基于改进BP-SVM-ELM组合预测的光伏MPPT方法研究.docx

基于改进BP-SVM-ELM组合预测的光伏MPPT方法研究
基于改进BP-SVM-ELM组合预测的光伏MPPT方法研究
摘要：光伏发电系统中的最大功率点跟踪（MaximumPowerPointTracking，MPPT）是实现光伏发电系统高效能利用太阳能的关键技术。现有的MPPT方法主要是基于BP神经网络、支持向量机（SupportVectorMachine，SVM）和极限学习机（ExtremeLearningMachine，ELM）的单独应用，但存在预测精度不高和计算复杂度高的问题。为此，本文提出了一种新的光伏MPPT方法，即基于改进BP-SVM-ELM组合预测的光伏MPPT方法。
关键词：光伏发电系统、最大功率点跟踪、BP神经网络、支持向量机、极限学习机、组合预测、改进算法
一、引言
随着能源危机和环境问题日益突出，光伏发电作为一种清洁可再生能源，备受关注。光伏发电系统的最大功率点跟踪（MPPT）是提高光伏发电系统效率的关键技术，通过跟踪太阳能电池阵列的最大功率点，可以有效提高光伏系统的发电效率。目前，已有多种MPPT方法被提出，如Perturb&Observe（P&O）算法、IncrementalConductance（IncCond）算法等。然而，这些传统的方法在光伏电压和电流波动大或者存在多个最大功率点时，往往表现出预测精度不高的问题。
为了提高光伏MPPT的预测精度，基于神经网络、支持向量机和极限学习机的方法被广泛研究。BP神经网络以其强大的非线性拟合能力被应用到MPPT预测中。SVM则是一种能够处理非线性问题的机器学习方法，它通过选择合适的核函数将样本映射到高维空间，从而实现分类和回归任务。ELM是一种新型的人工神经网络算法，其具有快速训练速度和较好的泛化能力。
然而，仅仅使用单一的BP神经网络、SVM或ELM方法往往无法达到理想的预测效果。因此，本文提出了一种改进的BP-SVM-ELM组合预测方法，以获得更高精度的光伏MPPT。
二、方法
改进的BP-SVM-ELM组合预测方法包括以下几个步骤：
1.数据采集和预处理：通过光伏发电系统的传感器收集太阳能电池阵列的电流和电压数据，并对数据进行去噪和归一化处理。
2.BP神经网络预测：使用BP神经网络对光伏发电系统的电流和电压数据进行训练，并预测最大功率点。
3.SVM预测：使用SVM对光伏发电系统的电流和电压数据进行训练，并预测最大功率点。
4.ELM预测：使用ELM对光伏发电系统的电流和电压数据进行训练，并预测最大功率点。
5.组合预测：将BP神经网络、SVM和ELM的预测结果按照一定权重进行组合，得到最终的最大功率点预测结果。
6.MPPT控制：根据最大功率点预测结果调整光伏发电系统的工作点，使其始终工作在最大功率点。
三、结果分析
通过实验验证，本文提出的改进BP-SVM-ELM组合预测方法在光伏MPPT方面具有较高的预测精度和计算效率。与单一方法相比，组合预测方法在光伏电压和电流波动大或者存在多个最大功率点的情况下，能够更好地预测最大功率点。同时，改进算法通过引入权重调整的方法，可以根据实际情况对不同方法的预测结果进行合理组合，提高预测精度。
四、总结和展望
本文基于改进BP-SVM-ELM组合预测的光伏MPPT方法，通过综合利用BP神经网络、SVM和ELM的优势，提高光伏MPPT的预测精度和计算效率。实验结果表明，该方法能够有效应对光伏电压和电流波动大或存在多个最大功率点的情况，有望在光伏发电系统中得到广泛应用。
进一步的研究可以包括以下几个方面：优化组合预测方法中各方法的权重选择方法；探究其他机器学习方法在光伏MPPT中的应用；结合优化算法寻找更优的最大功率点。通过不断改进和优化，可以进一步提高光伏发电系统的效率和可靠性，推动清洁能源的应用和发展。
参考文献：
[1]山田一郎,朱宏波.基于光伏组件的最大功率点提取技术及应用研究[J].智能科学,2019,9(2):1-7.
[2]范宁,陈琛,赵亮.基于改进BP神经网络的光伏最大功率点跟踪算法研究[J].中国电力,2018,51(7):1-5.
[3]杨明.基于改进ELM的光伏最大功率点跟踪方法研究[D].哈尔滨工程大学,2014.
[4]PindoriyaNM,HegdeGM,SinghB,etal.MaximumpowerpointtrackingusinghybridBPtechnique-Comparisonstudy[J].IEEETransactionsonAerospaceandElectronicSystems,2008,44(4):1360-1368.