基于神经网络的光伏模块最大功率点跟踪方法及系统与流程

1.本发明涉及光伏模块最大功率点跟踪技术领域，尤其涉及一种基于神经网络的光伏模块最大功率点跟踪方法及系统。


背景技术：

2.光伏模块工作过程中，最大功率点随着光照强度和温度的变化而变化，在实际光伏发电场景中，光伏模块受到的光照强度和温度往往是不均匀的且处于不断的变化中，为确保光伏模块的发电效率，就需要使得光伏模块的输出功率快速跟踪这些变化，一直处于最大输出功率状态。因此，最大功率点跟踪(mppt)算法是光伏发电的核心技术之一，其能显著提升光伏发电输出功率。mppt单元由dc\dc变换器和带有控制算法的嵌入式电子系统两部分组成。
3.目前常用的mppt算法有扰动观察法和增量电导法。其中，扰动观察法通过将本次光伏模块的输出功率和上次的相比较，以此来确定增加或减少光伏模块工作电压来实现mppt；增量电导法通过比较光伏模块的电导增量和瞬间电导来输出控制信号，使得输出电导的变化量等于输出电导的负值。对于两种算法都有相似的缺点。首先，这两种算法均是通过比较前后两步的功率值大小来判断应该向哪个方向继续移动，这样就会导致很难从一个小的峰值中跳出来。其次，这两种算法会绕最大功率点来回振荡，收敛速度慢，在辐照度变化快的情况下性能不佳。目前也有许多基于神经网络的mppt方法可以解决这两个问题，但这种算法需要使用大量的光照强度传感器，这种光照强度传感器不仅在实际应用中难以校准而且带来了额外的器件成本。


技术实现要素：

4.本发明的目的是提供一种避免陷入局部峰值、收敛速度快且有效降低实施成本的基于神经网络的光伏模块最大功率点跟踪方法及系统。
5.为了实现上述目的，本发明公开了一种基于神经网络的光伏模块最大功率点跟踪方法，其包括：
6.构建基于神经网络的预测模型，所述预测模型的输入参数包括光伏模块所处的环境温度、估计光强以及所述光伏模块的输出电压，所述预测模型的输出参数包括所述光伏模块输出的预测电流；
7.提供基于迭代函数架构的光照估计器和电压跟踪器；
8.通过温度传感器实时检测光伏模块所处的环境温度；
9.构建包括所述光伏模块当前时刻的输出电压、环境温度以及光照强度的输入参数集；
10.所述预测模型读取所述输入参数集中的参数，以输出预测电流；
11.所述电压跟踪器以所述预测电流和所述输入参数集中的参数为输入参数进行迭代计算，以获得参考电压；
12.同时，所述光照估计器以所述预测电流与所述光伏模块当前输出的实时电流之间的差值和所述输入参数集中的参数为输入参数进行迭代计算，以得到参考光照强度；
13.确认所述参考光照强度与当前所述输入参数集中的所述光照强度之间的差值是否小于预设值，如果是，则将所述参考电压作为所述光伏模块的最大功率点工作电压，如果否，则分别采用所述参考光照强度和所述参考电压对所述输入参数集中的所述光照强度和所述输出电压进行更新。
14.较佳地，所述预测模型的参数式为：
[0015][0016]
其中，为所述预测模型输出的预测电流，u为环境温度、输出电压和光照强度所构成的输入矩阵，w1、w2、b1和b2是在所述预测模型训练过程中学习的权重系数。
[0017]
较佳地，所述光照估计器的参数式为：
[0018][0019][0020]
其中，为输入参数集中的光照强度，为参考光照强度，k为迭代次数，为权重系数w1中对应光照强度的部分，i为所述光伏模块当前输出的实时电流，δ为大于零的已知系数，uk为当前时刻输入参数集构成的输入矩阵。
[0021]
较佳地，所述电压跟踪器的参数式为：
[0022][0023]
其中，为输入参数集中的输出电压，为参考电压，μ为迭代计算过程中控制收敛速度的步长，k为迭代次数，为权重系数w1中对应输出电压的部分，uk为当前时刻输入参数集构成的输入矩阵。
[0024]
本发明还公开一种基于神经网络的光伏模块最大功率点跟踪系统，其包括：
[0025]
预测模型，其基于神经网络构建，所述预测模型的输入参数包括光伏模块所处的环境温度、估计光强以及所述光伏模块的输出电压，所述预测模型的输出参数包括所述光伏模块输出的预测电流；
[0026]
基于迭代函数架构的光照估计器和电压跟踪器；
[0027]
所述电压跟踪器用于根据所述预测模型输出的预测电流和所述输入参数集中的参数进行迭代计算，以获得参考电压；
[0028]
所述光照估计器设置于所述预测模型的输出端和输入端之间，所述光照估计器用于根据所述预测模型输出的预测电流与所述光伏模块当前输出的实时电流之间的差值和所述输入参数集中的参数进行迭代计算，以得到参考光照强度；
[0029]
确认模块，所述确认模块用于确认所述参考光照强度与当前所述输入参数集中的所述光照强度之间的差值是否小于预设值，如果是，则输出第一结果，如果否，则输出第二结果；
[0030]
输出模块，其用于当所述确认模块输出第一结果时，所述电压跟踪器将当前计算
出的所述参考电压作为所述光伏模块的最大功率点工作电压而输出；
[0031]
更新模块，其用于当所述确认模块输出第二结果时，分别采用所述参考光照强度和所述参考电压对所述输入参数集中的所述光照强度和所述输出电压进行更新。
[0032]
较佳地，所述预测模型的参数式为：
[0033][0034]
其中，为所述预测模型输出的预测电流，u为环境温度、输出电压和光照强度所构成的输入矩阵，w1、w2、b1和b2是在所述预测模型训练过程中学习的权重系数。
[0035]
较佳地，所述光照估计器的参数式为：
[0036][0037][0038]
其中，为输入参数集中的光照强度，为参考光照强度，k为迭代次数，为权重系数w1中对应光照强度的部分，i为所述光伏模块当前输出的实时电流，δ为大于零的已知系数，uk为当前时刻输入参数集构成的输入矩阵。
[0039]
较佳地，所述电压跟踪器的参数式为：
[0040][0041]
其中，为输入参数集中的输出电压，为参考电压，μ为迭代计算过程中控制收敛速度的步长，k为迭代次数，为权重系数w1中对应输出电压的部分，uk为当前时刻输入参数集构成的输入矩阵。
[0042]
本发明还公开另一种基于神经网络的光伏模块最大功率点跟踪系统，其包括：
[0043]
一个或多个处理器；
[0044]
存储器；
[0045]
以及一个或多个程序，其中一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上所述的基于神经网络的光伏模块最大功率点跟踪方法的指令。
[0046]
本发明还公开一种计算机可读存储介质，其包括计算机程序，所述计算机程序可被处理器执行以完成如上所述的基于神经网络的光伏模块最大功率点跟踪方法。
[0047]
与现有技术相比，本发明上述技术方案基于神经网络构建的预测模型对当前参数进行处理，以输出预测电流，同时配置有基于迭代函数架构的光照估计器和电压跟踪器，光伏模块工作中，光照估计器、电压跟踪器和预测模型协同工作，光照估计器基于预测模型进行光照强度估计运算，电压跟踪器基于预测模型和光照估计器对输出电压进行迭代计算，以获得参考电压，从而当确认光照估计器计算出的参考光光强度与实际接近时，将此时的参考电压作为最大功率点电压；由此可知，通过上述方案，使得光伏模块根据现场环境的变化实时工作在最大功率点状态，而且避免陷入电压调整过程中的局部峰值，具有收敛速度快和精确度高的优点，另外，由于无需配置光照传感器，可有效降低实施成本，并减少了运行过程中的维护工作量。
附图说明
[0048]
图1为本发明实施例中光伏模块最大功率点跟踪方法流程图。
[0049]
图2为本发明实施例中光伏模块最大功率点跟踪系统原理结构图。
[0050]
图3为现有技术中光伏模块最大功率点跟踪的基本原理示意图。
具体实施方式
[0051]
为详细说明本发明的技术内容、构造特征、所实现目的及效果，以下结合实施方式并配合附图详予说明。
[0052]
本实施例提供一种基于神经网络的光伏模块最大功率点跟踪(mppt)方法，以用于光伏发电工程中对光伏模块的功率点调整，使得光伏模块始终工作在最大功率点状态，以提升光伏发电的效率。
[0053]
如图3，mppt的基本工作原理为，在光伏模块和负载之间设置dc/dc变换器，通过最大功率点跟踪单元实时检测光伏模块的电压、电流变化，并根据其变化对dc/dc变换器的pwm驱动信号进行调节，也即根据光伏模块的电压、电流变化生成调节信号，并将该调节信号加载到pwm控制器，pwm控制器输出相应的pwm驱动信号给dc/dc变换器。
[0054]
本实施例中，基于神经网络对基本参数进行处理，并省却光照传感器的布置。具体地，在本实施例中的最大功率点跟踪方法中，预先构建有基于神经网络的预测模型，以及基于迭代函数架构的光照估计器和电压跟踪器。
[0055]
对于该预测模型，其输入参数包括光伏模块所处的环境温度t、估计光强以及光伏模块的输出电压，预测模型的输出参数包括光伏模块输出的预测电流。
[0056]
对于光照估计器，其设置在预测模型的输出端和输入端之间，该光照估计器，通过对预测模型输出的预测电流和光伏模块实际输出电流之间的差值以及预测模型输入参数之间的迭代计算，估计出与实际无限接近的光照强度。
[0057]
对于电压跟踪器，跟随光照估计器同步迭代运算，根据预测电流以及预测模型输入参数进行迭代运算，逐步算出最大功率点跟踪电压。
[0058]
本实施例中，还为光伏模块配置有温度传感器，通过该温度传感器实时检测光伏模块所处的环境温度。
[0059]
基于上述配置，如图1，本实施例中的最大功率点跟踪方法包括如下步骤：
[0060]
s1：初始化光照强度，也即对输入参数集中的光照强度提供一初始值；
[0061]
s2：检测当前时刻光伏模块的输出电压、输出电流，并通过温度传感器获取当前时刻光伏模块所处的环境温度；
[0062]
s3：构建包括光伏模块当前时刻的输出电压、环境温度以及光照强度的输入参数集；
[0063]
s4：预测网络读取输入参数集，以输出预测电流；
[0064]
s5：电压跟踪器以预测电流和输入参数集中的参数为输入参数进行迭代计算，以获得参考电压
[0065]
s6：光照估计器以预测模型输出的预测电流与光伏模块当前输出的实时电流之间的差值和输入参数集中的参数为输入参数进行迭代计算，以得到参考光照强度
[0066]
s7：比对输入参数集中的光照强度(首次比对时，该光照强度为预设的初始值)与参考光照强度之间的差值是否小于预设值，也即，是否小于预设值，如果是，进入s8，如果否，则进入s9；
[0067]
s8：小于预设值，说明光照估计器当前计算出的光照强度已经无限接近真实环境，因此，以此时步骤s5中计算出的参考电压作为光伏模块的最大功率点工作电压，从而，通过pwm控制器调整dc/dc变换器，使其输出电压为参考电压。
[0068]
s9：采用步骤s5中计算出的参考电压更新输入参数集中的输出电压，并采用步骤s6中计算出的参考光照强度更新输入参数集中的光照强度，并转至步骤s4重复执行。
[0069]
可选地，预测模型的参数式为：
[0070][0071]
其中，为预测模型输出的预测电流，u为输入参数集中的环境温度t、输出电压v和光照强度g所构成的输入矩阵，w1、w2、b1和b2是在预测模型训练过程中学习的矩阵型权重系数。
[0072]
对预测模型进行训练时，可通过计算机仿真生成一定范围内的环境温度和光照强度下光伏输出特性曲线模型，随机选取若干符合训练要求的数据作为训练样本，具体而言，即采集若干组不同环境温度、光照强度条件下u-i特性曲线上若干组工作点数据。将采集到的数据作为训练数据输入，采用levenberg-marquardt方法或其他二阶算法进行优化，以均方误差函数作为损失函数更新神经元权重系数。经过循环迭代对神经网络进行训练，直到损失函数小于一个给定的精度时，可认为神经网络训练完成。
[0073]
进一步地，由于光伏模块的输出功率p＝v*i＝v*i(t,v,g)(2)
[0074]
且在均匀光照强度条件下，p-v曲线是严格凹函数，即必定存在一个最大值，由此，利用以下梯度上升规则可以通过迭代得出最大功率点电压值：
[0075][0076]
其中，k为迭代次数，μ为迭代计算过程中控制收敛速度的步长。
[0077]
联合上述(1)(2)(3)式可得：
[0078][0079]
为输入参数集中的输出电压，为权重系数w1中对应输出电压的部分，uk为当前时刻输入参数集构成的输入矩阵，
⊙
为矩阵内积运算符，函数tanh'为函数tanh的倒数。
[0080]
进一步地，迭代计算过程中，输入参数集中的光照强度依赖于光照估计器输出的参考光照强度，而光照估计器的输入又依赖于预测模型的输出构成的误差函数ek：
[0081][0082]
其中，i为光伏模块当前输出的实时电流。
[0083]
根据浸入与不变原理，光照估计器的参数式可定义为：
[0084][0085]
其中，为输入参数集中的光照强度，δ为大于零的已知系数。
[0086]
联合(1)(5)(6)可得光照估计器的迭代参数式为：
[0087][0088]
其中，为权重系数w1中对应光照强度的部分。
[0089]
根据上述最大功率点跟踪方法，光伏模块工作中，光照估计器、电压跟踪器和预测模型协同工作，光照估计器基于预测模型进行光照强度估计运算，电压跟踪器基于预测模型和光照估计器对输出电压进行迭代计算，以获得参考电压，从而当确认光照估计器计算出的参考光光强度与实际接近时，将此时的参考电压作为最大功率点电压。通过方法，使得光伏模块根据现场环境的变化实时工作在最大功率点状态，而且避免陷入电压调整过程中的局部峰值，具有收敛速度快和精确度高的优点，另外，由于无需配置光照传感器，可有效降低实施成本，并减少了运行过程中的维护工作量。
[0090]
本发明另一实施例中，还公开一种基于神经网络的光伏模块最大功率点跟踪系统，如图2，其包括预测模型、光照估计器、电压跟踪器、确认模块、输出模块以及更新模块。
[0091]
对于预测模型，其基于神经网络构建，预测模型的输入参数包括光伏模块所处的环境温度、估计光强以及光伏模块的输出电压，预测模型的输出参数包括光伏模块输出的预测电流。
[0092]
光照估计器和电压跟踪器基于迭代函数架构。
[0093]
电压跟踪器用于根据预测模型输出的预测电流和输入参数集中的参数进行迭代计算，以获得参考电压。
[0094]
光照估计器设置于预测模型的输出端和输入端之间，光照估计器用于根据预测模型输出的预测电流与光伏模块当前输出的实时电流之间的差值和输入参数集中的参数进行迭代计算，以得到参考光照强度。
[0095]
确认模块，确认模块用于确认参考光照强度与当前输入参数集中的光照强度之间的差值是否小于预设值，如果是，则输出第一结果，如果否，则输出第二结果。
[0096]
输出模块，其用于当确认模块输出第一结果时，电压跟踪器将当前计算出的参考电压作为所述光伏模块的最大功率点工作电压而输出，以供pwm控制器使用并输出相应的pwm信号，使得dc/dc变换器工作在最大功率状态；
[0097]
更新模块，其用于当确认模块输出第二结果时，分别采用参考光照强度和参考电压对输入参数集中的光照强度和输出电压进行更新。
[0098]
关于本实施例中光伏模块最大功率点跟踪系统的工作原理和工作流程详见上述光伏模块最大功率点跟踪方法，在此不再赘述。
[0099]
本发明还公开另一种光伏模块最大功率点跟踪系统，其包括一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上所述的光伏模块最大功率点跟
踪方法的指令。处理器可以采用通用的中央处理器(central processing unit，cpu)，微处理器，应用专用集成电路(application specific integrated circuit，asic)，或者一个或多个集成电路，用于执行相关程序，以实现本技术实施例的光伏模块最大功率点跟踪系统中的模块所需执行的功能，或者执行本技术方法实施例的光伏模块最大功率点跟踪方法。
[0100]
本发明还公开一种计算机可读存储介质，其包括计算机程序，所述计算机程序可被处理器执行以完成如上所述的光伏模块最大功率点跟踪方法。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是只读存储器(read-onlymemory，rom)，或随机存取存储器(random access memory，ram)，或磁性介质，例如，软盘、硬盘、磁带、磁碟、或光介质，例如，数字通用光盘(digital versatile disc，dvd)、或者半导体介质，例如，固态硬盘(solid state disk，ssd)等。
[0101]
本技术实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该电子设备执行上述光伏模块最大功率点跟踪方法。
[0102]
以上所披露的仅为本发明的优选实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明申请专利范围所作的等同变化，仍属本发明所涵盖的范围。