基于神经网络的光伏模块最大功率点跟踪方法及系统技术方案

本发明专利技术公开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，该方法包括：构建基于神经网络的预测模型；提供基于迭代函数架构的光照估计器和电压跟踪器；预测模型读取输入参数集中的参数，以输出预测电流；电压跟踪器进行迭代计算，以获得参考电压；光照估计器进行迭代计算，以得到参考光照强度；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，则将参考电压作为最大功率点工作电压，如果否，则采用光照估计器和电压跟踪器的计算结果对输入参数集进行更新；通过上述方法，使得光伏模块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、精确度高、实施成本低的优点。施成本低的优点。施成本低的优点。

【技术实现步骤摘要】
基于神经网络的光伏模块最大功率点跟踪方法及系统


[0001]本专利技术涉及光伏模块最大功率点跟踪
，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。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]本专利技术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。
[0005]为了实现上述目的，本专利技术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：
[0006]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；
[0007]提供基于迭代函数架构的光照估计器和电压跟踪器；
[0008]通过温度传感器实时检测光伏模块所处的环境温度；
[0009]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；
[0010]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；
[0011]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；
[0012]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；
[0013]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。
[0014]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，u
k
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，u
k
为当前时刻输入参数集构成的输入矩阵。
[0024]本专利技术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，u
k
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，u
k
为当前时刻输入参数集构成的输入矩阵。
[0042]本专利技术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]本专利技术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本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的光伏模块最大功率点跟踪方法，其特征在于，包括：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；提供基于迭代函数架构的光照估计器和电压跟踪器；通过温度传感器实时检测光伏模块所处的环境温度；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；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；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；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；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。2.根据权利要求1所述的基于神经网络的光伏模块最大功率点跟踪方法，其特征在于，所述预测模型的参数式为：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。3.根据权利要求2所述的基于神经网络的光伏模块最大功率点跟踪方法，其特征在于，所述光照估计器的参数式为：所述光照估计器的参数式为：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，u
k
为当前时刻输入参数集构成的输入矩阵。4.根据权利要求2所述的基于神经网络的光伏模块最大功率点跟踪方法，其特征在于，所述电压跟踪器的参数式为：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，u
k
为当前时刻输入参数集构成的输入矩阵。5.一种基于神经网络的光伏模块最大功率点跟踪系统，其特征在于，包括：
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；基于迭代函数架构的光照估计器...

【专利技术属性】
技术研发人员：曹海军，黄伟樑，赵途，
申请(专利权)人：东莞南方半导体科技有限公司，
类型：发明
国别省市：