基于BP神经网络的光伏列阵MPPT控制研究

发布时间：2017-05-14 00:11

  本文关键词：基于BP神经网络的光伏列阵MPPT控制研究，，由笔耕文化传播整理发布。

【摘要】：目前,由于社会经济的快速发展,所带来的能源紧缺和环境污染问题越来越严重。太阳能作为一种可再生的清洁能源已成为了最具发展潜力的新能源,而光伏发电技术作为利用太阳能最有效的方法之一受到了社会的广泛关注。由于光伏列阵附近可能会出现塔杆等固定遮挡物以及移动云等移动遮挡,以及光照强度和环境温度可能随时出现变化,使得光伏列阵的输出特性曲线会出现多峰值的情况,导致传统的最大功率跟踪方法不能准确的对光伏电池进行跟踪控制,大大降低了光电转换率,造成能源浪费的同时光伏电池的寿命也受到了影响。因此,在复杂光照条件下对光伏电池进行最大功率跟踪控制对提高光伏发电效率具有重要意义。本文通过对光伏电池的工作原理进行分析,在MATLAB中搭建了光伏电池模型,对不同遮挡情况下的光伏列阵的输出特性曲线进行了分析。根据单极式光伏发电系统原理,搭建了单极式光伏并网发电的光伏模型。本文通过对几种传统最大功率跟踪方法的研究及仿真,分析传统方法在复杂光照条件下容易陷入局部最大功率点以及最大功率点方向误判等情况。并对新型智能算法进行了介绍,基本的BP神经网络算法只能够在光伏列阵出现固定遮挡物时进行准确放大最大功率跟踪控制,而当出现移动遮挡物时,其跟踪准确度明显下降。在此基础上提出了改进的BP神经网络算法。在MATLAB上搭建了神经网络模型,将其应用在单级式光伏并网发电系统当中。模拟当有移动云经过光伏列阵时,测试改进的BP神经网络算法对光伏列阵进行最大功率跟踪控制情况。为了进一步验证改进的BP神经网络法的有效性,通过RT_LAB进行了硬件在环半实物仿真。在RT_LAB中构建单极式光伏模型,并完成了改进的BP神经网络算法及生产PWM波的DSP程序。改进的BP神经网络算法能够在光伏列阵出现移动或者固定遮挡物时对光伏列阵进行准确的最大功率跟踪控制。与典型的神经网络算法相比,MPPT的反应速度加快了,跟踪准确度也得到了提高,并且可以在光伏列阵出现移动遮挡物时进行准确跟踪。
【关键词】：光伏发电 最大功率跟踪 阴影遮挡 BP神经网络 单极式光伏发电系统 光伏列阵模型
【学位授予单位】：东北电力大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TM615
【目录】：

• 摘要6-7
• Abstract7-11
• 第1章 绪论11-15
• 1.1 课题背景及研究的目的和意义11-12
• 1.2 最大功率跟踪的发展历程12-13
• 1.3 国内外MPPT的研究情况13
• 1.3.1 我国MPPT控制发展情况13
• 1.3.2 国外光伏系统MPPT控制发展情况13
• 1.4 本课题的研究意义和内容13-15
• 第2章 光伏发电系统的组成和原理15-26
• 2.1 光伏电池工作原理15-17
• 2.1.1 光伏电池的分类15
• 2.1.2 光伏电池工作原理15-17
• 2.2 光伏电池的特性分析17-21
• 2.2.1 光伏电池的数学模型17-18
• 2.2.2 光伏电池的输出特性18-21
• 2.3 单极式光伏发电系统21-23
• 2.3.1 单极式光伏系统分类21-22
• 2.3.2 单极式光伏发电的拓扑结构22-23
• 2.4 双极式光伏发电系统23-25
• 2.4.1 Boost电路工作原理23-24
• 2.4.2 Buck电路工作原理24-25
• 2.5 本章小结25-26
• 第3章 MPPT的控制策略及方法26-36
• 3.1 传统MPPT控制算法26-30
• 3.1.1 扰动观察法26-27
• 3.1.2 恒定电压法27-28
• 3.1.3 增量导纳法28-30
• 3.2 智能MPPT控制算法30-35
• 3.2.1 粒子群控制算法30-32
• 3.2.2 模糊控制法32-34
• 3.2.3 神经网络控制算法34-35
• 3.3 本章小结35-36
• 第4章 基于改进的BP神经网络控制算法的系统仿真36-52
• 4.1 BP神经网络控制算法36-39
• 4.1.1 人工神经网络基本原理36-38
• 4.1.2 神经网络的学习38-39
• 4.2 BP神经网络39-41
• 4.2.1 BP神经网络结构39
• 4.2.2 BP网络的学习过程39-41
• 4.2.3 基于BP网络的多层前馈网络的主要功能41
• 4.3 基于改进的BP神经网络在MPPT中的应用41-46
• 4.3.1 改进的BP神经网络控制算法41-45
• 4.3.2 改进的BP神经网络与粒子群算法的结合45-46
• 4.4 基于改进的BP神经网络在MATLAB中的仿真实现46-50
• 4.4.1 单极式光伏系统的搭建46-49
• 4.4.2 仿真过程与结果分析49-50
• 4.5 本章小结50-52
• 第5章 改进的BP神经网络在RT-LAB仿真系统中的实现52-57
• 5.1 RT-LAB半实物仿真系统52
• 5.2 在RT-LAB模型下的BP神经网络仿真及结果分析52-56
• 5.3 本章小结56-57
• 结论57-58
• 参考文献58-61
• 攻读硕士学位期间发表的论文及其它成果61-62
• 致谢62

【参考文献】

中国期刊全文数据库 前10条

1 戚军;翁国庆;章旌红;;光伏阵列多峰最大功率点分布特点研究[J];电力自动化设备;2014年03期

2 党克;杨维湘;于吉庆;;改进型单神经元在光伏发电系统中的仿真研究[J];东北电力大学学报;2013年Z1期

3 李潇潇;赵争鸣;鞠振河;;基于分离式MPPT技术的BAPV并网电站优化设计与实验研究[J];电气技术;2013年02期

4 梁惺彦;张蔚;;基于BP神经网络光伏发电系统MPPT的研究[J];制造业自动化;2012年24期

5 崔岩;白静晶;;光伏阵列多峰最大功率点跟踪研究[J];电机与控制学报;2012年06期

6 胥芳;张任;吴乐彬;徐红伟;;自适应BP神经网络在光伏MPPT中的应用[J];太阳能学报;2012年03期

7 朱艳伟;石新春;但扬清;李鹏;刘文颖;魏德冰;付超;;粒子群优化算法在光伏阵列多峰最大功率点跟踪中的应用[J];中国电机工程学报;2012年04期

8 原敬磊;张建成;;一种改进的变步长电导增量光伏电源MPPT控制方法[J];电网与清洁能源;2012年01期

9 冯宝成;苏建徽;;部分遮挡条件下光伏组件的建模与仿真研究[J];电气传动;2011年07期

10 苏海滨;卞晶晶;刘强;卜自珍;;基于神经网络的光伏发电最大功率点跟踪算法[J];华北水利水电学院学报;2010年06期

中国硕士学位论文全文数据库 前10条

1 李腾飞;复杂光照条件下光伏发电系统输出特性及最大功率点跟踪研究[D];太原理工大学;2014年

2 韩海霞;局部阴影下的光伏阵列MPPT算法研究[D];浙江大学;2014年

3 韩新峰;基于神经网络与模糊控制的光伏MPPT复合控制的研究[D];南昌航空大学;2013年

4 易芳;局部阴影条件下光伏系统MPPT控制研究[D];燕山大学;2013年

5 万海江;小型光伏系统MPPT开发平台的研究与实现[D];扬州大学;2013年

6 潘东昱;基于MPPT的独立光伏逆变系统设计[D];上海师范大学;2013年

7 周笛青;光伏组件局部阴影下热斑诊断及优化控制[D];上海大学;2013年

8 常雪莲;基于神经网络的光伏发电MPPT的研究[D];天津理工大学;2013年

9 白静晶;基于遗传神经网络的光伏阵列多峰最大功率点追踪[D];汕头大学;2011年

10 顾雪霏;单级式光伏并网发电系统与MPPT的研究与实现[D];东华大学;2011年

  本文关键词：基于BP神经网络的光伏列阵MPPT控制研究，由笔耕文化传播整理发布。

本文编号：363926