基于智能方法的MPPT复合控制优化

以上分别介绍了模糊逻辑控制和人工神经网络控制在MPPT技术中的应用，可以发现：智能方法虽然在设计过程中较为复杂，但在应用的过程中却可以自行对多种不同的变化情况进行运算，最终输出的调整量也不尽相同。这一优势决定了该类方法相较于传统的方法具有更高的精确度。和传统方法一样，不同的智能方法也各有长短。可以考虑将不同的智能方法相结合，扬长避短并使其发挥出最优越的性能。以下以将模糊逻辑控制和人工神经网络相结合的方案为例，简要介绍基于智能方法的MPPT复合控制。

6.5.3.1 基本原理

图6-30为基于智能方法的MPPT复合控制的结构示意图。从图中可知，复合控制结构中采用了神经网络与模糊逻辑控制相结合的控制结构，其中，人工神经网络单元根据光伏电池提供的开路电压U_oc和温度T的条件预测出最大功率点工作电压U_m^∗_pp，将U_m^∗_pp与光伏电池输出电压U的差值作为控制模糊逻辑控制单元的输入信号。模糊逻辑控制单元经过运算最终输出控制信号U_c，并通过U_c的反馈控制以“校正”光伏电池的工作点电压，使光伏电池工作在最大功率点。

图6-30 基于智能方法的MPPT复合控制结构示意

6.5.3.2 神经网络单元

这里使用的是经过学习的三层前馈人工神经网络。由上文可知人工神经网络不依赖于模型，并对于多种复杂的变化情况都会有相应解决办法。输出量的精度由学习过程的详尽程度决定。

具体的计算过程请参见6.5.2节2.的相关内容。

6.5.3.3 模糊控制单元

首先定义模糊控制单元的输入量分别为e（误差）和∫e（误差的积分），而e为

e=U_m^∗_pp-U （6-57）

由于实际中采用的是离散量，则

e（k）=U_m^∗_pp（k）-U（k） （6-58）

用PB（正大）、PM（正中）、PS（正小）、ZE（零）、NS（负小）、NM（负中）、NB（负大）这7个说明性的短语作为语言变量，来对输入变量e和∫e进行描述。列出模糊规则见表6-2。

当∫e和e均为NB（负小）的时候，说明光伏电池的输出电压比最大功率点略微大一点，并且这个微小的值还有减少的趋势，于是输出为ZE，即暂时不动作。但当e为NB（负小），∫e为NM（负中）的时候，说明这个微小的值减小的趋势比先前放缓了，差值增大的概率上升，于是输出为NS，小幅的调节一下。

表6-2 模糊规则表

(www.xing528.com)

图6-31 模糊控制象限图

从表6-2中可以看出，ZE形成的斜线的两边控制的极性是相反的，也就是说在ZE处，改变模糊控制的开关状态。

具体模糊推理过程怎么样实现呢？由于前文中模糊逻辑控制清晰化的计算过程十分复杂，首先分析如图6-31所示的模糊控制的象限图，该图中的点Z（k）的坐标为

其中，∫e（k）和e（k）分别为误差的积分和误差。

从图6-31看出，A区所在的第一象限和B区所在的第三象限分别代表了不同极性的最大幅度的加速度控制，而第二、四象限则均包含不同极性方向的中、小幅度的加速度控制，极性是以ZE（零）代表的开关换向线为界发生变化。

如图6-32和图6-33所示的为以象限图中的角度θ和半径D为横坐标的隶属度函数。

其中

图6-32 角度θ的隶属度函数

图6-33 半径D的隶属度函数

最后计算出输出的信号值U_c。

其中，U_max为一个已知的给定值。