论文部分内容阅读
太阳能作为一种清洁能源受到广泛关注,但是太阳能发电受太阳光等环境因素影响较大,因此稳定保持光伏系统的最大功率点输出、提升光电转化效率是目前光伏工程的重要研究课题。本文以人工神经网络(Artificial Neural Network,ANN)中的径向基函数网络(Radial basis Function Network,RBFN)为基础,对光伏系统进行最大功率点追踪(Maximum Power Point Tracking,MPPT)。在基于人工神经网络的MPPT算法研究上,本文从加快模型构建速度的角度出发,提出了两种不同的改进措施:基于粒子群(Particle Swarm Optimization,PSO)算法改进的RBFN模型PSO-RBFN和基于最小二乘法(Least Square,LS)改进的RBFN模型LS-RBFN。这两种方法在提升模型构建速度的同时,几乎不对原模型的预测性能带来负面影响,可以有效的提升光伏系统MPPT算法的速度、准确性。本论文的研究重点和解决问题主要包括以下几点:1)基于搭建的多结太阳能电池Matlab/Simulink光伏系统模型,建立PSO-RBFN模型,利用PSO算法寻找网络最优的连接权值,从减少训练迭代次数的角度,提升网络构建速度,仿真研究了光伏系统在光照、温度等条件变化下MPPT计算的速度和精确度,研究表明基于PSO-RBFN的MPPT减少了网络的训练时间,有效提升了光伏系统的MPPT算法的构建速度,并且不对预测性能带来负面影响。2)建立LS-RBFN模型,RBFN中连接权值与网络输出呈线性关系,可以利用LS算法直接计算得到网络最优的连接权值,从免去网络的训练过程的角度,进一步有效提升了光伏系统的MPPT算法的速度。仿真研究了光伏系统在光照、温度等条件变化下MPPT计算的速度和精确度,研究表明基于LS-RBFN的MPPT在损失0.07%的预测准确度的代价下,有效提升了光伏系统的MPPT算法的速度。3)在实验室检测数据设备无法从现实环境中直接测量得到真实实验数据的情况下,根据光电转换的理论公式利用泰勒展开等方式进行理论值的近似获取,获取的数据是特定光照强度R与环境温度T所对应的系统达到最大功率点时的电流值。比较了算法的优缺点,表明在实验数据并不是十分庞大的场合,基于PSO-RBFN和LS-RBFN的MPPT算法具有较好的应用潜力。