基于模糊聚类和自适应神经模糊推理的MPPT研究.docVIP

基于模糊聚类和自适应神经模糊推理的MPPT研究 　　摘 要： 针对光伏系统最大功率点跟踪过程中电导增量法和模糊控制法存在的不足，结合模糊聚类和自适应神经模糊推理系统提出一种新型MPPT算法，对实测数据模糊聚类后，提取模糊控制规则，确定隶属函数，通过神经网络训练生成模糊推理系统。仿真结果表明，该算法能够实现对最大功率点的快速跟踪，对环境变化的抗干扰能力强，控制效果良好，具有一定的应用价值。 　　关键词： 最大功率点跟踪； 模糊聚类； 自适应神经模糊推理系统； 模糊控制规则提取 　　中图分类号： TN911?34； TM461 文献标识码： A 文章编号： 1004?373X（2016）14?0154?04 　　Research on MPPT based on fuzzy clustering and ANFIS 　　GUO Peng， SUN Jianqi， LIU Zhenyong， GENG Liang 　　（College of Electrical and Information Engineering， Shijiazhuang University， Shijiazhuang 050035， China） 　　Abstract： For the deficiency of conductance increment and fuzzy control methods for the maximum power point tracking （MPPT） of photovoltaic system， a novel MPPT algorithm is proposed in combination with fuzzy clustering and adaptive neuro?fuzzy inference system （ANFIS）. The algorithm extracts fuzzy control rules and confirms membership function by using fuzzy clustering， and then a fuzzy inference system is generated by means of train of neural network. The simulation results show that the algorithm can realize fast MPPT， and has strong anti?jamming capability against environmental changes， good control effect and a certain practical value. 　　Keywords： maximum power point tracking； fuzzy clustering； adaptive neuro?fuzzy inference system； fuzzy control rule extraction 　　光伏发电在我国的应用日益广泛，仅2015年我国光伏发电新增装机容量17.8 GW。由于光伏组件输出特性随日照强度和环境温度不断变化，因此，提高光伏系统的发电效率实现最大功率点跟踪（Maximum Power Point Tracking，MPPT）成为研究热点。目前，常见MPPT算法可分为数学模型优化、扰动自寻优、输出端控制和智能控制四类，包括恒压法、电流扫描法、扰动观察法、电导增量法、模糊控制法、神经网络法、单周控制法、极值周期法和滑膜控制法等[1?2]。 　　各种算法均具有不同的优缺点。其中，模糊控制算法作为仿专家控制系统，无需精确被控系统模型、抗干扰能力强、鲁棒性好，但学习能力差、模糊规则及隶属函数设计困难。神经网络算法对系统环境变化自学能力强但需要长期训练，且输入/输出数据关系难以表达。由于可以实现优势互补，近年来将上述两者相结合的MPPT算法研究很多[3?4]。但是，随着相关研究的进行，模糊神经网络算法也显现出一些不足，如缺乏专家知识，推理时间长或得出错误结论；数据过多设计缓慢易引发“规则爆炸”，收敛速度慢等。为了解决上述问题，本文利用模糊聚类算法和自适应神经模糊推理系统（Adaptive Neuro?Fuzzy Inference System，ANFIS），解决适量模糊规则提取及专属隶属函数生成问题，结合变步长电导增量法控制占空比步长[ΔD]，实现了MPPT控制。Matlab仿真结果证明，该算法反应快、抗干扰能力强且具有学习能力，适用于中小型光伏发电系统的工程应用。 　　1 光伏组件模型 　　光伏组件等效电路[5]如图1所示。图1中：