[发明专利]一种基于模型辨识的光伏发电系统最大功率跟踪方法

权利要求书

1.一种基于模型辨识的光伏发电系统最大功率跟踪方法，其特征在于，该方法具体包括如下步骤：

(1)光伏阵列的数学建模与辨识：根据光伏发电系统的光伏阵列特性，建立光伏阵列的参考数学模型；在当前的光照强度和光伏电池板温度下，调节光伏阵列输出电压以锯齿波变化趋势从小到大改变，获取多组光伏阵列的输出电压和输出电流测量信息V_i^m、其中V_i^m为输出电压测量值，为输出电流测量值；采用最小二乘模型参数辨识方法，对模型的未知参数进行辨识；应用优化求解算法求解该模型参数辨识问题，使得所建的参考数学模型输出电压V_i、输出电流I_i与实际光伏发电系统的输出测量信息V_i^m、偏差最小，从而得到光伏阵列参考数学模型的准确参数，获得与实际对象相一致的准确的辨识模型；

(2)基于步骤(1)所辨识的光伏阵列参考数学模型，从小到大地改变光照强度与光伏电池板温度，通过辨识后的参考数学模型计算得到一系列不同光照强度与光伏电池板温度下模型的输出电压与输出电流测试数据；参考数学模型与实际对象相一致，这些测试数据用于近似实际光伏阵列的测试数据；在这些测试数据中，提取不同光照强度G与光伏电池板温度T_j下的最大功率点所对应的输出电压V_i^Pmax，输出功率P_i^Pmax；

(3)构建包含输入层、隐含层和输出层的三层光伏阵列的BP神经网络模型，其中输入为光照强度、光伏电池板温度，输出为最大功率点所对应的输出电压与输出功率；采用步骤(2)所得到的测试数据，包括光照强度G、光伏电池板温度T_j、最大功率点所对应的输出电压V_i^Pmax与输出功率P_i^Pmax，取三分之二的测试数据作为神经网络的训练样本，剩下的三分之一的测试数据作为神经网络的测试样本，对所建的神经网络模型进行训练和测试，得到BP神经网络的参数；调整隐含层的节点个数，使得BP神经网络训练误差与测试误差之和最小，从而得到最佳训练与测试结果；

(4)将步骤(3)训练好的光伏阵列BP神经网络模型写入到光伏发电系统的最大功率跟踪控制器中，在光照强度与光伏电池板温度改变情况下，采用上述神经网络模型在线计算得到最大功率点所对应的输出电压预测值，并采用常规的最大功率跟踪方法对实际的最大功率点进行跟踪修正，实现对光伏发电系统的实时最大功率跟踪，极大地提高光伏发电系统最大功率跟踪的实时性和高效性；

(5)将在线运行时实际的最大功率点信息，包括光照强度G、光伏电池板温度T_j、最大功率点所对应的输出电压V_i^Pmax与输出功率P_i^Pmax，进行保存，定期离线对光伏阵列BP神经网络模型参数进行修正，得到与实际输出更趋一致BP神经网络的参数值，实现BP神经网络参数的自适应，从而加速最大功率点跟踪的进程，近一步提高光伏发电系统最大功率跟踪的实时性和高效性。