基于智能方法的MPPT復(fù)合控制設(shè)計案例隨著智能控制系統(tǒng)基礎(chǔ)理論的發(fā)展趨勢，諸如模糊邏輯操縱和神經(jīng)網(wǎng)絡(luò)算法等基礎(chǔ)理論已滲透到電氣行業(yè)的各個領(lǐng)域，并已被用于太陽能的MPPT控制系統(tǒng)中。一代?？刂破髟O(shè)計是一種基于模糊和基礎(chǔ)理論的新型控制措施。它是模糊系統(tǒng)理論和自動控制系統(tǒng)技術(shù)的結(jié)合，常用于一些復(fù)雜的非線性系統(tǒng)中。太陽能發(fā)電是用于離散系統(tǒng)的功能強大的系統(tǒng)軟件，并且無法使用精確的數(shù)學(xué)分析模型來描述太陽能電池板的工作條件。因此，非常適合使用控制器設(shè)計來應(yīng)用于MPPT控制系統(tǒng)。將控制器設(shè)計引入太陽能系統(tǒng)軟件后，該系統(tǒng)軟件可以快速響應(yīng)環(huán)境因素的變化，還可以緩解高功率點附近的輸出功率波動。神經(jīng)網(wǎng)絡(luò)算法基于當(dāng)代認知科學(xué)的科學(xué)研究結(jié)果。分析了人的中樞神經(jīng)系統(tǒng)解決信息內(nèi)容的方法，并設(shè)計了具有人腦設(shè)計風(fēng)格的數(shù)據(jù)分析系統(tǒng)。它是一個離散的系統(tǒng)，具有響應(yīng)性，自組織結(jié)構(gòu)，由許多簡單的控制組件組成。作為不依賴實體模型的控制措施，神經(jīng)網(wǎng)絡(luò)算法操縱非常適合于離散系統(tǒng)操縱。因此，近年來，神經(jīng)網(wǎng)絡(luò)技術(shù)在光伏并網(wǎng)逆變器的MPPT運行中的應(yīng)用是一種新型的智能控制系統(tǒng)。盡管智能方法在設(shè)計過程中更為復(fù)雜，但是您可以在整個應(yīng)用過程中自主進行一些更改。該優(yōu)點確定這種類型的方法比其他傳統(tǒng)方法具有更高的精度。像傳統(tǒng)方法一樣，不同的智能理論方法也有不同的優(yōu)點和缺點。因此，將不同的智能方法結(jié)合起來，最大程度地發(fā)揮優(yōu)勢，避免出現(xiàn)弱點，并使它們發(fā)揮最高的性能，可以彌補不同方法之間的缺點。本文研究的基于智能方法的MPPT復(fù)合控制包括將模糊邏輯控制和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合，以最大程度地實現(xiàn)MPPT技術(shù)。1.1基本原理基于智能方法的復(fù)合控制采用了神經(jīng)網(wǎng)絡(luò)與模糊邏輯控制相結(jié)合的控制結(jié)構(gòu)，其中，人工神經(jīng)網(wǎng)絡(luò)單元根據(jù)光伏電池提供的開路電壓和溫度的條件預(yù)測出最大功率點工作電壓，將與光伏電池輸出電壓的差值作為控制模糊邏輯控制單元的輸入信號。模糊邏輯控制單元經(jīng)過運算最終輸出控制信號，并通過的反饋控制來校正光伏電池的工作點電壓，使得光伏電池工作在最大功率點?；谥悄芊椒ǖ膹?fù)合控制結(jié)構(gòu)圖1.2神經(jīng)網(wǎng)絡(luò)控制單元神經(jīng)網(wǎng)絡(luò)單元采用的是三層前饋人工神經(jīng)網(wǎng)絡(luò)。由于人工神經(jīng)網(wǎng)絡(luò)不依賴于模型，并對于多種復(fù)雜的變化情況都會有相應(yīng)的解決方法，因此輸出量的精度由學(xué)習(xí)過程的詳盡程度決定。三層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖所示，它的作用是辨識光伏電池的最大功率點電壓。神經(jīng)網(wǎng)絡(luò)主要有三層：輸入層、隱層和輸出層，三層中神經(jīng)元的數(shù)目分別為3、5、1。輸入層神經(jīng)元的輸入信號是檢測單元得到的開路電壓和控制器定時器輸出的時間參數(shù)輸入層的信號直接傳到隱層中的神經(jīng)元，輸出層的輸出就是辨識得到的最大功率點電壓。三層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對于隱層和輸出層的每個神經(jīng)元的輸出函數(shù)為：其中，函數(shù)用來定義神經(jīng)元的輸入輸出特性，是用第個采樣樣本訓(xùn)練時神經(jīng)元i的輸入信號。輸入信號實際上是前一層輸出的加權(quán)和，即其中，是神經(jīng)元j和i的連接權(quán)值，是神經(jīng)元j的輸出信號。為了更精確地確定最大功率點，連接權(quán)值必須由典型的樣本數(shù)據(jù)確定。確定連接權(quán)值的過程就是訓(xùn)練過程。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練需要一組輸入輸出樣本數(shù)據(jù)。訓(xùn)練過程中所有的計算都是離線狀態(tài)下完成的。連接權(quán)值被遞歸的調(diào)整直到能最好的滿足訓(xùn)練樣本數(shù)據(jù)要求的輸入輸出模式。在訓(xùn)練結(jié)束時達到均方差最小，即當(dāng)光伏電池的分布范圍較廣時可以在光伏電池中設(shè)定多樣的開路電壓檢測單元來獲取精確的信息以便確定最大功率點工作點電壓。實際中福照度的變化較慢時端電壓能夠連續(xù)的跟蹤最大跟蹤點電壓，當(dāng)福照度的變化較快時該控制器同樣可以做到實時的跟蹤控制。1.3模糊邏輯控制單元在模糊邏輯控制中，將采樣得到的數(shù)字量轉(zhuǎn)化為模糊邏輯控制器可以識別和使用的模糊量，此過程為“模糊化”。一般對于輸入變量，常常用PB（正大）、PS（正小）、ZE（零）、NS（負?。?、NB（負大）這5個短語來描述輸入和輸出變量。如圖所示，這里采用均勻分布的三角形隸屬度函數(shù)來確定輸入變量和輸出變量的不同取值與相應(yīng)語言變量之間的隸屬度。每一個語言變量對應(yīng)于一個特定的數(shù)值區(qū)間。若取值為6時與PB的隸屬度關(guān)系為1，即完全隸屬于這個模糊子集；此時E與PB的關(guān)聯(lián)比E取值為4.5時要強。隸屬度函數(shù)則把輸入變量從連續(xù)尺度映射到一個或多個模糊量。隸屬度函數(shù)示意圖用PB（正大）、PM（正中）、PS（正?。?、ZE（零）、NS（負?。?、NM（負中）、NB（負大）這7個說明性的短語作為語言變量，來對輸入變量進行