基于粒子群算法优化BP神经网络的光伏系统最大功率点跟踪研究

论文摘要

由于人类对石油、煤炭、天然气等传统化石能源的过度开采与使用,导致世界范围内即将面临能源短缺的问题。因此,可再生能源越来越受到世界各国的关注。太阳能作为一种洁净可再生能源,与其他新能源相比,具有来源便捷,分布范围广等优势。近几十年来,随着科学技术的不断进步,太阳能光伏系统及其相关产业已成为发展最快的行业之一,对太阳能光伏发电的研究也受到了广泛的重视。目前,光伏电池的光电转换效率低,电池制造成本高等因素严重制约了光伏系统的推广和应用。因此,必须充分了解光伏电池的特性,最大限度地利用光伏系统,才能获得更多的输出功率。基于此,本文把光伏电池建模和光伏系统最大功率点跟踪作为研究的重点。利用神经网络的非线性拟合能力以及粒子群优化算法突出的寻优特点,更好地实现了对光伏系统电气特性的描述和最大功率点的跟踪。本文的主要工作及成果如下：1、本文对光伏发电的现状及发展趋势进行了综述,分析了光伏发电的特点和优势,同时也指出了目前太阳能发电所存在的一些问题。2、对神经网络和粒子群优化算法进行了介绍,分析了神经网络的基本原理,网络结构以及BP神经网络的互连模式,学习算法和训练流程等；介绍了粒子群优化算法的相关知识,优化理论等内容,为后面的实际应用奠定了基础。3、对光伏电池光电转换的原理和过程做了较为详细的分析,并深入研究了光伏电池的电气特性和外部特性。针对光伏电池输入输出特性的非线性特点,采用了粒子群算法优化后的BP神经网络进行建模,综合比较了其他几种神经网络建模方法。仿真结果表明,采用粒子群算法优化后的BP神经网络可以很好的实现对光伏电池电气特性的拟合,建模精度较高。4、系统论述了最大功率点跟踪原理。在研究了影响最大功率点因素的基础上,对现有跟踪控制方法进行了分析与评述。同时,提出了粒子群算法优化BP神经网络应用于光伏系统最大功率点跟踪预测的方法,并与传统的最大功率点控制方法进行了比较。结果显示,该最大功率点跟踪预测方法具有更高的精度和效率。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究背景
• 1.2 光伏发电的特点与优势
• 1.3 国内外光伏发电的现状及发展趋势
• 1.4 光伏发电存在的问题
• 1.5 光伏系统最大功率点跟踪的相关研究
• 1.5.1 传统跟踪方法
• 1.5.2 神经网络在最大功率点跟踪中的应用
• 1.6 本论文的主要工作
• 第2章 神经网络与粒子群优化算法
• 2.1 神经网络
• 2.1.1 神经网络概述
• 2.1.2 神经元的结构
• 2.1.3 神经网络的互连模式
• 2.1.4 反向传播神经网络
• 2.2 粒子群算法
• 2.2.1 粒子群算法的基本原理
• 2.2.2 粒子群算法的基本流程
• 2.2.3 粒子群算法的参数
• 2.3 本章小结
• 第3章 太阳能光伏电池建模
• 3.1 光伏电池的工作原理
• 3.2 光伏电池的电特性
• 3.2.1 光伏电池的等效电路
• 3.2.2 光伏电池的数学模型
• 3.2.3 光伏电池的I-V、P-V特性曲线
• 3.2.4 光伏电池的输出功率和填充因数
• 3.2.5 光伏电池的输出效率
• 3.3 光伏电池外特性
• 3.3.1 光伏电池的温度特性
• 3.3.2 光伏电池的光照特性
• 3.4 基于粒子算法的BP神经网络光伏电池建模
• 3.4.1 粒子群优化神经网络的学习算法
• 3.4.2 测试及仿真结果分析
• 3.5 本章小结
• 第4章 太阳能光伏阵列最大功率点跟踪
• 4.1 最大功率点跟踪原理
• 4.2 外界环境对最大功率点的影响
• 4.3 最大功率点数学模型
• 4.4 最大功率点跟踪方法
• 4.4.1 恒压跟踪法
• 4.4.2 干扰观察法
• 4.4.3 增量电导法
• 4.4.4 模糊控制
• 4.4.5 其他最大功率点跟踪方法
• 4.5 PSO优化BP神经网络的最大功率点跟踪
• 4.5.1 最大功率点跟踪流程
• 4.5.2 BP神经网络结构设计
• 4.5.3 实验数据选取
• 4.5.4 仿真结果分析与结论
• 4.6 本章小结
• 总结与展望
• 致谢
• 参考文献
• 攻读硕士学位期间发表的论文
• 附录