太阳能汽车通信工具的人工神经网络最大能量点的跟踪仪.doc

太阳能汽车通信工具的人工神经网络最大能量点的跟踪仪摘要: 本文提出的是一台太阳能汽车的人工神经网络最大力量的跟踪仪器 (MPPT)MPPT 是根据一台高效率的升压变频器和绝缘阀双极晶体管(IGBT) 电源开关为基础的MPPT的参考电压是以梯度下降动量算法通过人工神经网络获得(ANN)跟踪的算法是通过更改变频器的任务周期，以便使PV 模块电压等于对应的MPPT 在所有指定的日射能量、温度, 和负荷状态下的电压为快速的回应, 系统被实施使用数字信号处理器(DSP) 整个系统的稳定性是通过一种固有的积分导数调节控制器按比例经过包括改进按比例进行改善的，并且这种调节器也被使用在观察参考电压和控制电压的高低调节控制器, 以ANN 提供的信息为依据, 形成升压变频器的工作周期被获得的大量能量被使用在太阳能汽车的充电锂离子电池上实验和模拟结果表示, 提出的计划是高效率的关键词: 人工神经网络; 最大能量点跟踪仪(MPPT); 光致电压模块; 数字信号处理器; 太阳能汽车通信工具简介光致电压的(PV) 生成获取增加的重要性作为可延续能源太阳能的不受欢迎得到了迅速的更改, 通常发生在一个连续通信工具上, 由于树荫从、大厦、大树, 和多云等情况的出现，在常规PV 系统有困难的回应迅速差异是由于树荫产生的。

PV 系统主要缺点是, 最初安装费用是相当地高并且能量转换效率(从12% 到29%) 是相对比较低的此外, 在许多情况下, PV 系统要求一台动力调节器(直流电 直流电 或 直流电 交流电 的交换器) 为负荷界面所以, 整个系统费用能被猛烈地减少，通过使用高效率的动力调节器, 譬如最大能量点跟踪仪(MPPT), 提取和维护峰值功率从PV 模块既使当上述不赞同的条件发生各种各样的最大能量跟踪仪的方法，已经被考虑了在PV 力量应用中[1-12 ] 在小山之中攀登的方式[1-5 ],扰乱和观察跟踪最大能量点(MPP) 由增加或一再减少输出电压在PV 模块的MPP 上这个方法要求P与V 的计算来确定MPP[1,2,4 ] 但当辐照度迅速的更改时它无法跟踪到MPP值，并且, 方法是在MPP 附近摆动而代替直接地跟踪它递增导率技术(ICT) 其它方法之中是最精确的这个方法在迅速更改的情况下可得到很好的性能但是, dI/dV 的复杂计算和复杂的算法要求对每一个数字信号进行处理 (DSP), 通常将增加总系统费用MPP 跟踪的方法使用PV 模块的短路在当前运用情况运行下当前PV 模块的MPP短路电流是成线性比例的 。

在迅速地更改大气情况之下, 这个方法有跟踪MPP 的快速的回应速度, 但控制电路是复杂的使用太阳能仪表板的开放电路电压的MPP的跟踪方法利用工作电压在MPP 与开放电路电压几乎线性的比例在PV 模块的MPP中 (使用76% 开放电路电压作为MPP 电压) 这个方法是非常简单和有效的, 但参考电压不能更改在采样之间MPPTs 使用模糊的逻辑性[13,14 ] 和人工神经网络(ANN) [ 15]have 被报导出来这些研究表示, 像这样的现代控制算法是能改进跟踪的性能与比较常规方法在本文里, 我们提出ANN MPPT 为太阳电通信工具PV 系统跟踪的算法更改交换器的义务比率以便使PV 模块电压等于电压对应于MPP 在那个大气情况这个调整由使用执行传播ANN 参考电压对MPP 由脱机被培训的ANN 获得管理器生成升压交换器的工作周期1 .PV 模块特性太阳列阵特性极大影响了交换器和控制系统的设计, 因此PV 特性简要将被复核得这里太阳列阵是一个非线性设备, 可能代表作为一个当前来源设计, 依照被显示在图1 太阳列阵的传统I-V 特性, 当忽略内部分流器抵抗, 由以下等式给:Io 和Vo 是太阳列阵的输出电流和输出电压; Ig 是被生成的当前在指定的日射能量之下; Isat 是反向饱和电流; q 是电子的电量; k 是伯磁曼常数; A 是P-N 连接点的理想系数; T 是列阵温度; Rs 和Rsh 是太阳列阵的内在电阻和分流器抵抗电阻。

太阳列阵的饱和电流随温度变化根据以下等式:Tr 是参考温度; 被使用在太阳列阵上的Ior 是在Tr下的饱和电流; Ego是半导体的范围空白能量; B 并且是理想系数; Isc 是在下的短路; 是短路电流的温度系数是1内的日射能量等式(1)-(3) 被使用在计算机模拟的发展中Matlab 编程语言被使用图2 显示被模拟的电流—电压和力量电压弯曲为太阳列阵在不同的日射能量和不同的温度这些曲线表示, 太阳列阵的输出特性是非线性和受太阳辐射、温度, 和负荷状态很大地影响各曲线有最大力量点(Pmax), 是优选的运行的点有利于太阳列阵的高效率的使用2. 人工神经网络图2 Current-voltage 和力量电压弯曲为太阳列阵在不同的日射能量和不同的温度(S 是太阳辐射)ANN 技术成功被申请了解决非常复杂问题最近, 其申请以各种各样的域增加速度[16,17 ] 误差的平方或误差能量的瞬间总和在迭代n 次被测量那里神经元j 位于同一层的神经元i 右边, 和神经元k位于同一层的神经元右边j 当神经元j 是一个被隐藏的部件; ej (n) 是误差信号在神经元j 输出为迭代n; 并且集C 包括所有神经元在网络的外面层。

n) 对突触神经的重量 (被给出：是动量常数; 是反向增值算法的学习率参变量; (n) 是局部梯差信号在输出被定义 (n) 是渴望的回应或想要的目标和yj (n) 是输出信号重量的调整为这些层被给从Eqs 4) 和(6), 平均值的平方误差信息标准值可写出，为：网络培训一再执行直到性能标准下跌在一个指定值之下, 理想的到零然后被连接的网络的重量以这样的方式被调整，即下列阵电压VA 与最大力量点电压Vmp 完全相等参考电压Vref 在这个状况下变得相等与最大力量点电压Vmp 被提出的三层哺养转接神经网络功能的近似值被显示在图3 神经网络被使用获得最大力量Vmp (n) 的电压的太阳盘区网络有三块层: 输入, 隐藏, 和输出层节点的数量是二, 四, 和一个在输入, 被隐藏的, 和输出层, 各自地参考电池开放电路电压Voc (n) 和时间参数T (n)被提供给神经网络的输入层这些信号直接地通过对节点在下块被隐藏的层节点在输出层提供辨认的最大力量点电压Vmp (n) 节点在被隐藏的层得到信号从输入分层堆积和寄发他们的输出到节点在输出层标准差的放射性功能被运用在网络的层训练计划计算连接的重量WI{1,1} 以偏心b{1} 为输入到被隐藏的层映射, 连接的重量{2,1}偏心倾斜b{2} 为被隐藏的层被输出层映射。

在培训期间, 连接的重量递归地被修改直到最佳的适应值，直达到输入- 输出模式在培训中的数据最后的培训是成功脱机使用Matlab 图3 哺养转接神经网络功能近似值3. 实验模拟结果PV 列阵被使用为实验数据的收集是JDG-M-45 (德国)型模块模块有最大功率输出45 W 和20-V 开放电路电压在1000瓦/平方米的辐照区域年和25.C 温度条件下PV 模块说明提供了由制造商在表1 上面的表）PV 模块(JDG-M-45) 最大力量的表1 电子说明, Pm (w) 45短路当前, Isc (a) 2.93 开放电路电压, Voc (v) 20 电压在最大力量点, Vmp (v) 17.1 当前在最大力量点, 淘气鬼(a) 2.64 范围(mm□m□m) 971□41□8 质量(公斤) 5 哺养转接传播ANN, 依照被显示在图3 被培训了以值被获得从参考电池的实验数据而获得的值梯度下降算法被使用在培训如同改进ANN 的性能, 减少总误差可由沿其梯度更改重量培训参数是如下: 学习的费率参数= 0.1; 动量系数= 0.9; 培训iterations=10 000 的编号; 误差goal=0.000 001 。

汇合误差为培训进程被显示在图4 图4 汇合误差为神经网络培训进程ANN培训的使用系数和输出值的培训由ANN 给在培训之后可能被查找在表2 之后各种各样套参考电池开放电路电压Voc 和时间参数T (依照被显示在表2) 被提供作为输入给ANN 为了验证ANN 的学习能力, 其它Voc 与那个不同在表2 并且被提供给ANN, 依照被预计给在Vmp 之外的值软件Matlab 被使用了在ANN 的培训中从输入1到隐藏层的重量如下:重量对输出层2 是WI{2,1} = [?0.2039 0.0065 0.0561?0.3029 ] 偏心对层1 是b{1} = [-60.0887 12.996 -54.4753 -1.5969 ] 偏心到层2 是b{2}=[-0.0397 ] 4. 结论人工神经网络MPPT 为充电太阳(合成) 通信工具的电池已经被提议在本文里脱机ANN,以梯度下降动量算法被培训使用传播, 被运用为参考电压的联机估计为哺养转接循环实验数据被使用为ANN 的脱机培训, 并且软件Matlab 被使用在最后的培训中估计的精确度由汇合误差的图形验证了提出的方法有几个好处在常规方法中, 特别由于没有对电压和当前传感器的需要, 和因为它避免力量的一个复杂计算。

实验和模拟结果表示, 提出的计划是高效率的参考文献：[1] Hua C, Lin J, Shen C. Implementation of a DSP-controlled photovoltaic system with peak power tracking. IEEE Trans. Ind. Electron., 1998, 45(1): 99-107.[2] Koutroulis E, Kalaitzakis K, Voulgaris N C. Development of a microcontroller-based photovoltaic maximum power point tracking control system. IEEE Trans. Power Elec-tron., 2001, 16(1): 46-54.[3] Kuo Y C, Liang T J, Chen J F. Novel maximum power point tracking controller for photovoltaic energy conver-sion system. IEEE Trans. Ind. Electron., 2001, 48(3): 594-601.[4] Sullivan C R, Powers M J. A high-efficiency maximum power point tracker for photovoltaic arrays in a solar-powered race vehicle. In: Proc. IEEE Power Electron. Spec.Conf., Seattle, WA, USA, 1993: 574-580.[5] Simoes M G, Franceschetti N N. A risc-microcontroller based photovoltaic system for illumination applications. In: Proc. IEEE Applied Power Electron. Conf., New Orleans, LA, USA, 2000: 115-1156.[6] Tse K K, Ho M T, Chung H S。