首页> 中文学位 >基于遗传算法优化的RBF神经网络在光伏发电MPPT中的应用
【6h】

基于遗传算法优化的RBF神经网络在光伏发电MPPT中的应用

代理获取

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪 论

1.1 课题的研究背景及意义

1.2 光伏发电的现状

1.3 MPPT的发展及研究

1.4 本文主要工作

第二章 光伏电池建模与特性分析

2.1 光伏电池的概述

2.2 光伏电池的建模与仿真

2.3 光伏电池的特性分析

2.4 本章小结

第三章 最大功率点跟踪及其控制方法

3.1 最大功率点跟踪原理

3.2 传统MPPT控制方法

3.3 其他MPPT控制方法

3.4 本章小结

第四章 RBF神经网络在光伏发电MPPT中的应用

4.1 人工神经网络

4.2 RBF神经网络

4.3 基于RBF神经网络的光伏发电MPPT预测控制

4.4 本章小结

第五章 基于GA-RBF神经网络在光伏发电MPPT中的应用

5.1 RBF神经网络存在的不足

5.2 遗传算法

5.3 遗传算法优化的RBF神经网络

5.4 基于遗传算法优化的RBF神经网络最大功率点跟踪流程

5.5 遗传算法优化的RBF神经网络预测结果分析

5.6 本章小结

第六章 总结与展望

6.1 总结

6.2 展望

参考文献

攻读学位期间的主要研究成果

展开▼

摘要

随着传统燃料的日渐消耗与能源需求量的不断提升,可再生能源逐渐受到关注。由于太阳能具有绿色、安全、可再生等特点,近年来,太阳能光伏发电已经在我国得到了飞速发展。但光伏电池具有生产成本高、光电转换效率低的缺点,因此如何使光伏电池持续有效地输出最大功率以提高发电效率和降低发电成本则成为了当下研究的重点。针对该问题,本文利用神经网络的非线性拟合能力以及遗传算法突出的寻优特点,提出了遗传算法优化的RBF神经网络对光伏发电系统最大功率点进行预测控制。  首先,本文对光伏发电的研究背景及国内外研究现状进行了综述,介绍了目前光伏发电MPPT技术的判断标准及不足。详细说明了光伏电池的工作原理,通过 MATLAB搭建光伏电池模型获得了U-I及P-V动态变化曲线,并在此基础上得出光照强度和温度为影响最大功率点输出的主要因素。  接着,阐述了光伏发电最大功率点跟踪的原理,分析了传统跟踪方法及其改进方法的优缺点。针对传统方法的不足,介绍了基于现代控制理论的神经网络控制法,通过RBF神经网络函数逼近能力的分析,选择其对光伏发电最大功率点进行预测控制。  然后,对于RBF神经网络中存在的不足,本文使用了遗传算法对其数据中心、扩展常数及权值进行优化。通过将RBF神经网络的数据中心和其对应的扩展常数以及权值统一编码,加强了隐含层和输出层的合作关系,并利用遗传算法全局搜索的功能特性,使得整个网络模型达到全局最优。此外,对遗传算法本身的机制作出相应的改进,使遗传操作更加完善。  最后,将遗传算法优化后的RBF神经网络与优化前的网络对同一光伏发电系统最大功率点进行预测,结果显示优化后的RBF神经网络达到目标误差的训练次数较优化前明显减少,平均误差降低了3.7%,结果证明遗传算法优化后的RBF神经网络不仅提高了预测速度,还提高了预测精确度,从而能更好地实现光伏发电最大功率点跟踪控制。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号