神经网络驱动下的MPPT优化算法

另一种智能MPPT控制技术是神经网络（NN）^[60-65]。神经网络算法通常是通过微控制器或DSP来实现的。

神经网络通常包括三层：输入层、隐层和输出层，如图1.28所示。神经网络是由应用人员构建的，其中要考虑到每一层的节点数。神经网络控制器的输入通常是大气参数及光伏阵列参数，比如辐照度、温度、V_OC以及I_SC等。通过对这些输入信息的处理，神经网络控制器就可以确定电力变换器的占空比，并作为自身的输出^[60，62]。

基于神经网络的MPPT控制器的性能取决于如何对神经网络进行有效训练以及在隐层中使用的算法。节点之间的连接通过增益系数赋以权值。如图1.28所示，节点i和j之间的连接权值为w_ij。为了实现一个高性能的基于神经网络的MPPT，节点之间的权值应在训练过程中认真确定。

图1.28 神经网络结构示例(www.xing528.com)

此外，应将所有季节的神经网络输入和输出数据记录下来，以便有足够的训练模式可供训练。另一方面，由于不同的光伏阵列具有不同的特性，应该针对具体的光伏阵列进行专门的神经网络训练。由于老化因素的影响，光伏阵列的特性也会随着时间而改变，因此需要对控制器进行训练和更新，以便准确地跟踪MPP。

图1.29给出了基于神经网络的MPPT方法的具体实现。应该使用由经验获得或者计算而得的输入/输出数据表对神经网络进行预先训练。如此一来，神经网络控制器应该能够根据训练数据集当中相关的瞬时测量输入来准确地确定神经网络的输出。

然后，使用必要的设备单元来处理通过神经网络生成的占空比，以便为光伏阵列的电力变换器提供适当的开关信号。