基于混合优化神经网络的光伏发电MPPT方法研究

发布时间：2017-08-10 19:30

  本文关键词：基于混合优化神经网络的光伏发电MPPT方法研究

  更多相关文章： 光伏电池阵列 最大功率点跟踪 BP神经网络 粒子群算法 人工鱼群算法

【摘要】：随着我国的经济发展,能源消耗带来的污染危机日益严重,为了缓解这种趋势,新能源的应用成为了世界各国研究和开发的重中之重。太阳能作为拥有最清洁、最安全、可再生和取之不尽等优势的新能源而饱受青睐。目前,光伏发电的转换形式为太阳能转化成为电能,但是目前光伏发电的效率低、成本高等因素都限制了光伏系统在生活、生产中的推广应用。提高最大功率点跟踪的效率是提高光伏发电的效率的最有效的途径之一。本文将智能控制算法引入到最大功率点跟踪中,利用混合算法优化后的BP神经网络的突出寻优特点和拟合预测能力,再与恒定电压控制法结合,实现了光伏发电系统的最大功率点的有效跟踪。本文完成的主要工作如下:首先,明确了目前国内外光伏发电的发展现状及神经网络在MPPT中的发展趋势,分析了光伏电池的发电原理,通过仿真得到光伏电池的输出特性曲线,结果表明电池输出功率受到光照强度和外界温度两大主要因素影响。其次,研究了太阳能光伏阵列的最大功率点跟踪方法,分析了扰动观察法、增量电导法、并联功率补偿法、Fibonacci数列搜索法等现有MPPT方法,对其优点缺点进行比较。研究了基于BP神经网络的光伏发电MPPT方法,进行了BP神经网络结构设计、模型搭建,仿真结果表明传统方法在最大功率点跟踪中误差较大。此外,研究了MPPT的改进方法,针对传统BP神经网络的光伏发电MPPT方法预测误差较大问题,在粒子群算法(PSO)和人工鱼群算法(AFSA)基础上,提出了一种基于人工鱼群行为改进PSO混合优化的BP算法,利用其全局优良的寻优能力,解决了粒子群算法在搜索过程中容易出现“聚集”现象而使得算法无法逃离局部值等问题。最后,研究了混合算法优化BP神经网络在MPPT中的应用方法,提出了一种基于混合算法优化BP神经网络的MPPT方法。在Matlab/Simulink环境中进行仿真,仿真结果表明该方法在最大功率跟踪中与传统的方法相比,新算法能有效地避免陷入局部极值,并且具有良好的稳定性和跟踪精度。
【关键词】：光伏电池阵列 最大功率点跟踪 BP神经网络 粒子群算法 人工鱼群算法
【学位授予单位】：沈阳建筑大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP183;TM615
【目录】：

• 摘要4-5
• Abstract5-11
• 第一章 绪论11-19
• 1.1 选题背景与意义11-13
• 1.2 国内外研究现状13-16
• 1.2.1 光伏发电研究现状13-14
• 1.2.2 光伏阵列的MPPT研究现状14-15
• 1.2.3 蓄电池研究现状15-16
• 1.3 本文主要研究内容16-17
• 1.4 本章小结17-19
• 第二章 光伏发电系统和太阳能光伏电池19-27
• 2.1 太阳能光伏发电系统19-21
• 2.1.1 光伏发电系统特点及组成19-20
• 2.1.2 光伏发电系统分类及应用20-21
• 2.2 太阳能光伏电池21-25
• 2.2.1 光伏电池分类21
• 2.2.2 光伏发电的原理21-22
• 2.2.3 光伏电池的等效模型22-25
• 2.3 光伏阵列的输出特性分析25-26
• 2.4 本章小结26-27
• 第三章 太阳能光伏阵列的最大功率点跟踪方法研究27-33
• 3.1 最大功率点跟踪原理27
• 3.2 最大功率点跟踪方法27-32
• 3.2.1 恒电压控制法27-28
• 3.2.2 扰动观察法28-29
• 3.2.3 电导增量法29-30
• 3.2.4 直线近似法30-31
• 3.2.5 Fibonacci数列搜索法31
• 3.2.6 基于状态空间的MPPT算法31
• 3.2.7 并联功率补偿法31-32
• 3.3 本章小结32-33
• 第四章 神经网络在光伏发电最大功率点跟踪中的应用33-45
• 4.1 人工神经网络概述33-35
• 4.1.1 神经网络的结构模型33-34
• 4.1.2 神经网络的分类34
• 4.1.3 神经网络的性能参数34-35
• 4.2 BP神经网络在光伏发电MPPT中的应用35-44
• 4.2.1 BP神经网络的结构及原理35-37
• 4.2.2 BP神经网络MPPT算法流程37-39
• 4.2.3 BP神经网络模型建立39-40
• 4.2.4 模型训练与仿真结果分析40-44
• 4.3 本章小结44-45
• 第五章 基于混合优化的BP神经网络MPPT算法45-61
• 5.1 粒子群优化BP算法45-50
• 5.1.1 粒子群算法(PSO)45-46
• 5.1.2 PSO优化BP神经网络算法流程46-47
• 5.1.3 PSO优化BP神经网络MPPT算法47-48
• 5.1.4 模型训练与仿真结果分析48-50
• 5.2 基于人工鱼群与自适应的粒子群算法优化BP神经网络50-59
• 5.2.1 人工鱼群算法(AFSA)50-51
• 5.2.2 基于AFSA对PSO参数的改进51-52
• 5.2.3 基于AFPSO优化BP神经网络算法流程52-53
• 5.2.4 基于AFPSO优化BP神经网络MPPT算法53-56
• 5.2.5 模型训练与仿真结果分析56-59
• 5.3 本章小结59-61
• 第六章 结论61-63
• 6.1 总结61
• 6.2 展望61-63
• 参考文献63-67
• 作者简介67
• 作者在攻读硕士学位期间发表的学术论文67-69
• 致谢69-70

【相似文献】

中国期刊全文数据库 前10条

1 王凡,孟立凡;关于使用神经网络推定操作者疲劳的研究[J];人类工效学;2004年03期

2 常国任;李仁松;沈医文;刘钢;;基于神经网络的直升机舰面系统效能评估[J];舰船电子工程;2007年03期

3 陈俊;;神经网络的应用与展望[J];佛山科学技术学院学报(自然科学版);2009年05期

4 许万增;;神经网络的研究及其应用[J];国际技术经济研究学报;1990年01期

5 张军华;神经网络技术及其在军用系统中的应用[J];现代防御技术;1992年04期

6 雷明,李作清,陈志祥,吴雅,杨叔子;神经网络在预报控制中的应用[J];机床;1993年11期

7 靳蕃;神经网络及其在铁道科技中应用的探讨[J];铁道学报;1993年02期

8 宋玉华，王启霞;神经网络诊断──神经网络在自动化领域里的应用[J];中国仪器仪表;1994年03期

9 魏铭炎;国内外神经网络技术的研究与应用概况[J];电机电器技术;1995年04期

10 王中贤，，钱颂迪;神经网络法在经济管理中的应用[J];航天工业管理;1995年04期

中国重要会议论文全文数据库 前10条

1 徐春玉;;基于泛集的神经网络的混沌性[A];1996中国控制与决策学术年会论文集[C];1996年

2 周树德;王岩;孙增圻;孙富春;;量子神经网络[A];2003年中国智能自动化会议论文集（上册）[C];2003年

3 罗山;张琳;范文新;;基于神经网络和简单规划的识别融合算法[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

4 郭爱克;马尽文;丁康;;序言(二)[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

5 钟义信;;知识论:神经网络的新机遇——纪念中国神经网络10周年[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

6 许进;保铮;;神经网络与图论[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

7 金龙;朱诗武;赵成志;陈宁;;数值预报产品的神经网络释用预报应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 田金亭;;神经网络在中学生创造力评估中的应用[A];第十二届全国心理学学术大会论文摘要集[C];2009年

9 唐墨;王科俊;;自发展神经网络的混沌特性研究[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

10 张广远;万强;曹海源;田方涛;;基于遗传算法优化神经网络的故障诊断方法研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

中国重要报纸全文数据库 前10条

1 美国明尼苏达大学社会学博士 密西西比州立大学国家战略规划与分析研究中心资深助理研究员 陈心想;维护好创新的“神经网络硬件”[N];中国教师报;2014年

2 卢业忠;脑控电脑 惊世骇俗[N];计算机世界;2001年

3 葛一鸣 路边文;人工神经网络将大显身手[N];中国纺织报;2003年

4 中国科技大学计算机系　邢方亮;神经网络挑战人类大脑[N];计算机世界;2003年

5 记者 孙刚;“神经网络”：打开复杂工艺“黑箱”[N];解放日报;2007年

6 本报记者 刘霞;美用DNA制造出首个人造神经网络[N];科技日报;2011年

7 健康时报特约记者　 张献怀;干细胞移植：修复受损的神经网络[N];健康时报;2006年

8 刘力;我半导体神经网络技术及应用研究达国际先进水平[N];中国电子报;2001年

9 ;神经网络和模糊逻辑[N];世界金属导报;2002年

10 邹丽梅 陈耀群;江苏科大神经网络应用研究通过鉴定[N];中国船舶报;2006年

中国博士学位论文全文数据库 前10条

1 杨旭华;神经网络及其在控制中的应用研究[D];浙江大学;2004年

2 李素芳;基于神经网络的无线通信算法研究[D];山东大学;2015年

3 石艳超;忆阻神经网络的混沌性及几类时滞神经网络的同步研究[D];电子科技大学;2014年

4 王新迎;基于随机映射神经网络的多元时间序列预测方法研究[D];大连理工大学;2015年

5 付爱民;极速学习机的训练残差、稳定性及泛化能力研究[D];中国农业大学;2015年

6 李辉;基于粒计算的神经网络及集成方法研究[D];中国矿业大学;2015年

7 王卫苹;复杂网络几类同步控制策略研究及稳定性分析[D];北京邮电大学;2015年

8 张海军;基于云计算的神经网络并行实现及其学习方法研究[D];华南理工大学;2015年

9 李艳晴;风速时间序列预测算法研究[D];北京科技大学;2016年

10 陈辉;多维超精密定位系统建模与控制关键技术研究[D];东南大学;2015年

中国硕士学位论文全文数据库 前10条

1 章颖;混合不确定性模块化神经网络与高校效益预测的研究[D];华南理工大学;2015年

2 贾文静;基于改进型神经网络的风力发电系统预测及控制研究[D];燕山大学;2015年

3 李慧芳;基于忆阻器的涡卷混沌系统及其电路仿真[D];西南大学;2015年

4 陈彦至;神经网络降维算法研究与应用[D];华南理工大学;2015年

5 董哲康;基于忆阻器的组合电路及神经网络研究[D];西南大学;2015年

6 武创举;基于神经网络的遥感图像分类研究[D];昆明理工大学;2015年

7 李志杰;基于神经网络的上证指数预测研究[D];华南理工大学;2015年

8 陈少吉;基于神经网络血压预测研究与系统实现[D];华南理工大学;2015年

9 张韬;几类时滞神经网络稳定性分析[D];渤海大学;2015年

10 邵雪莹;几类时滞不确定神经网络的稳定性分析[D];渤海大学;2015年

本文编号：652284