雷竞技网页版研究与评论-国际期刊雷竞技苹果下载

国际电气、电子和仪器工程高级研究杂志

菜单

在线刊号(2278-8875)印刷版(2320-3765)

所有提交的EM系统将被重定向到网上投稿系统．作者被要求将文章直接提交给网上投稿系统各自的日志。

基于ANFIS的太阳能光伏组件开环升压变换器MPPT方案设计与实现

Ravinder K. Kharb1法希姆·安萨里(Fahim Ansari)2， s.l. Shimi3.
  1. 印度贾贾尔政府理工学院电子工程系讲师
  2. 印度巴哈尔BRCM CET电气与电子工程系教授兼系主任
  3. 系助理教授电气工程， NITTTR，昌迪加尔，印度
有关文章载于Pubmed，谷歌学者

更多相关文章请访问国际电气、电子和仪器工程高级研究杂志

国际电气、电子和仪器工程高级研究杂志

摘要

最大功率点跟踪(MPPT)用于提高太阳能光伏(PV)系统在不同天气条件下的效率。传统的MPPT方法在效率、准确性和灵活性方面存在缺陷。本文介绍了一种基于自适应神经模糊推理系统(ANFIS)的最大功率点跟踪器的设计与实现。开环dc-dc升压变换器是太阳能光伏组件和电阻负载之间的接口。利用ANFIS和PI控制器改变升压变换器的占空比，以便在不同的太阳辐照度和温度下提取最大可能的功率。仿真结果表明，所提出的跟踪器在最大功率点振荡、速度、高增益和对参数变化的敏感性方面都得到了改善。仿真结果验证了该方法的有效性

关键字
自适应神经模糊推理系统(ANFIS)， DC-DC boost转换器，最大功率点跟踪(MPPT)，光伏(PV)模块，PI控制器。

介绍
由于化石燃料储备的快速枯竭和环境退化或立法原因，人们对利用可再生能源发电的兴趣有所增加。为了满足全球日益增长的能源需求，有必要利用可再生能源的最大潜力来发电。阳光是一种很好的可再生能源，它可以用于发电而不影响环境，使用太阳能的未来是非常令人兴奋的。太阳能在以无碳方式满足人类能源需求方面具有巨大潜力。与传统能源不同，它是可再生的，到处都可以免费获得，永无止境，有助于减少导致全球变暖的温室气体排放。
太阳能光伏系统使用太阳能光伏组件和阵列直接将太阳能转换为电能。然而，太阳能光伏系统的低效率和高资本成本是全球太阳能发电安装的主要障碍。利用最大功率点跟踪器(MPPT)提取太阳能光伏组件在不同环境条件(如太阳辐照度和温度)下的最大可用功率，可以提高太阳能光伏系统的效率。由于太阳能光伏组件的最大可用能量随着大气条件的变化而不断变化，实时最大功率点跟踪器是太阳能光伏系统不可缺少的组成部分。最大功率点跟踪器由DC-DC转换器和控制器组成，通过跟踪算法始终发现并保持太阳能光伏组件在最大功率点的运行。文献中已经提出了许多MPPT算法[2-6]，但由于太阳能光伏组件特性的非线性行为，大多数算法都存在局限性。文献[7-11]中提出的基于人工智能(AI)的MPPT方法可以在不断变化的环境条件下更有效地跟踪最大功率点。基于人工智能的方法最适合于提高最大功率点跟踪的动态性能。考虑到太阳能光伏组件的非线性特性，人工智能方法为MPPT问题提供了一种快速、灵活、计算量高的解决方案。模糊逻辑控制器和人工神经网络是MPPT的两种主要人工智能方法。 In this paper, designing and implementation of ANFIS based MPPT scheme which is interfaced with open loop boost converter is presented. ANFIS combines the advantages of neural networks and fuzzy logic and hence deals efficiently with non linear behaviour of solar PV modules. Designing of open loop DC-DC boost converter is also carried out which is used for impedance matching and maximum power transfer between load and solar PV module.

简称ANFIS模型
人工智能系统是那些能够像人类一样做出决定的系统，通过适应情况，并在未来类似的情况下自动做出正确的决定。神经网络、模糊系统和神经模糊系统是人工智能系统的例子。模糊系统的概念是由Zadeh在1965年用模糊集描述的。模糊系统的主要机制是基于条件if-then规则，称为模糊规则，它在前因和结论部分使用模糊集作为语言术语。这些模糊if-then规则的集合可以由人类专家确定，也可以由观察到的数据生成。这种模糊系统的主要优点是易于解释规则库中的知识。神经网络是从生物神经元系统和数学理论中获得学习灵感的系统。它们的特点是具有并行分布结构的学习能力，也可以被认为是黑盒建模。
在神经模糊系统中，将神经网络纳入模糊系统，通过神经网络的学习算法自动获取知识。基于自适应网络的模糊推理系统或自适应神经模糊推理系统(ANFIS)，由Jang首先提出，是在自适应网络框架中实现模糊推理系统的神经模糊系统的一个例子。ANFIS基于人类知识(以模糊if then规则的形式)和通过使用最小二乘和反向传播梯度下降方法相结合的混合算法，基于生成的输入输出数据对构建输入输出映射。本文利用Matlab/Simulink软件包中的ANFIS编辑器，建立了ANFIS参考模型。

方法
最大功率点跟踪方案的块原理图如图1[12]所示。它由太阳能光伏组件、DC-DC升压变换器、比例积分(PI)控制器、PWM信号发生器和ANFIS参考模型组成。
图像
辐照度水平和工作温度作为ANFIS参考模型的输入。ANFIS参考模型给出了光伏组件在特定温度和辐照度水平下的最大可用功率的脆度值。在相同的温度和辐照度下，光伏组件的实际输出功率是通过感知工作电压和电流的乘法算法计算出来的。比较两种功率，并将误差传递给比例积分(PI)控制器，以产生控制信号。由PI控制器产生的控制信号被传递给PWM发生器。产生的PWM信号控制DC-DC升压变换器的占空比，以调节PV模块的工作点。

基于anfis的MPPT实现
基于ANFIS的最大功率点跟踪器的实现流程图如图2所示。首先利用表1所示的mx 60光伏组件的数据规范，建立了太阳能光伏组件的simulink模型。利用太阳能光伏组件的模拟模型，采集了不同天气条件下的对输入输出数据集。
图像
图2基于ANFIS的MPPT方案流程图
这是ANFIS参考模型的训练数据集。当ANFIS被训练足够多的epoch时，它能够建立训练数据集的输入-输出映射。通过调整隶属度函数的值，ANFIS生成一组模糊规则，以便对不同的输入值产生适当的输出。调整或改变隶属函数的参数，直至误差减小到最小值。当隶属函数的所有参数都调整好后，ANFIS模型就变成了学习模型，可用于MPPT控制方案。但是在使用ANFIS学习模型进行MPPT控制之前，通过使用不同于训练数据的检验数据来检验其结果。同样，如果产生的误差大于期望值，则调整隶属函数的参数以降低误差。DC-DC升压变换器的设计目的是通过改变DC-DC升压变换器的占空比，将最大功率传输到太阳能光伏组件和负载之间。

A. dc-dc升压变换器的设计
DC-DC升压变换器用于将光伏模块提供的无调节直流输入电压转换为负载所需的较高电压水平的受控直流输出。它们通常通过在电感上施加直流电压一段时间(通常在20千赫到5兆赫的范围内)来进行转换，这导致电流流过它并以磁性方式存储能量，然后将该电压开关关闭，并使存储的能量以可控的方式转移到电压输出。通过调节开/关时间的比例来调节输出电压。这是通过使用IGBT或MOSFET等快速开关功率元件实现的，其耗散功率可忽略不计。脉宽调制(PWM)允许控制和调节总输出电压。它被认为是电源的心脏，因此它会影响供电系统的整体性能。理想的转换器显示100%的效率;在实践中，效率通常为70%至95%。
图像
如图3所示，升压变换器配置由直流输入电压源Vs、升压电感L、控制开关SW、二极管D、滤波电容C和负载电阻r组成，升压变换器的直流电压增益为
图像
式中，Vs为输入电压，Vo为输出电压，D为控制IGBT开、关状态的脉宽调制(PWM)信号占空比。变换器不同部件的选择如下

(i)电感器的选择(L)
大的电感值倾向于稍微增加启动时间，而小的电感值允许线圈电流在开关关闭之前上升到更高的水平。升压电感是根据最小占空比D和最大输入电压vs下允许的最大纹波电流vs来选择的。升压变换器工作在连续导通模式下，电感值为L >Lb [13,14]
图像
式中Lb为临界电感，定义为变换器连续模式与不连续模式边界处的电感;R为等效负载，fs为IGBT的开关频率。

(ii)所需电容的选择
输出RC电路的电流是不连续的。因此，需要更大的滤波电容器来限制输出电压纹波。选择输出滤波电容的主要标准是其电容和等效串联电阻(ESR)。由于电容器的ESR影响效率，应使用低ESR的电容器以获得最佳性能。输出滤波器电容器被选择以满足输出电压纹波规格。输出电压的最大纹波不应超过输出电压[15]的几个百分比。当二极管关闭时，为负载提供输出直流电流的滤波电容的最小值由[13,14]给出
图像
其中ΔVo为输出电压上的纹波，纹波通常选择在输出电压的5%以下的范围内。
电感和电容的最小值由公式(2)和(3)计算。模拟中使用的电感和电容的实际值保持高于这些值。用于仿真的DC-DC升压变换器的设计元器件值见表1。
图像

B.基于ANFIS的MPPT设计
利用光伏组件的Matlab/Simulink模型，将工作温度从15°C到65°C，太阳辐照度水平从100 W/m2到1000 W/m2，以5°C为步长，生成ANFIS的训练数据集。对于每对工作温度和太阳辐照度，记录光伏组件的最大可用功率。因此，总共使用209个训练数据集和2000个epoch来训练ANFIS参考模型。训练误差降低到约6%。ANFIS利用输入输出数据集构建了一个模糊推理系统(FIS)，并采用最小二乘方法和反向传播算法相结合的混合优化方法对FIS的隶属函数参数进行调优。Matlab代码开发的ANFIS结构如图4所示。
图像
它是一个五层网络，有两个输入(辐照度和工作温度)，最大功率为一个输出。每个输入参数有三个隶属度函数，通过ANFIS方法学习。根据数据集的输入输出映射，推导出9个模糊规则，使输入温度和辐照度的每一个值都产生最大输出功率。ANFIS生成的表面如图5所示，这是温度、辐照度和最大功率之间的三维图。ANFIS曲面显示，随着辐照度的增加和温度的升高，光伏组件的最大可用功率增大，验证了光伏组件的非线性特性。
图像
图5两个输入(温度和辐照度)和一个输出(最大功率)之间的曲面
在本工作中，使用Matlab的simulink库中友好的图标来设计基于ANFIS的MPPT。纯电阻负载5.4 Ω连接在输出端，与太阳能光伏组件在1000w /m2辐照度条件下的最大功率点紧密匹配。利用IGBT开关改变变换器的占空比。高载频脉宽调制器(PWM)块为IGBT提供门控信号。升压变换器的模拟门控信号如图6所示。光伏组件在特定辐照度和温度下最大可用输出功率的脆度值来自ANFIS参考模型，并与光伏组件仿真模型的实际输出功率进行比较。两个功率的差值是一个误差信号，由比例积分(PI)控制器处理，得到的控制信号给PWM块，使输出功率保持在最大值。频率为50 kHz的载波信号用于产生PWM信号。由此产生的PWM信号根据辐照度和温度的变化来控制IGBT的ON和OFF时间，从而使PV组件的输出功率最大化。
图像

仿真结果
基于ANFIS的开环DC-DC升压变换器MPPT控制方案的simulink模型在不同太阳辐照度和温度下进行了测试。结果与无MPPT控制方案时光伏组件接负荷时的输出结果进行了比较。

A.辐照度变化时
表2给出了变辐照度和恒温条件下的模拟结果。从表2中可以观察到，在恒定温度下，当辐照度水平增加时，输出功率均匀增加。
图像

B.当操作温度发生变化时
变化工作温度和恒定辐照度下光伏组件的输出功率如表3所示。可以观察到，随着温度的升高，输出功率与最大值相差不大。它描述了在不同温度下光伏组件的最大可用功率的成功提取。
图像

结论
本文介绍了一种基于ANFIS的MPPT开环升压变换器控制方案的设计与实现。利用matlab软件对所提出的控制方案进行了仿真，并对其在不同天气条件下的运行情况进行了研究。仿真结果表明，基于ANFIS的MPPT控制方案能够有效跟踪不同天气条件下光伏组件的最大可用功率。特别是在低辐照度水平，最大输出功率可以跟踪而不产生振荡。所提出的MPPT控制方案在所有太阳辐照度水平下响应速度快，增益高。

参考文献
  1. M. F. Ansari, R. K. Kharb, S. Luthra, S. L. Shimmi和S. Chatterji，“基于解释结构建模技术的印度太阳能发电安装障碍分析”，《可再生能源与可持续能源评论》，第27卷，pp.163-174, 2013。雷竞技苹果下载
  2. V. Lingareddy, G. Ravichandra和P. K. Maddukrui，“光伏/风力混合动力电力系统与电网互联的MPPT的有效策略”，计算机科学与软件工程国际高级研究杂志。第三卷，第七期。2013年7月。
  3. S. D. Saravana，“增量电导MPPT算法在光伏应用中的建模与仿真”，国际科学技术学报，ISSN: 2277-1581，第2卷，第7期，pp: 681-685。2013年7月1日。
  4. 刘国强，“基于增量电导的光伏系统最大功率点跟踪(MPPT)”，中国光伏工程学报，Vol. 2，第2期，pp.1420-1424。2012年3 - 4月。
  5. C. Chukwuka和K. A. Folly，“2.5kW并网住宅光伏系统的技术和经济建模”，国际可再生能源研究杂志。第三卷,第二。2013.
  6. M. K. Gupta和R. Jain，“基于输出传感直接控制方法和Cuk转换器的直流潜水泵MPPT仿真”，国际可再生能源研究杂志。第三卷,第一。2013.
  7. R. Singh和M. Pandit，“利用ANFIS控制光伏电池输出电压及其与闭环升压变换器的接口”，国际电流工程与技术杂志。Issn 2277 - 4106。第3卷，第2卷。2013年6月。
  8. D. Radianto, D. A. Asfani, T. Hiyama和Syafaruddin，“基于ANFIS的全交叉光伏部分遮光检测和MPPT控制器”，美国电气工程学会国际期刊，Vol. 03, No. 02。2012年5月。
  9. 杜加德维，“单台光伏电池充电系统的ANFIS建模与实验研究”，中国机械工程，Vol.2, no .4, pp-2516-2520。July-Aug, 2012年。
  10. R. R. Maziar, R. R. Mani, S. Akbari和S. A. Taher，“基于模糊控制器的ANFIS, PSO, FCN在光伏阵列MPPT中的应用”，电气工程系统进展，第1卷，第1期。2012年3月。
  11. A. M. Zaki, S. I. Amer和M. Mostafa，“基于先进神经网络技术的光伏系统最大功率点跟踪”，国际新兴技术与先进工程杂志，第2卷，第12期。2012年12月。
  12. M. F. Ansari, B.C Sharma和P. Saini，“使用ANFIS的太阳能光伏组件最大功率点跟踪”，第三届IEEE可持续能源技术国际会议，尼泊尔，2012年9月24 - 27日
  13. 潘迪拉扬，R. Ramaprabha, R. Muthu，“电路模型在光伏能量转换系统中的应用”，国际光能学报，doi:10.1155/2012/410401。2012.
  14. P. Pradipkumar S, H. Ajaykumar V和B. N. Vaidya教授，“DC/DC升压变换器在光伏系统中的应用”，全球研究分析，第2卷，第4期，2013年4月。
  15. H. Can，“Matlab-Simulink中光伏板模拟器的模型”，土耳其电气工程与计算机科学杂志，2013年3月。
全球科技峰会