基于蟻群算法優化的RBF-BP神經網絡在光伏陣列MPPT的應用＊

無錫科技職業學院 周謝益

針對光伏電池輸出非線性的特點，為高效地追蹤光伏電池的發電輸出功率，本文提出了一種基于蟻群算法優化的RBF-BP 組合神經網絡，用于對光伏陣列最大功率點追蹤（MPPT）。本文依據光伏電池的輸出特性，首先提出構建RBF-BP 雙隱層組合神經網絡，在此基礎上運用蟻群算法對組合神經網絡進行優化。將影響光伏電池輸出特性的主要因素光照強度和外界環境溫度作為神經網絡輸入端建立預測模型，通過Matlab 對該模型進行仿真。仿真結果表明，優化后組合神經網絡相較于傳遞神經網絡具備追蹤精度高、速率快、迭代次數少等優點。

隨著新能源技術的不斷發展，太陽能作為一種環保可再生能源目前已經廣泛應用于多個新能源領域。光伏發電技術作為能將太陽能直接轉化成電能的可再生能源技術[1]，已經得到了越來越廣泛的關注。由于光伏電池的發電輸出具有明顯的非線性，其發電效率特別是光伏發電最大功率受光照強度和外界環境溫度影響較大。為提高光伏發電效率，對光伏發電最大功率點追蹤就顯得尤為必要。近年來，國內外學者提出了多種最大功率點的追蹤算法，主要有擾動觀察法[2]、電導增量法[3]和神經網絡法[4，5]等。擾動觀察法的優勢是在光照變化速率較快時具有較好的效果，缺點是對傳感器精度要求高，算法計算效率較低。電量增量法的劣勢在于步長固定，步長設置過小時光伏陣列的預測結果易滯留在低功率輸出區，步長設置過大時，光伏陣列的預測結果大幅振蕩。人工神經網絡具有較強的非線性函數逼近能力，并且在建立模型時不依賴光伏電池的物理特性。主流人工神經網絡主要有BP[4]和RBF[5]神經網絡兩種。BP 神經網絡的優勢是自學能力較強，但訓練網絡過程中容易受偏差樣本誤導；RBF 神經網絡的優點是收斂速度快，但是其泛化能力差。本文提出建立一個同時具備兩者優點的RBF-BP 雙隱層組合神經網絡，通過蟻群算法[6]進一步優化該神經網絡。由Matlab 進行仿真與分析，經檢驗蟻群算法優化后組合神經網絡，具備訓練時長短，預測精度高的特性。

1 光伏電池的輸出特性

光伏電池是利用太陽能的光生伏特效應[7]，將光能轉換成電能的一種裝置，其輸出特性受光照強度和外界環境溫度等因素的綜合影響，具有明顯的非線性特點。當外界環境溫度恒定時，光照強度越大，光伏發電板輸出功率越大，最大功率的值也越大，其對應的最大功率點處的電壓也越大；當光照強度恒定時，外界環境溫度越高，光伏發電板輸出功率越小，最大功率點的值也越小，其對應的最大功率點處的電壓也越小。

由于光伏電池的輸出功率是一個動態變化的非線性過程，為提高光伏電池發電效率，提高光伏電池最大功率點追蹤的精度和速度尤為重要。

2 基于蟻群算法優化的RBF-BP 神經網絡的MPPT策略研究

2.1 RBF-BP 神經網絡

常見的人工神經網絡主要有BP 和RBF 神經網絡兩種。本文提出構建一種結合BP 神經網絡和RBF 神經網絡的組合神經網絡，具備學習能力強、自適應度高收斂快等優點。該組合神經網絡由輸入層、雙隱含層和輸出層組成，其中雙隱含層由RBF 子網與BP 子網構成。樣本數據經由輸入層首先映射到第一層RBF 隱含層，其訓練結果作為第二層BP 隱含層的輸入層，最終預測結果由輸出層得出。

2.2 蟻群算法優化RBF-BP 神經網絡

RBF-BP 組合神經網絡搭建初始權值和閾值為[0，1]之間的隨機數，輸入樣本訓練后為滿足精確度要求，RBFBP 神經網絡依據學習結果的實際情況反向修改權值和閾值。由于初始權值和閾值隨機性較大，一定程度上影響神經網絡的訓練效率。為了解決初始權值和閾值不確定性對RBF-BP 組合神經網絡訓練效率影響，本文提出運用蟻群算法對RBF-BP 組合神經網絡進行進一步優化。

蟻群算法優化RBF-BP 組合神經網絡具體步驟如下：

（1）根據光伏發電輸出特性，本文選取光伏電池板所在環境溫度和對應光照強度及在此條件下的光伏電池板發電輸出功率作為RBF-BP 組合神經網絡訓練的輸入項和輸出項。另選取同等條件下各個時段的部分樣本數據作為RBF-BP 神經網絡訓練完成后的測試樣本。

（2）建立RBF-BP 神經網絡用于訓練歸一化后的樣本數據。

（3）網絡初始化后確定蟻群算法最大最小信息素、各集合中隨機數個數、隱層數、每個隱層最大節點數、螞蟻數目及最大循環次數等。

假定選擇值集合為C={0，1}，其中0 表示螞蟻沒有選擇此節點，1 表示螞蟻選擇了該節點，它們的初始信息素都為τ0，在MMAS 算法中τ0 取τmax。節點nij的閾值對應有一個集合，即Ib；權值共有p個集合，p的取值等于第i-1 層的節點個數Si-1(當i=1 時，p的取值等于輸入層節點數SI)，且每個權值集合都與i-1 層的節點一一對應。

（4）所有螞蟻從第一個節點開始，采用并行方式，即當所有螞蟻完成對某一節點的處理后，才繼續下一節點，直到完成對所有節點的處理。

元素選擇規則：對任意一個節點，考慮其閾值集合Ib，螞蟻k選取第j個元素的概率如式（1）所示：

τi(Ib)表示集合Ib 中第i 個元素的信息素。節點及權值元素的選擇均與上述規則一致。

（5）在本次迭代中，按m 只螞蟻構建的解依次建立對應的神經網絡，輸入訓練數據并計算網絡的MSE。記錄螞蟻所找到的最優解MSEbest'，用RBF-BP 算法訓練該神經網絡一次，記錄訓練之后的MSEtrain、權值和閾值。

（6）重復步驟（4）、步驟（5），直到最大循環次數，退出循環。

（7）利用蟻群算法優化后RBF-BP 神經網絡權值閾值后，訓練網絡。

3 仿真預測結果及分析

本文實驗選取Matlab R2010 作為仿真平臺，實現上述提出的基于蟻群算法優化后的RBF-BP 組合神經網絡并取于樣本數據進行測試。實驗數據來自文獻[8]中提供的一天之中光伏發電板從早6 點至晚6 點g 共12 個小時間隔5 分鐘的光伏發電板環境溫度和光照強度144組數據，測試數據為次日早6 點至晚6 點隨機時間間隔光伏發電板環境溫度和光照強度24 組。通過Matlab 對蟻群算法優化的RBF-BP 組合神經網絡進行編程設置，RBF-BP 組合神經網絡訓練函數采用Trainlm，RBF 隱含和BP 隱含層分別采用Radbas 函數和Tansig 函數作為傳遞函數，輸出層的傳遞函數采用Purelin 函數。網絡的最大訓練次數設置為1000 次，訓練的期望誤差設置為0.00001，學習速率設置為0.001。作為對比參照，在相同訓練數據下，通過Matlab 直接訓練RBF-BP 組合神經網絡訓練。訓練迭代次數對比如圖1所示。

圖1(a)和圖1(b)分別為RBF-BP 組合神經網絡訓練迭代曲線圖和蟻群算法優化后RBF-BP 組合神經網絡訓練誤差曲線圖。在訓練數據和樣本數據有限的情況以及同等誤差精度要求下，RBF-BP 組合神經網絡需要訓練迭代43 步，蟻群算法優化后的RBF-BP 組合神經網絡只需要訓練39 步，訓練效率提升顯著。

精度方面，由圖1(a)和圖1(b)Matlab 中的MSE 函數得出蟻群算法優化后RBF-BP 組合神經網絡均方誤差為9.23791×10-5，相較于RBF-BP 組合神經網絡均方誤差分別為1.3573×10-4，實現了在訓練時間更短（迭代次數少）的情況下，神經網絡預測精度更好。

圖1 神經網絡訓練迭代次數對比圖Fig.1 Neural network training iterations comparison graph

為驗證蟻群算法優化后的RBF-BP 組合神經網絡的精確度，如圖2所示給出24 組測試隨機采樣點實際預測輸出功率與實測功率的分布圖。由圖2分布圖可以看出誤差值在0.03 ～-0.02 之間，說明利用蟻群算法優化的RBF-BP 組合神經網絡對光伏電池最大功率點地追蹤具有較高的準確性。

圖2 訓練后神經網絡預測功率與實際功率分布圖Fig.2 Prediction power versus actual power distribution

4 結語

本文提出一種基于蟻群算法優化的RBF-BP 組合神經網絡，通過蟻群算法優化RBF-BP 組合神經網絡權值和閾值，是RBF-BP 組合神經網絡具備更快的收斂速度，在更少迭代次數的情況下實現更高的精準度。仿真實驗結果表明蟻群算法優化后組合神經網絡無論是從迭代次數和預測精確度上均優于單獨RBF-BP 組合神經網絡。驗證了蟻群算法優化RBF-BP 組合神經網絡的可行性，有效提高了光伏陣列最大功率點追蹤的問題。