BP神经网络在光伏发电MPPT中的应用

BP神经网络在光伏发电 MPPT中的应用

程光德

重庆工商大学派斯学院 重庆 401520

摘要：本文主要介绍BP神经网络的结构、分类和性能参数，对BP神经网络光伏发电在MPPT中的应用进行分析，通过建立网络模型的方式，实现模型训练，对仿真结果进行分析。结合BP神经网络模型的分析，改善神经网络。

关键词：光伏发电；BP神经网络；模型

光伏发电系统是将太阳能转化成电能的一种方式，光伏电池在使用的环节中，其电流和电压的传输呈现出非线性特征。光伏电池本身的电能转化率比较低，成本高。因此，通过BP神经网络的应用，可以实现MPPT控制，有效的改善光伏电池的性能。

一、BP神经网络概述

（一）BP神经网络的元模型

人脑最基本的单元就是神经单元，通过相关的研究表明，人脑由数以万计的神经元构成，神经元之间通过突触连接起来。生物神经网络为BP神经网络的研究奠定了坚实的基础，在对生物神经元的结构进行分析的基础上，掌握信息传递的方式，将其抽象化，从而可以展示BP神经元模型。BP神经元在输入和输出信号中要采用非线性，神经元通过塑造函数的方式确定神经元的输入向量，其他的神经元是输入向量突触之间的连接，叫做连接权，权值可以表示神经元的激活状态。

2. BP神经元的结构

BP神经网络与生物神经网络比较而言，前者与后者十分相似，是对后者的模拟。通过对生物神经网络结构的主体模拟。对生理结构和相关机制进行分析，涉及多学科的知识。再对生物神经网络的功能进行模拟，掌握生物神经网络的学习和识别。功能，通过集中模拟的方式站在功能角度上对BP神经。网络进行研究，提升BP神经网络信息传递的效率。

2. BP神经网络的学习

BP神经网络需要经过学习的过程才能具备智能性特征。因此，BP神经网络可以在有教师学习的环境下学习，可以起到监督的效果，这种学习方式是在教师信号的引导下执行。BP神经网络在学习中要通过网络输入信息的方式，将相应的信息输出，然后结合网络实际输出的信号进行对比，结合误差有效地调整权值。在无教师学习的环节中，BP神经网络需要不断地输入大量的信息。网络要独立的挖掘各类信息，找出信息之间的关联。当BP神经网络对一件事情的脉络不够了解，不能找出其中的关联时，采用无教师学习方式更能改善学习效果。BP神经网络可以通过强化学习的方式，结合网络信息输出的情况，对BP神经网络学习的效果进行评价。

2. BP神经网络在MPPT中的应用

1. BP神经网络的原理

BP神经网络开始可以结合有教师学习的方式，通过建立算法的方式，激活函数采用可导的s型函数。BP神经网络由左到右分别有输入层、隐含层和输出层构成，隐含层位于中间层面。连续的两个层面被神经元连接起来，同层的神经元保持独立状态。BP算法结合梯度下降法，在权值的赋予环节中，使网络误差降低。学习过程可以分成两个步骤，其一是信息的正向传递，其二是误差的反向传递。隐含层的神经元输出可以用以下公式表示。

2. BP神经网络模型的建立

1. 输入层和输出层节点数

BP神经网络在MPPT中应用，应该确定好输入层和输出层的点数。光伏发电的最大功率受到很多外界因素的影响，其中温度和光照强度是关键的影响因素。当光照强度和温度与时间建立联系后，可以形成三个主要的因素。因此，BP神经网络输入层神经元的数目也应该设置为三个。输出层神经元的数目应该结合实际的情况，一般先设置为一个。当最大功率点处于电压值时，这时可以设置一个输出层的神经元。

2. 网络层数及隐含层节点数

在进行隐含层神经网络设置环节中，应该采用连续函数通过映射的方式确定隐含层节点数。隐含层节点数应该通过多种隐含层结构进行设置，当网络层数不断增加时，会导致BP神经网络的训练时间增加，不利于网络的整体效果改善。因此网络应该分成三层，分别为输入层，隐含层和输出层。在隐含层节点数目的选择中应该结合训练样本选择合适的数量，如果节点数目过少对网络信息的获取产生影响，不能有效地总结各类数据之间的规律。如果节点数目过多，就会导致样本中形成很多非关键因素导致过饱和问题的产生，对网络的泛化性能产生影响。

3. 激励函数的选取

在激励函数选择环节中，如果输入的数值非常大，输出值就会非常小，反之亦然。因此在BP神经网络设置环节中，在信号良好的情况下应该进行增益控制。对神经元饱和特征进行分析，激励函数的数值通常介于零到一之间。

4. 模型训练和仿真结果分析

在对原始数据处理的基础上，通过网络训练和预测，从而有效地降低数据之间的误差，改善网络训练的效率。通过训练函数和学习方法的设计，有效地改善BP神经网络的性能，通过BP算法的应用，计算出总的误差后，然后通过加权系数的算法，对误差进行修正。这样的方法可以叫做批处理，在样本比较多的情况下使用，可以提升BP神经网络训练的效率。通过学习率可变的BP算法应用，有效地改善BP神经网络训练的性能。如果取值过大对网络的稳定性产生不良的影响，如果取值过小会导致训练效率不高，因此学习率可变BP算法可以结合稳定性和训练时间从而选择最佳的数值。在弹性BP算法应用时，可以借助可导的s型传递。函数当梯度很小的时候网络收敛情况不佳，弹性BP算法可以有效地解决上述问题有效的，消除梯度幅度产生的影响。在此类算法的应用中，在加权系数确定的基础上，可以有效地防止梯度对BP神经网络的训练效果产生影响。

3. BP神经网络的改进

1. 改进型BP神经网络在MPPT中应用

在对光伏发电最大功率点进行分析的基础上，完善网路输入和输出神经元节点数的确定，将光照强度，温度和时间作为输入向量，将最大功率节点作为输出向量。通过对BP神经网络隐含层神经元的数目进行分析，建立径向基函数。

2. 模型训练和仿真结果分析

在对BP神经网络进行改进后，可以形成独立的BP神经网络参数。BP神经网络直接输入给第二集网络，通过输入神经元的方式，要对网络进行二次训练。通过验证可以得知，当拓展速度的取值为0.38的时候，网络的泛化性能最好。改进后的BP神经网络与独立BP神经网络相比，通过性能预测其性能更加完善，平均误差降低了0.014。

结语：

本文主要分析BP神经网络在MPPT中的应用，在对温度、光照强度和时间因素分析的基础上，可以快速跟踪光伏电池的最大功率点，提升MPPT的稳定性和精确性。

参考文献：

[1]张梁,孙皓月,孙晓璐,等. 自适应BP神经网络在光伏MPPT中的应用[J]. 电源技术,2014,38(6):1090-1091,1113.

[2]胡桂廷,仲程超,张伟君,等. 基于模型辨识的BP神经网络在光伏系统MPPT中的应用[J]. 计算机测量与控制,2017,25(10):213-216,266.

[3]李帅,毕大强,任先文. 基于BP神经网络的复杂光照条件下光伏列阵MPPT控制研究[J]. 电气开关,2016,54(6):66-71,106.