基于BP和RBF神經(jīng)網(wǎng)絡的光伏最大功率跟蹤對比研究.pdf

1、由于常規(guī)能源逐漸面臨枯竭，清潔的可再生的太陽能越來越受到人們的重視，并且在未來光伏電池的應用有著良好的發(fā)展前景。但由于光伏電池的轉(zhuǎn)換效率較低，且價格較高，嚴重阻礙了光伏系統(tǒng)的推廣和應用，因此必須最大限度的利用光伏電池所產(chǎn)生的功率，以降低光伏發(fā)電的成本。因此本文研究的重點是使光伏組件工作在最大功率點處，以獲得最大的輸出功率。
　　 本文針對光伏系統(tǒng)的非線性特性及最大功率跟蹤的特點，將BP(back propagation)神經(jīng)網(wǎng)絡

2、技術應用于光伏陣列的最大功率點跟蹤中，對常用的BP神經(jīng)網(wǎng)絡的各種學習算法和訓練算法在MATLAB7.0中進行了仿真驗證，通過對仿真結(jié)果的對比分析，最后本文把神經(jīng)網(wǎng)絡工具箱中的Levenberg-Marquadt反傳學習算法，trainlm訓練函數(shù)應用在光伏陣列最大功率跟蹤中，并分析了仿真結(jié)果。
　　 而徑向基函數(shù)神經(jīng)網(wǎng)絡(Radial Based Function Neural Network，RBFNN)在泛化能力、逼近能力和

3、學習速度等方面均優(yōu)于BP神經(jīng)網(wǎng)絡，所以本文又將RBF神經(jīng)網(wǎng)絡應用于光伏系統(tǒng)的研究中，并且詳細分析了它的各種訓練算法，然后在MATLAB7.0中實現(xiàn)了各種訓練算法，對比各種算法的不足，本文提出隨機選取RBF中心(直接計算法)應用到RBF神經(jīng)網(wǎng)絡訓練中，最后應用神經(jīng)網(wǎng)絡工具箱函數(shù)建立了RBF神經(jīng)網(wǎng)絡，仿真結(jié)果說明了這一方法的可行性和有效性。
　　 最后，本文從兩種神經(jīng)網(wǎng)絡的結(jié)構(gòu)方面：隱節(jié)點、訓練步數(shù)、預測結(jié)果的網(wǎng)絡逼近誤差、泛化能力