神經網絡在太陽輻射傳感器設計中的應用*

韋忠善，王力虎，明　鑫

（1.廣西職業技術學院計算機與電子信息工程系，南寧530226；2.廣西師范大學物理科學與技術學院，廣西桂林541004）

?

神經網絡在太陽輻射傳感器設計中的應用*

韋忠善1*，王力虎2，明鑫1

（1.廣西職業技術學院計算機與電子信息工程系，南寧530226；2.廣西師范大學物理科學與技術學院，廣西桂林541004）

摘要：為了測量太陽輻照度以便達到使光伏電站的效率最大化，提出了一種新的基于反饋神經網絡的太陽輻照度測量方法，該方法可用來直接使光伏電站的效率最大化。所提出的傳感器由一個光伏電池、一個溫度傳感器和一個低成本的微控制器組成。計算表明，提出的傳感器設計成本較低，因而該裝置在光伏電站的大型部署中是一個很好的替代品。使用實驗樣機對所提出的方法進行了驗證，結果顯示與商用裝置相比，本文設計的傳感器能夠更加精確地跟蹤光伏電站內的太陽輻照度。關鍵詞：神經網絡；光伏電池；溫度傳感器；太陽輻照度

項目來源：廣西教育廳科學研究基金項目（YB2014486，201204LX556）

太陽輻照度是光伏（PV）電站最大功率點跟蹤（MPPT）的一個關鍵參數。這是因為光伏陣列為其提供最大功率的操作點，其實是太陽輻照度和電池溫度的一個函數。如果檢測出太陽輻照度和電池溫度，人們可以計算出最大功率點（MPP）并通過迫使光伏陣列在該點操作直接使效率最大化［1］。光伏陣列的操作點是通過調整連接在陣列輸出端的功率變換器的占空比進行調節的。可以較為容易地通過溫度傳感獲取溫度參數，但是獲取太陽輻照度是比較困難的，這是因為輻照度傳感器不僅昂貴且難以校準［2］。

現有的許多算法主要通過調整變換器的占空比來執行最大功率點跟蹤功能，避免了直接測量太陽輻照度［3］。最大功率點跟蹤算法依賴于光伏陣列功率-電壓曲線的凹形并通過迭代過程進行搜索，無需太陽輻照度知識。包括擾動觀察法和增量電導算法等［4-6］。但這些方法有一定缺陷，即可能會圍繞最大功率點振蕩并在快速改變輻照度的條件下會失效。基于此，相關研究人員提出了基于神經網絡［7］和電流-電壓曲線的近似解［8-9］的方法，可以克服上述不足。光伏電站通常跨越較大的地理區域且輻照度是不均勻的，因而需要精確的太陽輻照度檢測。陰影效應對功率提取過程的整體效率產生了不利影響。解決方案包括：

（1）將不同段的光伏電站模塊化，每段使用一個功率變換器并具有單獨的最大功率點跟蹤算法；

（2）只用一個功率變換器對光伏板的互連進行動態重新配置［10］。后者需要通過電站對所有位置的輻照度進行精確跟蹤，因而低成本的輻照度傳感器是非常可取的。

本文利用為最大功率點跟蹤和太陽輻照度估算所提出的想法設計了一種新的低成本太陽輻照度傳感器。該方法由一個或少量的光伏電池以及一種適當定制的神經網絡（NN）算法組成。傳統的方法在沒有太陽輻照度知識的情況下利用神經網絡來跟蹤最大功率點，本文提出的方法考慮到使用一個神經網絡方法來檢測輻照度，而輻照度反過來也可用于跟蹤最大功率點。

其他作者已經提出了低成本的輻照度傳感器［11-12］，但是本文所提方法的主要優勢在于結構的簡易性和精確性。此外，使用微控制器可進行簡單的校準，并通過RS232、RS485或以太網與光伏電站控制系統的其余部分進行連接。微控制器已廣泛應用于工業應用中，但通常在這些應用中使用的算法是傳統的確定性控制流程。如今，利用高效C編譯器的精確的雙精度數學庫和代碼開發的集成開發環境（IDE）已極大地簡化了神經網絡在微控制器中的實現。

1　傳感器設計原理

神經網絡是一個可以通過使用模擬軟件、模擬電路、光學微系統以及在本文的微控制器來實現的范式。為了合理的計算成本和簡單的結構，該結構適宜嵌入到一種廉價的8位微控制器中，選擇帶有一個單隱層的反饋神經網絡（FFNN）。這與其他有效的神經網絡實現例如橋接多層感知器（BMLP）或完全連接級聯（FCC）架構［29］相反。橋接多層感知器和完全連接級聯均要求使用更精細的結構并可能為涉及大量的神經元的問題帶來實際利益。

1.1準備訓練集

神經網絡訓練過程以及本文所提的傳感器的性能依賴于光伏陣列的不同輻照度值和溫度值的電流-電壓性能曲線。光伏電池的電流-電壓性能曲線可以通過使用其數學模型以及由制造商的數據表提供的標準信息來獲得。或者，操作點可在實驗室中在受控的環境條件下通過實驗產生。在這兩種情況下，一個合適的訓練集必須通過使用N個不同的恒溫下取決于輻照度的電流-電壓曲線來構建。同樣地，M個不同的電流-電壓曲線必須通過在恒定的輻照度下改變溫度來獲得。因此，必須創建N×M訓練集模式。

通過使用光伏陣列的數學模型生成訓練集，即通過一個電流源、一個反并聯二極管和一個串聯電阻和并聯電阻建立單個光伏電池及其推廣到若干串聯電池的電路模型［7］。本文使用改進的電路，該電路通過一個外部控制電流源取代反并聯二極管，如圖1所示。該模型的主要優勢在于它允許包括任意數量的串聯和/或并聯成一個單一電路表示的電池，該電路表示包括每個電池的所有細節。該模型對應于構件以便生成用來訓練神經網絡的性能電流-電壓。

圖1　光伏電池的等效電路

圖1中光伏電池的輸出電流可表示為：

其中，Iirr表示光電流或輻照度電流，當電池暴露于陽光下時，會生成光電流或輻照度電流。Idio表示流經反并聯二極管的電流，其會導致光伏電池的非線性特性。Ip表示由于并聯電阻Rp產生的一個分流電流。代入Idio和Ip的相關表達式：

其中，q=1.602×10-19C表示電子的電荷；k=1.3806503×10-23J/K表示玻耳茲曼常數；T表示電池的溫度；I0表示二極管飽和電流或電池反向飽和電流；n表示二極管的理想因子或理想常數；RS和RP分別表示串聯和并聯電阻［8］。

表1　光伏陣列模型的替代參數

該模型可以推廣到任意數量的串聯電池（表示為NS）和并聯電池（表示為NP）以形成一個小的NS× NP電池陣列。這需要與微控制器所需的電流/電壓等級相匹配。廣義模型采用以下形式：其中，各種“素數”值應該根據表1進行解釋。

在分別由式（2）和式（3）所描述的單個光伏電池和陣列的電流-電壓性能特性中，參數Iirr、I0、RP、RS和n取決于太陽輻照度（G）、電池溫度（T）以及由式（4）-（8）所描述的一定的參考參數，即Gref、Tref、Iirr，ref、I0，ref、RP，ref、RS，ref和nref：

在式（4）中，αT′表示短路電流的相對溫度系數，其表示短路電流相對于溫度的變化率。對于特定的面板，制造商偶爾會提供短路電流的絕對溫度系數，即αT。αT′和αT之間的關系如下：

αT=αT′Iirr,ref（5）

在式（6）中，Eg表示在eV中的硅的帶隙能量。Eg的解析表達式通過曲線擬合從實驗測量中獲取，并且因作者而異。這里我們采用了文獻［8］中表達式：

其中，Rp=Rp,ref(G/Gref)，RS=RS,ref，n=nref。各種組成參數為任意大小的陣列的性能提供了詳細的表示并可能用來訓練神經網絡。

1.2訓練過程

當使用神經網絡時，訓練過程是非常重要的，其需要高水平的精度。各種設計選擇如隱含層的大小、訓練集的大小和訓練算法與正在解決的問題緊密聯系。但是，文獻［9］中的作者已經識別出可引起成功設計的某些通用程序。一般來說，訓練一個給定的神經網絡架構意味著尋找突觸權值和偏差向量的可接受的矩陣，即，求解一個非線性優化問題，在這個過程中，選擇一個合適的搜索算法決定神經網絡的性能和精度［7］。

一個訓練有素的神經網絡必須能夠執行新數據的泛化，避免過度訓練的現象—過度訓練的神經網絡在屬于訓練集的數據上表現良好，但在訓練集外的數據上表現不佳。泛化的精度是由隱藏神經元的數量（nhn）、在訓練集中的樣本的數量（ntr）以及所采用的優化方法及其初始條件決定的。訓練過程的目標是為了尋找合適的nhn和ntr，以便使驗證集（εts）上的均方誤差（MSE）接近訓練集上（εtr=f（nhn，ntr））的所希望的小的均方誤差。此外，選擇一個小的反饋神經網絡是重要的，這樣其可以有效地嵌入在一個內存適度的微控制器中。因此，必須識別留在最佳區域中的訓練集的最小尺寸。這可以通過在文獻［8］中描述的迭代程序來實現，對于一個給定的廣泛的驗證集，為了到達最佳區域（具有所需的εtr），該程序修改nhn或ntr。

對于此訓練，考慮了訓練集εtr=8×10?3上的目標均方誤差。從nhn的一個較大的值開始，迭代過程產生nhn=8和ntr=50并將其作為最佳值，以到達最佳區域。進一步降低神經元的數量沒有提供有用的結果。

在本文中所采用的訓練方法結合了著名的Lev?enberg-Marquardt算法（LMA）［9］和遺傳算法（GA）［8］。總之，所采用的神經網絡具有反饋結構，其以一個三層結構為特點，該結構具有：（1）3個輸入神經元（具有線性激活函數）；（2）8個隱含層神經元，具有tansig激活函數；（3）一個輸出神經元（具有線性激活函數），用于所測量的輻照度（即Gm）的預測。

神經網絡的訓練集是在MATLAB環境下通過10個（N）在100 W/m2~1 500 W/m2等距離輻照度值下的操作點以及5個（M）在260至360（K）等距離溫度值下的操作點來實現的，因此，訓練集的大小為50個（N×M）操作點［V，I，T］。訓練集上均方誤差的目標是固定等于8×10?3，整個學習過程花了大約1.5 min。圖2顯示了神經網絡訓練和驗證過程中的均方誤差。

經過4078時段后，均方誤差達到目標值。以下評論是按順序的：（1）通過遵循先前描述的程序，沒有過度訓練的風險；（2）由于采用為數不多的隱藏神經元，圖2中的均方誤差部分緩降；（3）由于利用一個非常大的驗證集—擁有廣泛的太陽輻照度和電池溫度—預計新數據的結果在任何情況下都是準確的。

圖2　神經網絡的訓練和驗證過程最佳訓練性能是時段為4 078時的0.007 999 9。

設訓練神經網絡從由在光伏電池終端的電壓（V）和電流（I）以及在光伏電池表面的溫度（T）識別的操作點返回Gm。x =［V，I，T］對應于神經網絡的輸入向量。從由式（2）~式（7）所描述的光伏電池模型中注意到一對一的關系存在于操作點x和G的單值之間，這是重要的。此外，在硬件實現中，只有電壓和溫度需要測量。實際上，通過使用一個已知的測試電阻器Rtest即可避免直接測量電流，因此電流I可通過使用歐姆定律來計算。為了提高精度并使各種數值計算流程更穩健，應對測試電阻器Rtest的值進行選擇，以便使大部分操作點位于光伏電池電流-電壓曲線肘部的周圍，從而從3個變量［V，I，T］的更大范圍的值中受益。

2　輻照度神經網絡計算方法

訓練過程分別為隱含層和輸出層返回突觸權值W1和W2以及偏差向量B1和B2的矩陣。所測量的輻照度Gm是通過以下3步程序來計算的。

（1）根據以下公式對輸入數據進行縮放操作（最小-最大歸一化）：

其中，當j=1，2，3時，xj分別對應于V、I和T；xmaxj和xminj分別表示V、I和T的最大值和最小值；xnj表示歸一化輸入值。

（2）縮放輻照度的計算

其中，激活函數tansig是：

（3）對Gn進行縮放以便獲得實際的太陽輻照度值：

圖3　反饋神經網絡方案的結構

3　傳感器的硬件實現

圖4示出了該方法的整體原理框圖。一個或少量的光伏電池以串聯/并聯的方式排列以便形成一個小的光伏板，將該光伏板連接到一個已知的測試電阻器，即Rtest。該方法包括測量橫穿電池終端的電壓和電池溫度。不同于太陽輻照度的檢測，電壓和溫度的測量是廉價的且容易實現［13］。這兩個量被輸入到一個適當訓練的神經網絡算法中，該算法在一個低成本的微控制器中實現，而該微控制器可精確地計算實際的太陽輻照度。

圖4　太陽輻照度傳感器的原理圖

該傳感器可以方便地放置在發電光伏板的旁邊，甚至與它集成。這使該傳感器具有以下優勢：傳感光伏板將“看到”與發電光伏板“看到”的太陽輻照度和溫度完全相同的太陽輻照度和溫度，從而使性能得以提高。

在實驗室中對圖1中的電路原理圖進行了實驗驗證。在標準測試條件下在最大功率點，傳感光伏陣列通過一個由IXYS公司制造的型號為KXOB22-01X8且額定電壓為3.4 V/額定電流為3.8 mA的預先包裝的8個電池的陣列實現。利用制造商的數據表上的規格，并使用上節描述的程序來構建一個完整的陣列性能的數學模型。

考慮到光伏陣列的特性，選定測試電阻器的電阻為921 W，并通過一個簡單的軸向引線電阻器實現。這允許人們選擇光伏陣列電流-電壓曲線肘部周圍的操作點。光伏陣列終端電壓是通過使用一個嵌在微控制器中的內部模擬/數字（AD）轉換器來測量的［12］。

溫度傳感器是通過使用一個單線傳感器（型號為DS18B20）來實現的。用于數據處理的微控制器是由美國微芯科技公司制造的PIC18F6627。該裝置屬于低成本低功耗PIC18/8位家族，配備了一個4 kbyte 的RAM內存、一個96 kbyte的可再編程閃存、12模擬/數字轉換器、SPI、I2C和RS232/RS485接口。

選擇一種廉價的微控制器對于所提的傳感器的低成本實現是必不可少的。這不可避免地使一個8位微控制器成為選擇的裝置，這以可能的數值誤差為代價。幸運的是，現在有精確的雙精度數學庫，其可用于微控制器的固件的開發。對在上節中描述的神經網絡算法進行改編以便使其在微控制器中運行，并在C語言中對其進行了編碼。該C代碼由一組初始化函數和一個主流程組成。后者控制外圍設備，管理通信協議，取得輸入數據，執行所采用的神經網絡程序并輸出所計算的輻照度。微控制器電路圖如圖5所示。

圖5　微控制器連接電路圖

微控制器可通過一個RS232/RS485接口或以太網電纜連接到個人計算機。微控制器的上述特點可以使其很容易地進行更新、重新校準或納入新的定制功能。整個神經網絡程序僅占程序存儲器5 904 byte和數據存儲器186 byte。將微控制器的精度與通過使用MATLAB計算的結果進行對比，未觀察到顯著差異。

表2示列出的硬件實現所需的主要組件參數。雖然基于本文所提的傳感器的商業產品的成本是市場趨勢、經濟因素和工程開發的一個復雜函數，但是約100元人民幣的組件成本使該傳感器與市場上現有的廉價輻照度傳感器相比至少更有競爭力。大量生產的專用組件可以進一步降低傳感器的價格。

表2　實驗安裝組件和成本

4　實驗驗證

使用上節描述的硬件樣機進行了室外實驗。將所提的傳感器與商用傳感器進行了對比。用于比較的裝置是一個由Coherent公司制造的型號為LM-10 HTD的激光功率傳感器。圖6中的圖片顯示了本文設計的傳感器樣機特寫。

在本文所提的傳感器的實現中使用的光伏電池對應于一個單晶硅電池包，其吸收波長范圍在0.3 μm~1.1 μm內的光。另一方面，LM-10 HTD裝置是一個熱電堆傳感器，對其進行校準以測量在光譜為0.25 μm~10.6 μm內的輻照度。

圖6　基于神經網絡的傳感器

由于波長光譜中的失配，單晶硅電池傳感器和熱電堆傳感器沒有產生相同的讀數［12］。在對由基于單晶硅電池的傳感器測得的輻照度（GPV）與由基于熱電堆的傳感器測得的輻照度（GTp）進行對比的情況下，失配系數（MR=GPV/GTp）為0.946。將這種校正應用到戶外測量中以比較傳感器的讀數。每對比較的數據在2014年10月中旬中午前后輻照度相對恒定的時候（圖7）以及黃昏時輻照度快速變化的時候收集（圖8）。其中圖7每30 s從中午12：20到下午1：50抽取樣本，說明了輻照度相對恒定的一個時期；圖8每30 s從下午2：50到下午4：20抽取樣本，說明了輻照度變化的一個時期。讀數之間的相關性是顯而易見的。

圖7　由本文所提的傳感器和商用裝置LM-10 HTD測得的太陽輻照度值

圖8　傳感器和商用裝置LM-10 HTD測得的太陽輻照度值

此外，圖9和10分別呈現出與圖10和圖11相同的數據，每3 min重新采樣并采用線性擬合繪制而成。溫度讀數也顯示在圖的底部。如圖所示，由于風，LM-10 HTD傳感器（設計用于無風時的室內激光功率測量）中的輻照度讀數受溫度波動的影響，而本文所提的神經網絡傳感器對這些因素是不敏感的。

圖9　通過每3 min對圖7　中的測量數據進行重采樣提取的太陽輻照度和溫度趨勢

圖10　通過每3 min對圖8　中的測量數據進行重采樣提取的太陽輻照度和溫度趨勢

5　結論

本文介紹了一種新型的基于神經網絡的低成本太陽輻照度傳感器，可用于大型光伏電站，以便精確地跟蹤光伏電站內的太陽輻照度；詳細描述了一個完整的數學模型以及傳感器的實際實現，并采用室外測量對該傳感器進行了驗證。本文所提方法的一個重要特點在于結構的簡易性和精確性，該方法通過一個微控制器采用了一種在嵌入式系統中實現的神經網絡。

神經網絡是通過一個帶有一個單隱層的簡單反饋結構來實現的。選擇該結構的原因是由于其合理的計算成本和簡單的結構，這種結構適宜嵌入到一種廉價的8位微控制器中。進一步研究的一個有趣的領域是對不同類型的神經網絡進行比較，作為對本文的深入研究。該傳感器的一個主要優勢在于其可以方便地放置在發電光伏板的旁邊，甚至與它集成。實驗驗證結果顯示，傳感光伏板將“看到”與發電光伏板“看到”的太陽輻照度和溫度完全相同的太陽輻照度和溫度，實現精確的輻照度跟蹤，從而使最大功率點跟蹤的性能得以提高。

參考文獻：

［1］Kadri R，Gaubert J P，Champenois G. An Improved Maximumpow?er Point Tracking for Photovoltaic Grid-Connected Inverter Based on Voltage-Oriented Control［J］. IEEE Trans Ind Electron，2011，58（1）：66-75.

［2］Chatterjee A，Keyhani A. Neural Network Estimation of Microgrid?maximum Solar Power［J］. IEEE Trans Smart Grid，2012，3（4）：1860-1866.

［3］楊振嶺，方偉，葉新，等.太陽輻照度絕對輻射計真空中腔溫響應測量［J］.電子測量與儀器學報，2013，27（8）：709-714.

［4］王品晶，方偉，葉新，等.太陽輻照度監測儀主動熱控測試系統設計［J］.傳感器與微系統，2013，32（12）：117-119，123.

［5］楊東軍，方偉，王玉鵬，等.太陽輻射計全自動跟蹤轉臺的設計［J］.計算機測量與控制，2011，19（8）：2001-2003，2006.

［6］Cristaldi L，Faifer M，Rossi M，et al. A Simple Photovoltaicpanel Model：Characterization Procedure and Evaluation of the Role of Environmental Measurements［J］. IEEE Trans Instrum Meas，2012，61（10）：2632-2641.

［7］Ugalde H M R，Carmona J，Alvarado V M，et al. Reyes-Reyes. Neural Network Design and Model Reduction Approach for Black Boxnonlinear System Identification with Reduced Number of Pa?rameters［J］. Neuro Computing，2013，101（4）：170-180.

［8］Riganti-Fulginei F，Laudani A，Salvini A，et al. Automaticand Par?allel Optimized Learning for Neural Networks Performing MIMO Applications［J］. Adv Electr Comput Eng，2013，13（1）：3-12.

［9］司楊，張海峰.基于神經網絡的太陽輻照度預測方法研究［J］.青海大學學報（自然科學版），2013，31（1）：14-18.

［10］劉恩超，李新，張艷娜，等.高精度太陽輻照度儀的光譜掃描測量［J］.光譜學與光譜分析，2014，（3）：609-613.

［11］李留勝，任德志.槽式太陽能集熱裝置日跟蹤器的設計［J］.自動化儀表，2013，34（9）：56-59.

［12］章力軍，丁德勝.高斯束展開法的注記：指向性和輻射阻抗的簡化計算［J］.電子器件，2013，36（6）：789-792.

［13］張利，劉清惓，楊榮康，等.基于計算流體動力學的探空溫度傳感器太陽輻射誤差修正方法［J］.傳感技術學報，2013，26（1）：78-83.

［14］黎步銀，張云龍.基于C8051F單片機的太陽電池測試系統［J］.儀表技術與傳感器，2014（10）：53-56.

韋忠善（1972-），男，廣西橫縣人，碩士，副教授，電子技術教研室主任，主要從事電子技術、計算機仿真技術教學與研究，weizs530226@126.com；

王力虎（1962-），男，湖北武漢人，博士，教授，研究方向為復雜網絡和計算機仿真技術。

Design of Remote Monitoring System for the Status of Concrete Pump Truck by Multi-Network Integration*

SHU Zefang1*，PENG Xiaoshan2，CHEN Min3

（1.School of Mechanical Engineering，Guiyang University，Guiyang 550005，China；2.School of Electronic and Communication Engineering，GuiYang University，Guiyang 550005，China；3.College of Mechanical and Electrical Engineering，Central South University，Changsha 410075，China）

Abstract：The remote monitoring system for concrete pump truck by multi-network integration was designed for monitoring its status effectively to ensure the safe production and reduce the cost of maintenance. The sensor plug and wireless data acquisition transmission of the arm frame structure was realized using ZigBee technology，while that of other structures such as hydraulic system and the chassis was realized using CAN/LIN（Controller Area Net?work/ Local Interconnect Network）. Then the collected data was aggregated in the state center of the truck and re?motely transmitted to the server of the monitoring center by the time-sharing model by GPRS（General Packet Radio Service），in which the status monitoring and repair for metro area was achieved. The test result that the packet loss rate of the system is less than 3% within 30 km in good GPRS condition shows that the system is able to realized the real-time data acquisition and transmission so as to ensure the safe operation.

Key words：concrete pump truck；remote monitoring for the status；multi-network integration；ZigBee；CAN/LIN；GPRS

doi：EEACC：7210F10.3969/j.issn.1005-9490.2016.01.040

收稿日期：2015-04-14修改日期：2015-05-13

中圖分類號：TP212.1；TP393.028

文獻標識碼：A

文章編號：1005-9490（2016）01-0186-07