文摘

翻译许多最大功率点跟踪(MPPT)算法开发了近年来最大化生产光伏能源。这些算法不够健壮,因为快速变化的环境条件下,效率,在稳态值精度,动态的跟踪算法。因此,本文提出了一种新的随机森林(RF)模型翻译提高MPPT性能。射频模型能够捕捉预测因子之间的非线性关联的模式,如辐照度和温度,确定准确的最大功率点。RF-based追踪器是专为25 solartifstf - 120 - p6光伏模块的能力3 kW高峰使用两个高速传感器。为了这个目的,一个完整的光伏系统使用300000个数据样本建模和模拟使用MATLAB / SIMULINK软件包。提出翻译RF-based MPPT实际环境条件下测试了24天验证精度和动态响应。翻译RF-based MPPT的响应模型也比较与人工神经网络和自适应neurofuzzy推理系统算法进行进一步的验证。翻译结果表明该MPPT技术与其他技术相比,显著改善。此外,RF模型通过了Bland-Altman测试,有超过95%的可接受性。

1。介绍

太阳能是无穷无尽的,免费的,干净和被认为是可再生能源的核心(重新)最近主要是因为化石燃料的消耗和环境污染1]。在各种资源,光伏系统是流行在广泛的应用中,从小型建筑集成系统到大型公用事业系统(2]。然而,光伏系统间歇性发电不同天气条件下的问题(3]。此外,从太阳能电池发电的数量取决于非线性电压(P- - - - - -V)和电流电压(我- - - - - -V)特征随辐照度()和温度()[4]。无论大小和类型,任何光伏系统的关键问题是算法的效率用来跟踪最大功率点(MPP)。因此,兴趣提高最大功率点跟踪翻译(MPPT)算法光伏研究社区中获得它的动量。5]。翻译的MPPT是一个独特的点P- - - - - -V曲线,提供最大功率(6]。翻译许多MPPT方法在文献中提出了自1960年代以来。这些方法可以分为两种类型,即翻译传统的MPPT方法和软翻译computing-based MPPT方法。

在传统的方法中,最主要的方法是增量电导(IC) [7希尔攀登(HC) [],8,9),扰乱和观察(P&O) [10,11)方法。提出了一种扰动(P&O方法)操作光伏系统的电流和电压,然后观察系统中功率的变化。这个想法是为了观察变频器功率是否增加对MPP和在下一步中,在参考电流/电压增加的数量。P&O方法取决于步长申请电流/电压参考。然而,振荡发生在MPP,导致功率损耗。为了避免大的振荡,12)建议最小化方法的应用步骤影响响应时间。与此同时,HC与P&O技术是高度可比。P&O和HC方法之间的区别是,后者更新的操作点光伏系统扰动的责任周期的电流/电压。如果增加力量的方向,更新操作点是通过扰动的义务通过应用步长周期。否则,跟踪和远离MPP表示。然而,HC是容易失败的大辐照度的变化(13]。克服一些P&O和HC方法的局限性,提出了集成电路的方法在翻译传统的MPPT类别。集成电路操作背后的思想是确定MPP通过跟踪光伏面板对电压曲线(14]。这种方法可以提高动态性能和跟踪精度在快速变化的环境条件下。然而,集成电路的方法也遭受一些振荡在MPP,除了功率损耗引起的噪声和测量错误。此外,IC法计算负担高于P&O法。

翻译软computing-based MPPT类别,谈论最多的方法是模糊逻辑控制方法)15),人工神经网络(ANN) [16),和其他计算智能(CI) (17)方法。FLC-based方法的主要优点是,不需要数学模型系统。因此,翻译FLC-based MPPT一直经常与光伏系统近年来实现(18,19]。然而,方法的性能取决于规则基础上,许多规则和隶属函数(20.]。这些变量是由一个试错的过程,这是耗时的。这一类的另一个众所周知的方法是安。安在翻译的MPPT应用程序中,应用于估计和识别未知参数(21)如参考电流/电压或责任周期。然而,与神经元相关联的权重应该准确地由一个培训过程之前用来供应参考电流()或参考电压(翻译)MPPT控制器。此外,安之前需要大量的训练数据的方法可以训练和翻译,实现MPPT系统。翻译另一个流行的软计算方法MPPT CI方法是基于自然计算方法解决复杂的实际问题。这些方法可以分为两类:群体智能算法(SAs)和进化算法(EAs)。最受欢迎的SAs是粒子群优化(PSO) (22),人工蜂群(ABC) [23),和蚁群优化(ACO) [24]。最受欢迎的东亚峰会是遗传算法(GA) [25微分进化(),26),和闪电搜索算法(27]。算法被用来优化nine-rule翻译方法的MPPT短光伏逆变器中翻译方法生成一个直流总线电压参考MPPT [28]。提出了一种混合翻译GA-ANN MPPT (29日]。在这种方法中,阵列电压和功率的优化值是通过遗传算法对不同辐照度和温度条件。同样,作者在30.翻译GA优化FLC-based MPPT)使用。然而,CI方法限制因素,如被困在局部最小值和过早收敛。上述方法中,大多数被批评是低效的,因为探测器无法完全区分MPP的准确。当前挑战检测准确MPP躺在算法的适应快速变化的环境条件下,效率,在稳态精度,响应速度的跟踪算法。在先前的研究,实际环境条件问题没有得到完全的解决。因此,上述方法没有一个完整的解决方案来解决所有的问题在现实环境条件,因此在翻译产生一个有效的MPPT系统不足。

最近,一种新的软计算方法称为随机森林(RF)方法在许多应用程序收到关注。作者在31日]提出了基于射频识别的监督分类方法提取地下水样品的层,他们报告说,结果由射频方法远比线性判别分析和决策tree-supervised分类方法。灰布斯等人在32)提出了一个专家系统,使用机器学习小说射频技术来预测价格回报季节性事件,然后这些预测是用来建立一个有利可图的交易策略。结果表明,射频方法产生优越的结果方面的盈利能力和预测精度与其他乐团相比技术。射频方法也适用于其他应用程序,如提高降雨率分配(33),评估视觉注意力(34),重新采样现场光谱(35),和地上部生物量的量化36]。在这些应用中,作者得出结论,RF模型具有更高的稳定性和鲁棒性和更好的使用适当的培训成功率比其他模型参数。因此,一个更好的结果将获得翻译射频方法的实现MPPT光伏系统。

本文设计和实现射频方法准确地跟踪MPP的光伏系统,通过考虑的问题快速变化的环境条件。在MATLAB环境中建模的系统验证了该控制器的性能。

2。光伏模型和最大功率点

光伏系统的输出功率取决于其电压和电流特性。然而,太阳能辐射和温度是两个主要参数负责光伏面板的操作点,因此,MPP [37]。光伏的等效电路如图1,用于获取光伏电池的特性。电路包含一个二极管,一个串行电阻,并联电阻和电流源。电路的数学模型,代表电池的输出电流,可以表示如下38]: 在哪里是电池输出电流(A),是产生电流(A),是细胞反向饱和电流或暗电流(A),是电子电荷(C),V电池输出电压(V),是理想的因素,玻尔兹曼常数(J / K)T是细胞温度(K)。

从光伏电池产生电流中提取,太阳辐照度成正比,和温度,T。假设名义条件和用和分别在其他条件可以计算如下(38]: 在哪里短路电流在额定条件和是短路电流温度系数由生产提供的数据表如表所示1。

由于电力电流和电压的乘积,因此电压(pv)太阳能电池特性曲线可以得到对于一个给定的辐射水平,如图2。图的最大短路电流,电压为零,因此也是零。电流和电压的情况下逆转开路点,所以这里的权力是零。然而,有一个特定点的太阳能电池可以提供最大功率对于给定的辐射强度,这操作点称为最大功率点(MPP)的观点。从(1)和(2),显示了电池输出电流非线性和依赖于辐射和温度。这些方程可以用来计算参考电流()最终提供MPP通过考虑电池的输出电压。如果光伏电池的数量是已知的,相同的关系可以用来获取MPP在光伏模块或一个系统。然而,这个数学模型的主要缺点是所需的耗费时间和迭代过程来计算电池输出电流,这阻碍了利用率模型的高速跟踪。

因此,在一般情况下,翻译大部分的MPPT算法通常首先感应和从光伏系统,终端。翻译,然后MPPT算法实现自己的程序(例如,P&O)或提取最大功率光伏系统如图3,在那里的产品是和。翻译,应该注意的是,MPPT算法仅提供了一个参考光伏系统的电源转换器的控制器(5]。它不直接生成所需的负载比转换器产生最大功率。

3所示。研究了光伏系统的特点

在这项研究中,25 solartifstf - 120 - p6 PV模块使用的能力3 kW高峰供应负载,如图4。模块被安排在串联配置,生产435 V的直流输出电压。和使用太阳能日射强度计测量传感器和温度传感器,分别如图4。

3.1。传感器的特点

正如前面提到的,需要两个高速传感器测量辐照度和温度。辐照度传感器(S-LIB-M003)包含一个硅光电二极管测量单位面积上的太阳能(W / m²)。这种硅日射强度计智能传感器设计与流浪汉®气象站记录器通过插件模块式连接器。此外,所有的校准参数存储在S-LIB-M003传感器,自动发送配置信息记录器不需要任何编程,校准,或广泛的设置。

同样,对于温度测量,使用智能传感器(S-TMB-M006)温度。不锈钢提示和一个健壮的电缆允许S-TMB-M006传感器浸入水中50°C 1年。因此,它适合光伏系统状态监测。它还可以自动配置数据信息传递到流浪汉气象站没有任何编程,校准,或广泛的用户设置。硅日射强度计智能传感器S-LIB-M003使用第一频道和S-TMB-M006智能温度传感器使用第二通道15可用频道的流浪汉气象站。

3.2。光伏特性

表中描述了这个光伏模块的特点1,电流-电压和pv得到的曲线(1)和(2),不同温度和辐照值,solartifstf - 120 - p6模块展示在图5。获得一个合适的数学模型之后,翻译一个合适的MPPT方法需要为整个系统取得更好的性能。这是因为数学模型不能直接用于生成参考电流由于计算负担。因此,在这项研究中提出了翻译一个新的MPPT方法详细的成功部分。

4所示。翻译提出了随机森林MPPT方法

翻译不像大多数的MPPT算法如IC、P&O,和HC,该方法使用和作为输入,因为这两个测量通常在许多现代集成光伏系统监控的目的,如图4。考虑和可作为输入,最近开发了射频软计算方法是建议来处理两个输入来生成所需的参考电流,的控制器光伏系统如图6。因此,本文寻求适当的翻译RF-based MPPT算法利用历史的发展和数据和目标值获得数学模型所描述的(1)。然而,有效的控制程序和电源转换器的设计不是这个工作的重点。概述翻译,采用射频MPPT和升值过程中描述下面的部分。

4.1。随机森林的概述

射频是一个学习方法分类、回归,和其他任务,通过构建多种决策树训练时间和生成的类的模式类(分类)或意味着个人的预测(回归)树。射频纠正决策树的习惯在过度拟合训练集训练算法。射频引导聚合或装袋的一般技术适用于树的学习者。RF见图7分类或预测变量的值为()输入向量通过建立一个数字回归树和平均结果。后和树木生长,RF回归预测是派生的吗 一般来说,RF算法回归工作如下:(我)ntree引导样品(=引导迭代)是随机的替代原始数据集,每个包含大约三分之一的校准数据集的元素X。不属别类的元素被称为out-of-bag (OOB)相应的引导数据样本。(2)回归树的种植(导致引导样品ntree树)以下修改:在每一个节点的一个子集预测变量(mtry)随机选择创建二进制规则。换句话说,mtry指定数量的随机选择的变量,在每个节点的最佳分裂的决定。变量的选择是基于残差平方和;也就是说,最低的预测残差平方和选择分手。mtry是森林生长过程中保持不变。(3)每一个ntree树种植在最大的程度上成为可能。不进行修剪。(iv)最后,预测计算通过将每个OOB观察或测试数据的观察ntree树。回归树是那么的预测平均生成最终的估计(39]。射频的OOB错误是一个重要的特性。如前所述,每棵树构建引导样本包括大约三分之二的训练数据。剩下的三分之一(OOB)的训练数据不包括在这棵树的学习样本和可用于测试。因此,射频模型应用于OOB数据。预测和参考之间的偏差值将被用来计算OOB错误,即均方误差(MSE)回归。这些OOB元素可以使用的nth树来评估性能(40]。

为了避免之间的相关性不同的树木,射频增加树的多样性使其从不同的引导样品由一个叫做装袋(装袋=mtry=数量的预测)35]。这个过程增加通用性,使得回归更健壮的训练数据的微小变化,并且普遍增加总体预测精度(39]。当射频反映了一棵树的成长,最好的分割基于数量的随机采样预测变量。如果所有的变量都是用于每棵树,树上会相同,因此高度相关(39]。因此,预测变量的随机选择的子集在每一分每棵树确保降低树木之间的相关性,进而增加模型的鲁棒性。

射频是有效翻译申请MPPT预测光伏系统因为它涉及健壮的特征的组合。这种方法不需要底层PV系统的规范模型,它提供了捕获之间的非线性关联的模式预测的能力,如辐照度和温度,确定准确的参考电流(MPP)和计算。的方法也能够处理高度相关的预测变量。此外,该方法提供了灵活地执行一个数量的统计数据分析和比其他树合奏轻计算方法(33,39,41]。

4.2。随机森林的培训

在这项研究中,翻译RF-based MPPT系统被认为是3千瓦光伏系统,使用solartifstf - 120 - p6 PV模块中描述的部分2。输入样本数据对应于辐照度()和温度(使用(生成)4)和(5),分别和派生值获取目标数据用于训练使用中给出的参数表1和(1)。 在哪里我数据样本的数量,从1到数据样本的数量()。

最小和最大限制的和基于历史数据的选择。在马来西亚,通常0 W / m之间的不同²和1200 W / m²,而波动从20°C到35°C (42]。因此,,,,在(4)和(5)被确定为0 W / m²1500 W / m²0°C, 45°C,分别以确保生成的数据覆盖的典型和历史数据范围。自学习系统是小,局部阴影的影响在一些模块的系统并不认为在翻译跟踪MPPT这项工作。表2显示用于一些数据样本训练。

一般来说,两个参数必须在射频:调整整个森林的树木数量(ntree)和数据样本的数量(米)。调优是基于OOB的性能数据。一个重要的考虑因素是决定应该如何种植许多树根据射频模式。Breiman [39)建议泛化误差收敛树木数量的增加。添加越来越多的树木模型不会导致overadjustment。增加的主要限制ntree是额外的计算时间。

评估的最优值ntree和最优值的数据样本的数量(米),四个射频模型是使用500棵树创建与不同数量的数据样本。均方误差值然后平均。图8显示了错误率( , , , )与树的数量变化,当数据样本是相等的到100000年,200000年,300000年和400000年,分别。从大约200棵树,每个数据集的MSE稳定,增加树木的数量既不增加也不减少MSE。因此,射频的200棵树可以被认为是充分的。如图8MSE的值,300000年和400000年的样本数据略有差异。因此,300000年的数据样本使用,因为增加了数据样本超过300000导致计算时间的增加,这将是有益的。RF训练后,该方法可用于生成参考电流,与新输入数据,计算MPP如图9。应该注意从图9只训练有素的RF估计参考电流,然后,MPP只需乘以计算和,在那里系统电压吗如图2。

4.3。绩效评估

预测过程中主要关心的是测试开发的性能预测方法的适用性和准确性。为此,首先Bland-Altman测试进行。Bland-Altman测试是一种统计分析通常用于比较测量值和参考价值。如果RF-based MPP之间的差异和参考MPP中 (95%)可接受性的限制,该方法被认为是一个精确的模型(43- - - - - -45]。在上面的表达式,平均差(偏见)之间的功率测量提出了系统和参考的标准偏差的力量测量的区别。

评价翻译的各种MPPT方法的性能,即简称ANFIS,安,和提出RF-based方法,三个标准误差的测量使用:平均误差(我),均方误差(MSE)和标准偏差的误差。这些指标是由(33] 在哪里是我th使用射频功率测量,是基于th参考功率的数学模型,µ是测量值的平均值。

5。结果与讨论

翻译验证MPPT算法,验证了发达国家和翻译训练RF-based MPPT使用实际solartifstf - 120 - p6光伏模块输出数据,而不是测试基于计量条件的缓慢变化(增加)或阶跃变化在先前的研究中实现。数据从3 kW屋顶光伏系统获得马来西亚Kebangsaan大学从3月1日,2013年2月15日,2014年,使用高的采样率采样数据记录器30秒。和测量使用太阳能S-LIB-M003日射强度计传感器和温度传感器S-TMB-M006,分别作为部分中解释3。

数据10- - - - - -17操作显示气象条件(和)和输出最大电力( 翻译)提取发达RF-based MPPT模型(RF)选定的日子,有不同的模式。从这些数据,系统的输出功率显示高度依赖和遵循相同的模式。

数据10- - - - - -17不清楚地表明如何关闭测量基于MPP射频(RF)模型的参考MPP建立数学模型(数学模型)已获得使用给定的数据表吗1和(1)。因此,大国之间的差异或对称测量使用翻译RF-based MPPT (RF模型)和基于参考功率的数学模型(数学模型),Bland-Altman测试进行。为选定的日子,相应的Bland-Altman测试块在数字展出18- - - - - -25。在这些数据中,回归线添加到情节为虚线显示之间的可接受性的限制提出MPP和MPP的引用。的数据,大部分的数据属于 (95%)的可接受性(43- - - - - -45]。这个观察表明,该翻译RF-based MPPT是准确的和有效的。

给翻译提出MPPT算法的可靠性,测试进行了一整年。测量数据和结果的Bland-Altman测试开始和结束时进行的每个月如表所示3。这个表所示,大部分从MPP跟踪和测量数据的引用权力介于95%和96.83%可接受性的限制。这些统计结果支持和促进测量的有效性提出MPP追踪的力量相对于参考。

5.1。性能比较

公平的比较,显示翻译RF-based MPPT方法的优越性,翻译新MPPT方法与著名的方法相比,即安和翻译ANFIS-based MPPT方法。的评估技术,三个指标中提到的部分4.3计算。

第一个指数,平均误差(我)计算该射频模式,安,简称ANFIS 24天从3月1日,2013年2月15日,2014年,如表所示4。最佳性能是粗体的,它清楚地表明,射频方法提供了更好的结果我非常低的值比安和简称ANFIS模型。翻译为RF-based MPPT,最好的我结果是0.002985 1月15日,2014年,最糟糕的结果记录为0.005087 5月1日,2013年。24天,平均为射频我值,安,简称ANFIS分别为0.00439,0.03083,和0.89843,分别。这些价值观清楚地表明,该方法优于其他方法的我。

第二个指数比较了MSE翻译各种MPPT方法的性能。均方误差成反比的质量信号。MSE价值下降意味着增加信号的质量。换句话说,MSE值下降意味着输出接近参考MPP,而均方误差值的增加意味着输出从真正的MPP传播。射频的性能,安,和翻译ANFIS-based MPPT方法MSE表中列出5。射频模型的均方误差值降低 2014年1月15日,于2013年5月1日起,至0.000109。24天,为射频平均均方误差值,安,简称ANFIS 、0.004893和4.689996,分别。翻译结果再次表明,RF-based MPPT比其他技术达到更好的结果。

第三个指标比较标准差,翻译的各种MPPT方法。评估对平均值变化的速度。低标准偏差表示数据点附近的意思,而更大表示数据点分布在周边范围宽。射频的标准差计算模型中,安,简称ANFIS 24天,从3月1日,2013年2月15日,2014年,描述在表6。表6清楚地表明,翻译RF-based MPPT执行比其他方法不同0.005054在2014年1月15日,于2013年5月1日和0.009126。24天,平均水平值射频,安,简称ANFIS分别为0.007295,0.059747,和1.878943,分别。

6。结论

介绍了一种新的翻译和有效的MPPT算法基于射频3千瓦光伏系统由峰值25 solartifstf - 120 - p6 PV模块。引导方法的训练程序和适当的参数选择的随机森林,翻译更好的MPPT模型性能。评估该算法的可靠性和效率,测试使用的射频模型获得的实际数据从3月1日,2013年2月15日,2014年,每个月的15日,和提出了射频技术的性能与安和简称ANFIS方法相比。提出了射频性能的模型评估基于Bland-Altman测试结果得到我,MSE值。结果表明,翻译RF-based MPPT Bland-Altman测试通过超过95%可接受性的限制,所有的测试用例。此外,翻译比较分析表明,提出的MPPT方法优于两安和简称ANFIS算法就我而言,MSE以明显的优势,当测试在同样严格的气象和技术条件。最后,该方法是发现迅速应对快速变化的环境条件;因此,翻译可以采用实时MPPT方法。这项工作正在进行开发的扩展DC-to-DC提高转换器的硬件翻译的基础上,提出MPPT算法。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

作者感谢阿拉伯联合酋长国大学支持本研究在经济上资助下31 n259-upar2016年。