fù)小、零、正小、正中、正大。同時(shí)均選用含有中等模糊狀態(tài)定義的三角形作為隸屬函數(shù)。

第K次采樣下BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的參考輸出電壓Vref（K）和光伏陣列實(shí)際輸出電壓V（K）的偏差E（K）及偏差變化量EC（K）可分別表示為：

E（K）=V（K）–Vref（K）? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （5）

EC（K）=E（K）–E（K–1）? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （6）

根據(jù)光伏陣列的P-V特性曲線制定4條模糊控制規(guī)則，分別為：

1）當(dāng)EC（K）>0、E（K）>0時(shí)，輸出功率點(diǎn)在最大功率點(diǎn)左側(cè)，且逐漸遠(yuǎn)離最大功率點(diǎn)；

2）當(dāng)EC（K）>0、E（K）<0時(shí)，輸出功率點(diǎn)在最大功率點(diǎn)右側(cè)，且逐漸靠近最大功率點(diǎn)；

3）當(dāng)EC（K）<0、E（K）>0時(shí)，輸出功率點(diǎn)在最大功率點(diǎn)左側(cè)，且逐漸靠近最大功率點(diǎn)；

4）當(dāng)EC（K）<0、E（K）<0時(shí)，輸出功率點(diǎn)在最大功率點(diǎn)右側(cè)，且逐漸遠(yuǎn)離最大功率點(diǎn)。

確定模糊控制規(guī)則后，可得到輸出功率變化時(shí)的占空比，并可制定出相應(yīng)的模糊控制規(guī)則表，具體如表2所示。

在不影響跟蹤速度的前提下，將清晰化的最大功率點(diǎn)電壓與三角波進(jìn)行調(diào)制，采用MAX-MIN推理方法調(diào)控步長。步長大小隨輸出功率點(diǎn)與最大功率點(diǎn)的距離自動(dòng)調(diào)整，方向與輸出功率增加的方向相同。通過調(diào)節(jié)開關(guān)管的占空比進(jìn)而改變光伏陣列的輸出電壓，跟蹤最大功率點(diǎn)，實(shí)現(xiàn)最大功率輸出。

2.3? 光伏輸出的仿真與分析

神經(jīng)網(wǎng)絡(luò)通過學(xué)習(xí)、訓(xùn)練得到的自適應(yīng)樣本數(shù)據(jù)，可直接預(yù)測(cè)出最大功率點(diǎn)電壓，其具有非線性適應(yīng)性信息處理能力，但需大量數(shù)據(jù)才能提高神經(jīng)網(wǎng)絡(luò)的泛化能力；而且通常情況下，神經(jīng)網(wǎng)絡(luò)欠缺規(guī)則表達(dá)能力且會(huì)出現(xiàn)過擬合現(xiàn)象。而模糊控制算法易于利用專家經(jīng)驗(yàn)，能夠表達(dá)和處理難以求取的信息，但模糊規(guī)則的提取缺乏學(xué)習(xí)能力[12]。由此可見，神經(jīng)網(wǎng)絡(luò)和模糊控制算法具有互補(bǔ)特性。因此，可采用神經(jīng)網(wǎng)絡(luò)和模糊控制算法相結(jié)合的方式跟蹤光伏發(fā)電系統(tǒng)的最大功率點(diǎn)電壓。

采用模糊神經(jīng)網(wǎng)絡(luò)控制方法的并網(wǎng)光伏發(fā)電系統(tǒng)示意圖如圖6所示，圖中：L為Boost升壓電路的電感；De為Boost升壓電路的二極管；Co為輸出的濾波電容；Cpv為輸入的濾波電容；O為功率開關(guān)管。

該控制方法的工作原理為：首先將環(huán)境溫度和太陽輻照度的相關(guān)數(shù)據(jù)輸入到BP 神經(jīng)網(wǎng)絡(luò)中，歸一化后訓(xùn)練測(cè)試數(shù)據(jù)，通過調(diào)整BP神經(jīng)網(wǎng)絡(luò)權(quán)值使光伏陣列的輸出電壓不斷逼近期望的最大功率點(diǎn)電壓；將BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的參考輸出電壓與光伏陣列實(shí)際輸出電壓的偏差輸入到模糊控制器中，再通過模糊邏輯算法實(shí)時(shí)調(diào)節(jié)占空比，追蹤最大功率點(diǎn)，并通過并網(wǎng)模型將光伏發(fā)電系統(tǒng)的電力輸送到電網(wǎng)中，供電網(wǎng)調(diào)度。

假設(shè)光伏發(fā)電系統(tǒng)處于標(biāo)準(zhǔn)測(cè)試條件（太陽輻照度為1000 W/m2、環(huán)境溫度為25℃、AM1.5）下，不考慮光伏組件陰影遮擋問題，且光伏發(fā)電系統(tǒng)的最大功率為3200 W，為了驗(yàn)證最大功率點(diǎn)追蹤（MPPT）算法的正確性，在光伏發(fā)電系統(tǒng)運(yùn)行時(shí)間t為0.3 s時(shí)將太陽輻照度由1000 W/m2突變?yōu)?00 W/m2，環(huán)境溫度保持不變，仿真時(shí)采用變步長ode23tb算法，對(duì)比擾動(dòng)觀察法、模糊控制算法、模糊神經(jīng)網(wǎng)絡(luò)控制方法的跟蹤效果，具體如圖7所示。

由圖7可以看出：3種方法均可跟蹤最大功率點(diǎn)。擾動(dòng)觀察法的跟蹤效果一般，在0.08 s后才趨于穩(wěn)定，且其對(duì)于太陽輻照度的突變，重新跟蹤的速度較慢，響應(yīng)時(shí)間較長，振幅較大，存在最大功率點(diǎn)振蕩和誤判等缺點(diǎn)。相較于擾動(dòng)觀察法，模糊控制算法的波形更加平滑，穩(wěn)態(tài)時(shí)的振蕩更輕微，且輸出功率在0.05 s后基本穩(wěn)定；同時(shí)，該方法跟蹤到的光伏發(fā)電系統(tǒng)最大功率約為2943 W，跟蹤性能參數(shù)Km=2943 W/3200 W=0.919，跟蹤性能較好。在t=0.3 s后，模糊控制算法能夠快速進(jìn)行重新跟蹤，動(dòng)態(tài)過渡時(shí)間和響應(yīng)時(shí)間都較短。由此可見，模糊控制算法能使光伏發(fā)電系統(tǒng)輸出功率波形得到明顯改善，有效降低輸出的不穩(wěn)定性。

相比于擾動(dòng)觀察法和模糊控制算法，采用模糊神經(jīng)網(wǎng)絡(luò)控制方法的光伏發(fā)電系統(tǒng)的輸出功率在0.03 s基本穩(wěn)定，達(dá)到最大功率點(diǎn)后基本無振蕩，最大功率約為3038 W，跟蹤性能參數(shù)為0.949，跟蹤性能最好，穩(wěn)態(tài)性能也更好；且在t=0.3 s時(shí)的擾動(dòng)作用下能快速準(zhǔn)確判定最大功率點(diǎn)走向，抗干擾能力強(qiáng)，無誤判現(xiàn)象。由此可知，BP神經(jīng)網(wǎng)絡(luò)與模糊控制相結(jié)合，能更好學(xué)習(xí)與推理，快速預(yù)測(cè)和追蹤最大功率，更好解決光伏發(fā)電輸出的間歇性和隨機(jī)性，提高光伏發(fā)電系統(tǒng)穩(wěn)定性。

3? 光伏發(fā)電系統(tǒng)并網(wǎng)分析

為了將光伏發(fā)電系統(tǒng)的輸出功率安全送到電網(wǎng)，供電網(wǎng)調(diào)度，需通過逆變器進(jìn)行控制，以便于與市電同步，滿足并網(wǎng)條件。逆變器根據(jù)直流側(cè)電源性質(zhì)可以分為兩大類：電流型逆變器和電壓型逆變器。由于電流型逆變器需在輸出側(cè)串聯(lián)大電感，以穩(wěn)定輸入電流，考慮到實(shí)際裝置的體積和電路動(dòng)態(tài)過程，最后采用電壓型逆變器，搭建全橋逆變型電路，并采用LCL型濾波器和電流滯環(huán)比較器。

LCL型濾波器雖然可以抑制高頻段信號(hào)，但高頻諧波分量被放大，若諧波直接流入電網(wǎng)，不利于電網(wǎng)的安全運(yùn)行。為了改變LCL型濾波器的幅頻特性，減少輸出畸變，抑制諧振，故在LCL型濾波器電容中串聯(lián)阻尼電阻[13]。本文搭建的并網(wǎng)電路模型如圖8所示。圖中：i、iref分別為光伏發(fā)電系統(tǒng)的輸出電流和參考輸出電流；L1、L2均為電感；C為電容；R為電阻。

為了減少諧波分量，提高逆變器的電流輸出精度，電流滯環(huán)比較器1和電流滯環(huán)比較器2的滯環(huán)寬度分別為-0.65～0.70 A和-0.70～0.65 A，且留有“死區(qū)時(shí)間”，避免逆變橋直通。本文搭建的并網(wǎng)電路模型的相關(guān)參數(shù)如表3所示。

考慮到光伏發(fā)電系統(tǒng)的實(shí)際并網(wǎng)情況，逆變器與電網(wǎng)之間應(yīng)接入變比為1：2的工頻隔離變壓器，以保護(hù)直流回路，避免諧波流入電網(wǎng)[14]。為測(cè)試電流滯環(huán)比較器的跟蹤效果，在工作頻率為50 Hz的情況下，對(duì)并網(wǎng)光伏發(fā)電系統(tǒng)進(jìn)行運(yùn)行仿真，得到給定電流和跟蹤電流的波形圖，如圖9所示。

從圖9可看出：給定電流的幅值為20 A，跟蹤電流從0. 02 s后與給定電流的幅值和相位基本保持一致。

從0.05～0.35 s時(shí)間段內(nèi)的跟蹤電流中選取15個(gè)周波進(jìn)行傅里葉變換，得到電流滯環(huán)比較器跟蹤電流的諧波分量和不含基波的諧波分量，結(jié)果如圖10所示。

從圖10可看出：電流滯環(huán)比較器跟蹤電流的諧波分量幅值為19.91 A，十分接近20 A，可近似看成其占給定電流的比例接近100%；不含基波的

諧波分量占比基本為零；總諧波失真為3.26%，符合電氣與電子工程師協(xié)會(huì)（IEEE）對(duì)并網(wǎng)光伏發(fā)電系統(tǒng)輸出電流總諧波失真不超過5%的要求。除去基波的諧波分量后，偶次諧波分量占跟蹤電流諧波的比例較小，可忽略不計(jì)；電流諧波含量最高的是三次諧波，所占比例不到0.1%，五次諧波分量所占的比例不到0.03%，且高次諧波總占比不到0.05%。由此可看出：并網(wǎng)光伏發(fā)電系統(tǒng)的運(yùn)行效果較好，采用模糊神經(jīng)網(wǎng)絡(luò)控制方法能有效改善諧波輸出，提高電能質(zhì)量，避免諧波直接入網(wǎng)，從而提高電網(wǎng)運(yùn)行效率。

4? 結(jié)論

本文提出了一種基于模糊神經(jīng)網(wǎng)絡(luò)控制方法來進(jìn)行光伏發(fā)電系統(tǒng)并網(wǎng)設(shè)計(jì)的方法，并利用該方法對(duì)并網(wǎng)光伏發(fā)電系統(tǒng)進(jìn)行了仿真分析。分析結(jié)果顯示：相較于擾動(dòng)觀察法、模糊控制算法，采用模糊神經(jīng)網(wǎng)絡(luò)控制方法的并網(wǎng)光伏發(fā)電系統(tǒng)的泛化能力和魯棒性更強(qiáng)，能更好地提高系統(tǒng)穩(wěn)態(tài)性和可靠性，有效解決了光伏發(fā)電輸出功率存在的間歇性和隨機(jī)性問題。此外，采用雙電流滯環(huán)比較器后，并網(wǎng)光伏發(fā)電系統(tǒng)輸出電流的高次諧波分量小，電流滯環(huán)比較器的跟蹤精度較高，更有效提高了電能質(zhì)量和保障了電網(wǎng)的安全運(yùn)行。

[參考文獻(xiàn)]

[1] 李凡雙，王展旭. 基于Cuk電路的光伏MPPT模糊控制系統(tǒng)仿真研究[J]. 自動(dòng)化與儀器儀表，2019（4）：103-105，109.

[2] 張耀月.并網(wǎng)模式下的風(fēng)光混合微電網(wǎng)中可再生分布式電源的建模與仿真[J].科技經(jīng)濟(jì)導(dǎo)刊，2018，26（35）：34-42.

[3] MISHRA S，BORDIN C，TOMASGARD A，et al. A multi-agent system approach for optimal microgrid expansion planning under uncertainty[J]. International journal of electrical power & energy systems，2019，109：696-709.

[4] MAGDY G，SHABIB G，ELBASET A A，et al. Renewable power systems dynamic security using a new coordination of frequency control strategy based on virtual synchronous generator and digital frequency protection[J]. International journal of electrical power & energy systems，2019，109：351-368.

[5] 朱然，孫冀. 國外智能電網(wǎng)技術(shù)發(fā)展實(shí)踐綜述[J]. 電子質(zhì)量，2016（9）：24-29.

[6] 倪雨. 基于阻增量光伏動(dòng)態(tài)模型的高精度恒壓法設(shè)計(jì)[J]. 成都信息工程大學(xué)學(xué)報(bào)，2016，31（3）：297-300.

[7] 艾永樂，劉群峰，韓朝陽，等. 基于改進(jìn)擾動(dòng)觀察法的光伏MPPT策略[J]. 武漢大學(xué)學(xué)報(bào)（工學(xué)版），2020，53（4）：339-344.

[8] 徐偲吉吉，查曉銳.基于改進(jìn)粒子群優(yōu)化模糊控制的MPPT算法研究[J].電機(jī)與控制應(yīng)用，2019，46（10）：35-39.

[9] BAI W L，LEE K. Distributed generation system control strategies in microgrid operation[J]. IFAC proceedings volumes，2014，47（3）：11938-11943.

[10] 酈丁浩. 基于人工神經(jīng)網(wǎng)絡(luò)的MPPT算法研究[D]. 杭州： 浙江工業(yè)大學(xué)，2018.

[11] 蘇海濱，卞晶晶，劉強(qiáng)，等. 基于神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電最大功率點(diǎn)跟蹤算法[J]. 華北水利水電學(xué)院學(xué)報(bào)，2010，31（6）：80-83.

[12] 焦科名，徐凱. 基于神經(jīng)網(wǎng)絡(luò)和模糊控制的光伏發(fā)電MPPT研究[J]. 計(jì)算機(jī)仿真，2020，37（5）：71-76.

[13] GOMES C C，CUPERTINO A F，PEREIRA H A. Damping techniques for grid-connected voltage source converters based on LCL filter：an overview[J]. Renewable and sustainable energy reviews，2018，81：116-135.

[14] 李建華. 光伏發(fā)電系統(tǒng)并網(wǎng)控制策略研究[D]. 蘭州：蘭州理工大學(xué)，2018.

Grid connection design of PV power generation system based on fuzzy neural network control method

Chen Yuneng1，Chen Jingxian1，Liao junhao1，Chen xiuwen2

（1. College of electronics and information engineering，Guangdong Ocean University，Zhanjiang 524088，China；

2. School of management，Guangdong Nanfang Institute of Technology，Jiangmen 529000，China）

Abstract：In response to the fact that PV power generation systems are highly susceptible to external conditions such as environmental temperature and solar irradiance during operation，resulting in intermittent and random issues with its output power，this paper proposes an intelligent control method based on fuzzy control algorithm and BP neural network （hereinafter referred to as“fuzzy neural network control method”） for grid connection design of PV power generation systems，and builds a grid connection circuit model for simulation analysis. The analysis results show that compared to the disturbance observation method and fuzzy control algorithm，the fuzzy neural network control method used in the grid connected PV power generation system has stronger generalization ability and robustness，which can better improve the steady-state and reliability of the system，and effectively solve the intermittent and random problems in the output power of PV power generation.

Keywords：PV power generation system；MPPT；neural network；fuzzy control algorithm；grid connection