BP神经网络能够解决传统最大功率点跟踪(Maximum Power Point Tracking,MPPT)算法的误跟踪问题,即在阴影遮挡情况下因为算法陷入局部极值点而无法对真正最大功率点进行跟踪。但是BP神经网络进行多峰MPPT时仍然存在部分问题,包括神经网络需要大量的训练数据的问题、阴影遮挡类型作为神经网络输入向量时难以表示的问题、由于温度而跟踪不准确的问题。为了解决以上三个问题,本文根据光伏阵列在阴影遮挡情况下的输出特性,提出一种多峰MPPT方法,实现对阴影遮挡下光伏阵列的多峰最大功率点跟踪。该方法主要包括:利用基本阴影遮挡类型减少神经网络需要的训练数据量;利用图像识别技术对阴影遮挡类型进行识别,便于阴影类型的量化;在跟踪后期利用扰动法,消除温度对跟踪准确性的影响。首先,通过Simulink平台对均匀光照下的光伏阵列建模,分析正常时光伏的输出特性。在此基础上,继续模拟光伏阵列在阴影遮挡情况下的输出特性,获取第一组用于训练神经网络的仿真数据。同时,搭建光伏阵列硬件平台,设计试验获取阴影遮挡情况下光伏阵列的输出数据,即第二组用于训练神经网络的实测数据。对第一组数据进行分析,并利用第二组数据验证第一组数据得到的结论,进而提出基本阴影遮挡类型这一概念,用于减少神经网络的训练数据量。通过Matlab工具箱,将上述两组数据分别输入到BP神经网络中进行训练。两组训练结果均表明,仅训练基本阴影遮挡类型数据的BP神经网络能够对最大功率点的电压进行准确预测并作为MPPT的依据,即应用基本阴影遮挡类型概念能够减少BP神经网络跟踪多峰最大功率点所需的训练数据量。其次,对阴影遮挡类型进行编码,利用图像识别技术对阴影遮挡类型进行识别,识别结果作为BP神经网络输入向量的一个维度。阴影遮挡图像的识别主要利用了图像透视、图像灰度化、图像切割和图像二值化。最后,图像阴影比例计算结果符合实际情况,证明了阴影遮挡类型的可识别性,保证了BP神经网络训练数据输入维度的完整性。最后,为了消除温度的影响,在跟踪稳定后利用扰动法再进一步跟踪。通过Simulink平台搭建光伏MPPT系统,验证训练后的BP神经网络对多峰MPPT的效果。对比扰动法、固定电压法和BP神经网络结合扰动法在阴影类型、光照强度和温度3方面变化时的多峰MPPT效果。仿真结果表明,经过基本阴影遮挡类型训练的BP神经网络结合扰动法能够有效地跟踪多峰最大功率点。