本發明涉及光伏電力,具體而言,涉及一種基于神經網絡的光伏組件最大功率點跟蹤方法及系統。
背景技術:
1、隨著光伏發電裝機容量日益增加,如何讓有限的容量的光伏發電設備在同樣的時間內以最小的成本發出最多的電能,有重大意義;其中,最大功率點跟蹤(mppt)作為一種以較低的成本投入,其原理是跟蹤尋找光伏組件最大功率的輸出電壓,讓有限容量的光伏組件在同樣的時間內發出最大功率的方法,逐漸應用于光伏發電技術領域;
2、目前,實現最大功率點跟蹤的傳統的方法有恒定電壓法、擾動觀察法以及電導增量法:恒定電壓法通過在光伏組件的p-v曲線中,用一條直線近似確定不同光輻射照度下的最大功率點對應的輸出電壓,由于只考慮了光輻射照度對p-v曲線的影響,導致其精度較低;擾動觀察法具體為一種類似微分的搜尋方法,其精度會受到初始步長的影響,最終的值會在最大功率點附近振蕩,且搜尋的時間較長;電導增量法通過極大值的斜率為零這一特點找到最大功率點,但要求對電壓電流的采集傳感器精度要求較高,其算法更為復雜,所需時間更長;為此,我們提出一種基于神經網絡的光伏組件最大功率點跟蹤方法及系統。
技術實現思路
1、本發明的目的在于提供一種基于神經網絡的光伏組件最大功率點跟蹤方法及系統,用以實現快速、準確地找到光伏組件最大功率點對應的輸出電壓,使光伏組件保持在最大功率輸出狀態,提升光伏組件的工作效率。
2、本發明第一方面的技術方案提供了一種基于神經網絡的光伏組件最大功率點跟蹤方法,包括如下步驟:
3、基于神經網絡的光伏組件最大功率點跟蹤方法,包括如下步驟:
4、基于目標區域內光伏組件的工作環境溫度區間和光照強度區間,提取多組不同溫度-光照強度組合的訓練樣本數據;
5、模擬各組訓練樣本數據下光伏組件最大功率點對應的模擬輸出電壓;
6、基于神經網絡訓練最大功率點跟蹤模型;
7、獲取光伏組件實時工作環境溫度及實時光照強度,輸入訓練好的最大功率點跟蹤模型,輸出實時最大功率點對應的輸出電壓。
8、進一步地,基于目標區域內光伏組件的工作環境溫度區間和光照強度區間,提取多組不同溫度-光照強度組合的訓練樣本數據,具體包括:
9、根據預設的溫度步長和光照強度步長,從工作環境溫度區間和光照強度區間的起始點逐步遞增選取若干溫度值和光照強度值,并將若干溫度值和光照強度值排列組合為訓練樣本數據。
10、進一步地,基于神經網絡訓練最大功率點跟蹤模型,具體包括:
11、采用bp神經網絡,訓練樣本數據作為輸入值,最大功率點對應的模擬輸出電壓作為輸出值,對bp神經網絡進行訓練,直至達預設精度時停止訓練。
12、進一步地,采用bp神經網絡,訓練樣本數據作為輸入值,最大功率點對應的模擬輸出電壓作為輸出值,對bp神經網絡進行訓練,直至達預設精度時停止訓練,具體包括:
13、計算bp神經網絡隱含層的輸出值,其表達式為:
14、
15、式中,hj表示第j個隱含層節點的輸出值,j=1,2,...,m,m為隱含層節點總數;wij表示輸入層與隱含層之間的預設權值;aj表示第j個隱含層的預設閾值;xi表示第i個訓練樣本數據;f表示隱含層的傳遞函數;l表示輸入層節點數;
16、計算輸出層的輸出值,其表達式為:
17、
18、式中,ok表示第k個輸出層節點的輸出值,k=1,2,...,n,n為輸出層節點總數,即最大功率點對應的模擬輸出電壓;wjk表示隱含層與輸出層之間的預設權值;bk表示第k個輸出層節點的預設閾值;m為隱含層節點總數;
19、將輸出層的輸出值與最大功率點對應的模擬輸出電壓作差,得到誤差值。
20、進一步地,采用bp神經網絡,訓練樣本數據作為輸入值,最大功率點對應的模擬輸出電壓作為輸出值,對bp神經網絡進行訓練,直至達預設精度時停止訓練,還包括:
21、更新輸入層與隱含層之間的預設權值,其表達式為:
22、
23、式中,w1ij表示更新后輸入層與隱含層之間的權值,ek表示輸出層節點k的誤差值。
24、進一步地,采用bp神經網絡,訓練樣本數據作為輸入值,最大功率點對應的模擬輸出電壓作為輸出值,對bp神經網絡進行訓練,直至達預設精度時停止訓練,還包括:
25、更新隱含層與輸出層之間的預設權值,其表達式為:
26、w1jk=wjk+hjek(j=1,2,…,m?k=1,2,…,n)
27、式中,w1jk表示更新后隱含層與輸出層之間的權值。
28、進一步地,采用bp神經網絡,訓練樣本數據作為輸入值,最大功率點對應的模擬輸出電壓作為輸出值,對bp神經網絡進行訓練,直至達預設精度時停止訓練,還包括:
29、更新隱含層預設閾值和輸出層預設閾值,其表達式為
30、
31、b1k=bk+ek(k=1,2,…,n)
32、式中,a1j表示更新后的第j個隱含層的閾值;b1k表示更新后第k個輸出層節點的預設閾值;η表示學習率。
33、本發明第二方面的技術方案提供了一種基于神經網絡的光伏組件最大功率點跟蹤系統,包括本發明第一方面技術方案中任一項所述的基于神經網絡的光伏組件最大功率點跟蹤方法,該系統包括:
34、數據采集模塊,配置為提取訓練樣本數據以及獲取光伏組件實時工作環境溫度及實時光照強度;
35、模擬裝置,配置為模擬各組訓練樣本數據下光伏組件最大功率點對應的模擬輸出電壓;
36、訓練模塊,配置為采用bp神經網絡,訓練樣本數據作為輸入值,最大功率點對應的模擬輸出電壓作為輸出值,對bp神經網絡進行訓練;
37、最大功率點跟蹤模塊,配置為獲取光伏組件實時工作環境溫度及實時光照強度,輸入訓練好的最大功率點跟蹤模型,輸出實時最大功率點對應的輸出電壓;
38、電源模塊,配置為基于實時最大功率點對應的輸出電壓,通過boost電路和buck電路進行升壓或降壓,調節光伏組件的輸出電壓。
39、本發明第三方面的技術方案提供了一種電子設備,所述電子設備包括:處理器以及與所述處理器通信連接的存儲器;其中,所述存儲器存儲有可被所述處理器執行的指令,所述指令被所述處理器執行,以使所述處理器能夠執行本發明第一方面技術方案任一項所述的基于神經網絡的光伏組件最大功率點跟蹤方法的步驟。
40、本發明第四方面的技術方案提供了一種計算機可讀存儲介質,所述計算機可讀存儲介質上存儲有實現基于神經網絡的光伏組件最大功率點跟蹤方法的程序,所述實現基于神經網絡的光伏組件最大功率點跟蹤方法的程序被處理器執行以實現本發明第一方面技術方案中任一項所述的基于神經網絡的光伏組件最大功率點跟蹤方法的步驟。
41、本發明實施例的技術方案至少具有如下優點和有益效果:
42、本發明提供的基于神經網絡的光伏組件最大功率點跟蹤方法及系統,通過提取多組不同溫度-光照強度組合的訓練樣本數據,模擬各組訓練樣本數據下光伏組件最大功率點對應的模擬輸出電壓,利用有限的訓練樣本數據和模擬輸出電壓訓練神經網絡,最大功率點跟蹤模型學習光伏組件最大功率點與工作環境溫度和光照強度之間的復雜關系;訓練好的最大功率點跟蹤模型實時預測并輸出光伏組件的最大功率點對應的輸出電壓;在實際應用中,同一型號的光伏組件只需在神經網絡中訓練一次,不需要經過復雜的算法即可實現輸入任意溫度值和光照強度時都可以輸出一個最大功率點對應的輸出電壓,將這個電壓輸入到控制電路中,通過調整輸出電壓,實現光伏組件保持在輸出最大功率狀態下運行,提高單位光伏組件在相同環境下的發電量;該方法整體過程簡單,避免了出現振蕩的問題,其準確度及跟蹤速度相較于現有技術中的恒定電壓法、擾動觀察法和電導增量法有所提升。