基于神經網絡的光伏陣列局部陰影建模研究

張杰, 王宏華, 韓偉

(河海大學 能源與電氣學院，江蘇 南京 211100)

基于神經網絡的光伏陣列局部陰影建模研究

張杰, 王宏華, 韓偉

(河海大學 能源與電氣學院，江蘇 南京 211100)

在局部陰影條件下，光伏陣列的輸出特性將發生變化。利用神經網絡具有逼近任意復雜非線性函數的能力，采用粒子群算法(PSO)來優化BP神經網絡的內部連接權值和閾值，以改善神經網絡的預測性能，并基于這種改進的神經網絡結構搭建局部陰影下的光伏陣列模型。仿真結果表明，此算法泛化能力強、收斂速度快，能夠對陰影下的光伏陣列進行建模。

局部陰影；神經網絡；粒子群算法；光伏建模

0 引言

目前，國內外對此已經做了較長時間的理論和實驗研究，文獻[1]在MATLAB/Simulink環境下，搭建光伏電池元仿真模型，但僅考慮了均勻光照下的情況。文獻[2-4]基于數學分析法，建立了局部陰影條件下光伏陣列的數學模型，模型復雜且參數求解較為困難。文獻[5-6]將神經網絡應用于光伏陣列建模，避免了復雜的計算和參數求解過程，取得了較好的結果，但僅考慮了陣列受均勻光照的情況，沒有考慮局部陰影對光伏陣列的影響。

基于以上分析，利用神經網絡對光伏陣列建模，避開電池內部復雜的物理結構，直接針對其外部特性研究，從而簡化建模過程。由于在傳統的BP神經網絡訓練中容易陷入局部極小值而且收斂速度也比較慢，很難適應實時控制的要求，故采用粒子群算法(PSO)優化后的 BP神經網絡，對非線性系統具有更好的自學習和泛化能力，對局部陰影條件下的光伏陣列進行建模，可以得到更加精確的輸入輸出特性。

1 局部陰影條件下光伏組件特性分析

1.1 單體光伏電池特性

圖1為光伏電池單元的等效電路。其中：Iph為光伏電池內部產生的光生電流；ID為無光照條件下通過二極管的單向電流；I為光伏電池輸出負載電流；Rsh為光伏電池的等效旁路電阻，一般為幾千Ω；Rs為光伏電池內部的等效串聯電阻，一般<1Ω；R0為外接負載電阻；其對應的光伏電池電流輸出特性方程為：

(1)

圖1 單體光伏電池的等效電路

根據上述特性方程將光伏電池單體按一定的規則進行串聯和并聯后就形成了光伏陣列。串聯用來提高光伏陣列的直流電壓輸出值，并聯提高光伏陣列的直流電流輸出值，因此，根據串并聯的光伏電池的總數不同，可以獲得不同輸出電壓和不同輸出功率的光伏陣列。圖2為幾種典型的局部陰影下的光伏陣列示意圖。

(a)局部陰影串聯支路；(b)具有三個支路的局部陰影陣列；(c)同一支路中不同的陰影擋射率圖2 光伏陣列的局部陰影示意圖

在實際應用中，光伏陣列中每一個光伏電池板單元都會并聯一個旁路二極管。當其中某個電池板被陰影遮擋或者出現故障而停止向外輸出電壓時，二極管將導通使被遮擋部分短路，這樣在不影響其組件正常發電的同時也保護光伏電池免受較高的反向偏壓而導致電池板因發熱損壞。

1.2 局部陰影條件下光伏陣列特性分析

搭建由兩塊電池板串聯的光伏陣列，圖3，圖4為兩塊電池板串聯組成的光伏陣列在兩塊電池分別受到幾種不同的局部遮陰情況下整個光伏陣列的U-I和U-P特性曲線。

計算機網絡是計算機科學技術最熱門的分支之一。在計算機網絡技術快速發展的新形勢下，計算機網絡的教學已成為計算機類專業及相關專業的重要課程[1]。該課程理論知識比較抽象，要想深入地理解計算機網絡基本知識和概念，并運用于實際中，需要課堂和實驗室的互補教學[2]。

圖3 局部陰影條件下光伏陣列的 U-I特性曲線

由圖3和圖4可見，當光伏陣列中的單體電池受到相同的光照情況下，其輸出U-I特性曲線和U-P特性曲線呈現單峰狀。若發生局部遮陰，光伏陣列的輸出U-I特性曲線和U-P特性曲線將呈現多梯度、多極值的特點，使得系統在這種情況下不能簡單的以尋找曲線的任一極值作為最大功率點的輸出目標。

圖4 局部陰影條件下光伏陣列的 U-P特性曲線

2 基于粒子群優化的光伏陣列建模

2.1BP神經網絡結構[7-8]

BP神經網絡是一種單向傳播的多層前向網絡，其結構如圖5所示，一般具有三層或者三層以上，包括輸入層、隱含層和輸出層。每層神經元只接受前一層神經元的輸入。當提供給神經網絡學習樣本后，神經元的數據流從輸入層經各隱含層向輸出層傳播，在輸出層獲得整個網絡的輸入響應。然后按照減少目標輸出與實際誤差的方向，從輸出層經中間層逐層修正網絡權值和閾值，最后返回輸入層。

BP神經網絡的基本思想是將神經網絡學習輸入輸出映射問題轉變為非線性優化問題。在梯度下降算法的基礎上，用迭代運算動態修正網絡權值，使網絡誤差函數值達到最小。

圖5 BP神經網絡的結構圖

2.2 基于PSO的BP神經網絡學習算法[9-12]

由于BP神經網絡學習算法收斂速度慢，易陷入局部極小值，而且它對網絡初始權值、自身的學習速率和動量等參數非常敏感，需要通過不斷地訓練才能穩定，但是過度的訓練也可能導致“過擬合”現象發生，從而影響網絡的泛化能力。因此，為了提高收斂速度，改善BP神經網絡的性能，本文采用 粒子群優化BP神經網絡權值和閾值的學習算法。

粒子群算法的基本思想是將每個需要優化的問題的解當作一個“粒子”，由一個優化函數來決定這個粒子的適應值，同時還有一個速度來確定這個粒子的飛行方向和距離。粒子根據自身以及其他粒子的經驗進行動態調整，從而尋找最優解。PSO作為一種新興的算法，具有收斂速度快、魯棒性高、全局搜索能力強的特點。將其與BP神經網絡相結合，可以在發揮神經網絡泛化能力的同時，提高網絡的收斂速度和學習能力。

PSO算法首先在給定的解空間中隨機初始化粒子群，然后通過迭代找到最優解。在每一次迭代過程中，粒子知道本身所能找到的最優位置叫做個體極值pbest，整個種群目前所能找到的最優位置叫全局極值gbest，另外，也可以不用整個種群而只是用其中一部分為粒子的鄰居，那么在所有鄰居中的極值就是局部極值。在找到這兩個最優值時，每個粒子采用下式來更新自己的速度和位置：

(2)

式中：w為慣性權重，k為當前迭代次數，Vid為粒子的速度；C1,C2為非負的常數，稱為加速度因子；r1,r2為分布在[0,1]之間的隨機數。為防止粒子的盲目搜索，一般將其位置和速度限制在一定的區間 [-Xmax,Xmax],[-Vmax,Vmax]。

用粒子群算法優化BP神經網絡時，每個粒子代表了神經網絡的權值和閾值，通過粒子尋優找到網絡的最佳的初始權值和閾值，使如下誤差平方和(SSE)(適應度值)達到最小：

(3)

粒子群優化算法收斂快，通用性強，但同時也容易早熟收斂并且搜索精度低、后期迭代率不高。在遺傳算法中通常引入變異算子，在提高算法局部搜索效果的同時保持群體個體差異性防止發生早熟。可以借鑒這一方法在PSO算法中引入變異概率因子，即對某些變量以一定的概率重新初始化。擴大在迭代中不斷縮小解空間的搜索范圍，使得粒子能夠跳出先前已經搜索到的最優位置，更有效的進行全局搜索，同時保持了種群的多樣性，提高算法尋找最優值的可能性。

PSO算法優化BP神經網絡學習算法分為BP神經網絡結構確定、PSO算法優化和BP神經網絡預測3個部分，流程如圖6所示。

圖6 PSO算法優化BP神經網絡的流程圖

3 仿真結果分析

在MATLAB/Simulink下建立兩個電池板串聯情況下的光伏仿真模型。其中每個光伏電池板的參數為：開路電壓VOC=24V；短路電流Isc=3A；最佳工作電壓Vm=18V；最佳工作電流Im=2.69A；以上參數為T=295K(25℃)，S=1000W/m2時的特性參數。分別改變兩塊電池板的光照強度，光照強度分別由1000W/m2減少至200W/m2，兩塊電池板的溫度都取為恒溫25℃，計算得兩塊電池板在光照不均勻情況下的陣列輸出最大功率，共取數據120組，然后隨機從中選取30組為測試數據。在訓練時將以數據文件的形式提供給網絡。

本文以MATLAB神經網絡工具箱進行模型的訓練和仿真。其中以兩塊電池板的光照強度為輸入構建BP神經網絡，其中隱含層含有5個神經元，采用tansig作為傳遞函數，輸出層有一個神經元為陣列的輸出功率，以purelin為傳遞函數。期望的均方差為0.0001，迭代次數為500，學習率為0.5。粒子群算法用來優化BP網絡的權值和閾值，其中加速度因子C1=C2=1.49445，慣性權重W=1，種群規模為20，進化次數為30。如圖7所示為網絡的最優個體適應度值變化曲線。

圖7 網絡的適應度值變化曲線

把PSO算法得到的最優權值和閾值賦給神經網絡，用訓練數據訓練500次后預測非線性函數輸出。同時采用傳統BP神經網絡對數據進行訓練，性能參數與通過PSO優化的BP神經網絡作對比。圖8為兩種神經網絡訓練過程中的均方誤差的變化曲線。由圖8可見相比于傳統BP算法，PSO-BP能很快達到訓練目標，收斂速度顯著提高。

圖8 兩種神經網絡均方誤差變化曲線

圖9表明相比于傳統BP算法，PSO-BP具有較強的泛化能力和辨識度。通過計算兩者的均方誤差(MSE)，可知傳統BP神經網絡均方誤差為9.13%，而經過PSO優化后的BP的神經網絡均方誤差僅為3.3%。因此改進的算法有效地提高了網絡的辨識精度和準確性。

圖9 兩種神經網絡泛化能力比較圖、

4 結論

通過對陰影條件下光伏陣列的研究，采用PSO優化的BP神經網絡的算法能夠實現光伏陣列非線性系統建模。仿真結果表明，基于此方法建立局部陰影下的光伏陣

列模型是可行的，能夠準確地反映光伏陣列的輸入輸出特性，由于不需要對系統內部機理進行復雜的計算，因此是研究復雜非線性系統輸入輸出特性的一個可行方向。

[1] Patel H, Agarwal V. MATLAB-based modeling to study the effects of partial shading on PV array characteristics [J]. IEEE Transaction on Energy Conversion, 2008, 23(1):302-310.

[2] 蘇建徽,余世杰,趙為,等. 硅太陽電池工程用數學模型[J].太陽能學報, 2005, 20(5):409-412.

[3] 劉曉艷,祁新梅,鄭壽森,等. 局部陰影條件下光伏陣列的建模與分析[J]. 電網技術, 2010, 34(11):192-197.

[4] 陳阿蓮,馮麗娜,杜春水,等. 基于支持向量機的局部陰影條件下光伏陣列建模[J]. 電工技術學報, 2011, 26(3):140-146.

[5] 李煒,朱新堅,曹廣益. 基于 一 種 改 進 的 BP 神 經 網 絡 光 伏 電 池 建 模[J]. 計算機仿真, 2006, 23(7): 228-230.

[6] 郭亮,陳維榮,賈俊波,等. 基于粒子群算法的BP神經網絡光伏電池建模[J].電工電能新技術, 2011, 30(2):84-88.

[7] E. Karatepe,M. Boztepe, and M. Colak. Neural network based solar cell model[J]. Energy Conversion and Management, 2006, vol. 47, p. 1159 -1178.

[8] 高雋. 人工神經網絡原理及仿真實例[M].北京：機械工業出版社，2003，7：21～44.

[9] 李博. 粒子群優化算法及其在神經網絡中的應用[D]. 大連: 大連理工大學, 2005.

[10] 金欣磊. 基于PSO的多目標優化算法研究及應用[D]. 杭州：浙江大學,2006.

[11] 劉艷莉,周航,程澤. 基于粒子群優化的光伏系統MPPT控制方法[J].計算機工程，2010，36(15) ：265-267.

[12] 張利彪,周春光,馬銘,等. 基于粒子群算法求解目標優化問題[J].計算機研究與發展, 41(7):1286-1291, 2004.

Application of Neural Network Algorithm in Photovoltaic Array Under Local Shadow

ZHANG Jie, WANG Hong-hua, HAN Wei

(College of Energy and Electrical Engineering of Hohai University, Nanjing 211100, China)

The output characteristics of PV array changes under the partially shaded conditions. The neural network with the ability of approximating any complicated nonlinear function and the particle swarm optimization (PSO) are used to optimize the BP neural network's internal connection weights and threshold value in order to improve the neural network prediction performance and to establish the model of PV system under the partially shaded conditions. The simulation results show that, through the establishment of the PV array local shadow model identification precision and fast convergence rate,it perfectly verifies the effectiveness of the proposed method.

local shadow; neural network algorithm; particle swarm optimization (PSO); PV modelling

江蘇省2012年度普通高校研究生科研創新計劃(CXZZ12_0228)

張杰(1989-)，男，江蘇淮安人，碩士研究生，研究方向為可再生能源發電系統控制。

TM914;TP393

A

1671-5276(2014)02-0087-04

2013-09-15