王冉冉 高慧敏

摘? 要： 光伏陣列在復(fù)雜光照強度條件下，出現(xiàn)局部遮蔭現(xiàn)象，導(dǎo)致輸出特性曲線呈現(xiàn)多峰值狀態(tài)，造成光伏系統(tǒng)能量轉(zhuǎn)化率低下。本文提出一種基于生成對抗網(wǎng)絡(luò)（GAN）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）和門控循環(huán)單元（GRU）的混合預(yù)測模型，預(yù)先使用GAN對光伏發(fā)電原始環(huán)境數(shù)據(jù)進行數(shù)據(jù)擴充，再用CNN提取不同光伏太陽能板的環(huán)境數(shù)據(jù)特征，最后利用GRU進行最大功率點電壓的預(yù)測。仿真結(jié)果表明，該混合預(yù)測模型可避免陷入局部極值的情況，可以有效提高復(fù)雜光照強度條件下的最大功率點跟蹤效率。

關(guān)鍵詞： 光伏電池； 最大功率點跟蹤； GRU神經(jīng)網(wǎng)絡(luò)； CNN神經(jīng)網(wǎng)絡(luò)； 生成對抗網(wǎng)絡(luò)； 仿真

中圖分類號：TM615? ? ? ? ? 文獻標識碼：A? ? ?文章編號：1006-8228（2023）06-119-05

Application of GAN-CNN-GRU in photovoltaic maximum power point tracking

Wang Ranran1， Gao Huimin2

（1. School of Computer Science and Technology， Zhejiang University of Technology， Hangzhou， Zhejiang 310018， China;

2. School of Information Science and Engineering， Jiaxing University）

Abstract： The local shading in photovoltaic （PV） arrays under complex light intensity conditions leads to a multi-peak state in the output characteristic curve， resulting in low energy conversion rate of PV systems. A hybrid prediction model based on GAN， CNN and GRU is proposed. Firstly， GAN is used for data expansion of the original environmental data of PV power generation， then CNN is used to extract the environmental data features of different PV solar panels， and finally GRU is used to predict the maximum power point voltage. The simulation results show that the hybrid prediction model can avoid the situation of falling into local extremes and can effectively improve the maximum power point tracking efficiency under complex light intensity conditions.

Key words： photovoltaic cell; maximum power point tracking; gated recurrent unit （GRU）; convolutional neural network （CNN）; generative adversarial network （GAN）; simulation

0 引言

在理想情況中，光伏陣列接受均勻光照，輸出特性曲線為單峰值，僅有一個最大功率點（maximum power point，MPP）。然而現(xiàn)實情況中，光伏陣列難免遇到一些特殊情況，例如云彩，落葉，塵土，建筑物的影響，造成光伏陣列接受光照不均，導(dǎo)致輸出特性曲線呈現(xiàn)多峰值現(xiàn)象，產(chǎn)生多個局部最大功率點（local maximum power point，LMPP）和一個全局最大功率點（global maximum power point，GMPP）[1]。

傳統(tǒng)方法例如擾動觀察法[2]、電導(dǎo)增量法[3]與恒定電壓法[4]，在復(fù)雜光照條件下，容易受到LMPP影響，陷入局部最優(yōu)解的情況，無法跟蹤到GMPP，造成光伏系統(tǒng)能量轉(zhuǎn)化率較低。

近年來，神經(jīng)網(wǎng)絡(luò)算法廣泛地應(yīng)用于光伏系統(tǒng)中。如文獻[5]利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測最大功率點電壓，結(jié)合自適應(yīng)模糊控制，但其BP神經(jīng)網(wǎng)絡(luò)預(yù)測精度還待進一步提升[5]。文獻[6]提出用ANN來預(yù)測局部遮蔭條件下的全局最大功率點，但訓(xùn)練數(shù)據(jù)還不夠多，導(dǎo)致預(yù)測效果不太精確[6]。

對于以上算法存在的不足，本文引入GAN-CNN-GRU-MPPT混合預(yù)測模型。通過GAN進行光伏環(huán)境數(shù)據(jù)的擴充，增加訓(xùn)練數(shù)據(jù)，以提高模型的預(yù)測精度；加入CNN神經(jīng)網(wǎng)絡(luò)，對不同光伏太陽能板的環(huán)境數(shù)據(jù)進行輸入特征的提取，最后由GRU神經(jīng)網(wǎng)絡(luò)實現(xiàn)復(fù)雜光照條件下的最大功率點電壓預(yù)測。該混合預(yù)測模型的預(yù)測精度更高，能夠更好地提高光伏系統(tǒng)的MPPT效率。

1 局部遮蔭光伏陣列輸出特性分析

光伏陣列在局部遮蔭條件下會呈現(xiàn)多峰狀態(tài)，本文以3×1的光伏組件在Simulink中搭建局部遮蔭的仿真模型，各陣列參數(shù)選擇一致，光伏陣列結(jié)構(gòu)如圖1。

假設(shè)光伏組件溫度均為25℃，三個太陽能板所受光照強度分別為1000W/m?，800W/m?，600W/m?，此時光伏陣列的輸出特性為多峰值狀態(tài)，光伏陣列的I-V、P-V曲線如圖2所示。

2 GAN-CNN-GRU-MPPT算法的設(shè)計

本文所建立最大功率點電壓預(yù)測模型如圖3。先利用GAN神經(jīng)網(wǎng)絡(luò)對光伏陣列的環(huán)境數(shù)據(jù)進行擴充；再利用CNN神經(jīng)網(wǎng)絡(luò)提取光伏陣列的環(huán)境數(shù)據(jù)特征，得到序列特征向量；最后將特征序列向量輸入到GRU神經(jīng)網(wǎng)絡(luò)中，完成該情況下最大功率點電壓的預(yù)測。

本文提出GAN-CNN-GRU混合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。先經(jīng)過Flod層將輸入reshape為指定形狀；通過CNN對輸入數(shù)據(jù)進行特征提取，設(shè)置兩層一維卷積層（Conv1D），卷積數(shù)均為64，卷積核大小1×N，N為輸入數(shù)據(jù)的維度，移動步長為1；兩層池化層（Maxpooling1D）進行下采樣，對特征向量進行降維，壓縮；激活函數(shù)選用Relu；Unfold層實現(xiàn)與Flod互逆的操作；Flatten層將數(shù)據(jù)扁平化處理，將數(shù)據(jù)變?yōu)橐痪S向量，處理成為GRU神經(jīng)網(wǎng)絡(luò)要求的輸入格式；設(shè)置3層GRU層，在層與層之間加入Dropout層，防止訓(xùn)練過程中出現(xiàn)的過擬合現(xiàn)象；最后連接全連接層（Dense），輸出最大功率點電壓值預(yù)測值。

GAN-CNN-GRU混合神經(jīng)網(wǎng)絡(luò)進行復(fù)雜光照強度下光伏最大功率點跟蹤的具體步驟如下：

⑴ 數(shù)據(jù)預(yù)處理，將獲得的環(huán)境數(shù)據(jù)進行歸一化處理，消除數(shù)據(jù)間差異較大的影響，加快模型收斂速度；

⑵ 使用GAN進行數(shù)據(jù)擴充，將擴充后的數(shù)據(jù)按照8：2的比例劃分為訓(xùn)練集和測試集；

⑶ 訓(xùn)練CNN-GRU模型，訓(xùn)練過程使用Adam優(yōu)化器調(diào)整模型參數(shù)，直至損失（loss）不再降低；

⑷ 得到訓(xùn)練好的網(wǎng)絡(luò)模型，用測試集對網(wǎng)絡(luò)進行測試，將輸出結(jié)果進行反歸一化處理，得到預(yù)測的最大功率點電壓值；

⑸ 將訓(xùn)練好的網(wǎng)絡(luò)模型轉(zhuǎn)化為可在Simulink中應(yīng)用的模塊；

⑹ 將氣象站獲得的氣象數(shù)據(jù)輸入到訓(xùn)練好的網(wǎng)絡(luò)模型中，預(yù)測該情況下的最大功率點電壓；

⑺ 根據(jù)⑹中獲得的最大功率點電壓值調(diào)節(jié)抗阻變換器，使光伏系統(tǒng)工作在最大功率點處。

3 GAN-CNN-GRU-MPPT算法的驗證與仿真

3.1 實驗數(shù)據(jù)

本文所需的氣象數(shù)據(jù)從2021～2022年，采集自xx集團光伏云平臺，自凌晨4：00不間隔采樣至晚上20：00，時間間隔為6分鐘。

3.2 評價指標

本文采用平均絕對誤差（MAE）、均方根誤差（RMSE）和平均絕對誤差率（MAPE）來評估模型，來直觀的表現(xiàn)本文提出模型與其他模型性能的區(qū)別。三個指標值越小，表示預(yù)測值與真實值差距越小，預(yù)測精度越高。

[MAE=1Nn=1N|Vn-Vn|] ⑴

[RMSE=1Nn=1NVn-Vn2] ⑵

[MAPE=1Nn=1N|Vn-VnVn|×100%] ⑶

上式中，[Vn]為光伏陣列實際最大功率點電壓，[V∧n]混合神經(jīng)網(wǎng)絡(luò)預(yù)測電壓值，N為測試樣本數(shù)量。

3.3 GAN-CNN-GRU神經(jīng)網(wǎng)絡(luò)的測試與驗證

本文采用了GAN、CNN、GRU三個網(wǎng)絡(luò)的混合模型，為驗證GAN-CNN-GRU混合模型的有效性，分別與不同擴充量的數(shù)據(jù)進行對比，與不同神經(jīng)網(wǎng)絡(luò)模型進行對比，包括BP、RNN、LSTM、GRU。通過實驗結(jié)果對比分析，驗證了模型的性能優(yōu)勢。

3.3.1 GAN數(shù)據(jù)擴充有效性驗證

本文將采樣獲得環(huán)境因素，包括三個光伏陣列受到不同的光照強度以及溫度作為原始數(shù)據(jù)，利用GAN神經(jīng)網(wǎng)絡(luò)進行擴充，分別擴充20%，40%，60%，80%，100%。采用不用擴充比例的數(shù)據(jù)分別對模型進行訓(xùn)練、預(yù)測。預(yù)測結(jié)果對比如圖5所示，誤差對比如表1所示。

根據(jù)圖5和表1可知，對光伏陣列原始數(shù)據(jù)進行擴充，能夠提高復(fù)雜光照強度下最大功率點電壓的預(yù)測精度，擴充比例越大，預(yù)測結(jié)果更加貼近實際電壓值，預(yù)測精度更高。當對原始數(shù)據(jù)擴充100%數(shù)據(jù)量時，測試集的RMSE下降61.4%，MAE下降62.1%，MAPE下降63.7%，擴充數(shù)據(jù)后可以顯著降低模型的預(yù)測誤差。

3.3.2 CNN-GRU有效性驗證

為驗證本文所提CNN-GRU混合預(yù)測模型的有效性，分別采用BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型、RNN神經(jīng)網(wǎng)絡(luò)預(yù)測模型、LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測模型、GRU神經(jīng)網(wǎng)絡(luò)預(yù)測模型以及CNN-GRU混合預(yù)測模型對復(fù)雜光照強度下的最大功率點電壓進行預(yù)測，預(yù)測結(jié)果對比如圖6所示，誤差對比如表2所示。

根據(jù)圖6和表2可知，本文所提GAN-CNN-GRU混合預(yù)測模型的預(yù)測值與實際電壓值重合程度更高，表明混合預(yù)測模型的預(yù)測精度更高。與BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，RMSE下降57.2%，MAE下降80.6%，MAPE下降58.5%；與LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測模型相比，RMSE下降36.6%，MAE下降63.1%，MAPE下降40.5%；與GRU神經(jīng)網(wǎng)絡(luò)預(yù)測模型相比，RMSE下降23.66%，MAE下降29.5%，MAPE下降28.3%。表明本文所提GAN-CNN-GRU混合預(yù)測模型能給有效提高復(fù)雜光照強度下最大功率點電壓的預(yù)測精度。

3.4 GAN-CNN-GRU-MPPT算法仿真

3.4.1 搭建仿真模型

在Matlab/Simulink環(huán)境下進行仿真，采用三組光伏太陽能板串聯(lián)，實驗中選用的光伏陣列模型參數(shù)：最大功率Pm為214.592W；開路電壓VOC為59.1V；短路電流ISC為4.89A；最大功率電壓Vm為47.9V；最大功率電流Im為4.48A；開路電壓溫度系數(shù)為-0.399%/℃；短路電流溫度系數(shù)為0.041%/℃。根據(jù)光伏系統(tǒng)最大功率點跟蹤控制原理搭建仿真模型，仿真模型如圖7所示。

3.4.2 仿真結(jié)果分析

根據(jù)實際不同天氣情況，環(huán)境因素有不確定性，本文設(shè)定了如下仿真情形，光伏太陽能板1，光照強度初始值為1000W/m?，兩秒后突變?yōu)?200W/m?，溫度為25/℃；光伏太陽能板2，光照強度初始值為800W/m?，兩秒后突變?yōu)?00W/m?，溫度為25/℃；光伏太陽能板3，光照強度初始值為600W/m?，兩秒后突變?yōu)?00W/m?，溫度為25/℃，模擬光照強度發(fā)生突變。將GAN-CNN-GRU-MPPT算法分別與BP-MPPT算法、RNN-MPPT算法、LSTM-MPPT算法、GRU-MPPT算法以及最大功率理論值進行了對比，各算法仿真跟蹤曲線如圖8所示，各算法性能對比如表3、表4所示。

仿真結(jié)果分析：由圖8和表3可知，在光照強度還未發(fā)生突變時，基于GAN-CNN-GRU-MPPT算法預(yù)測實際最大功率為425.342W，跟蹤曲線更加接近理論最大功率值，跟蹤精度為各算法的最高值，達到了99.78%，相較于BP-MPPT算法提高了6.81%，具有明顯的精度優(yōu)勢。

由圖8和表4可知，光照強度發(fā)生突變后，基于GAN-CNN-GRU-MPPT算法預(yù)測光照強度突變后的實際最大功率為246.106W，相較于該環(huán)境因素下的理論值248.521W，在跟蹤時間差距不是很大的情況下，跟蹤精度依然達到了99.01%，相較于LSTM-MPPT算法和GRU-MPPT算法，跟蹤精度分別提高2.13%和1.28%。

4 結(jié)論

為解決復(fù)雜光照條件下光伏系統(tǒng)最大功率點跟蹤效率低的問題，本文提出利用GAN對光伏陣列歷史數(shù)據(jù)進行擴充，利用CNN與GRU的混合模型實現(xiàn)對最大功率點電壓的預(yù)測。實驗與仿真結(jié)果表明：

與原始數(shù)據(jù)相比，利用GAN擴充之后的數(shù)據(jù)作為混合神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)，對于最大功率點電壓的預(yù)測精度有明顯的提升。

與BP-MPPT、RNN-MPPT、LSTM-MPPT、GRU-MPPT相比，預(yù)先使用CNN對輸入數(shù)據(jù)進行特征提取，能夠增強GRU神經(jīng)網(wǎng)絡(luò)的預(yù)測能力，預(yù)測誤差更小，在最大功率點跟蹤的仿真實驗中，跟蹤精度具有明顯優(yōu)勢。

通過實驗和仿真對比驗證，本文所提出的GAN-CNN-GRU-MPPT算法能給提高光伏系統(tǒng)的能量轉(zhuǎn)換效率，具有一定的實際意義。

參考文獻（References）：

[1] 葛傳九，武鵬，董祥祥，等.基于布谷鳥算法的光伏MPPT改進[J].

太陽能學(xué)報，2022，43（10）：59-64

[2] Abouadane H，F(xiàn)akkar A，? Sera D， et al. Multiple-Power-

Sample Based P&O MPPT for Fast-Changing Irradiance Conditions for a Simple Implementation[J]. IEEE Journal of Photovoltaics， 2020，10（5）：1-8 ISSN：2156-3381

[3] Alsumiri M . Residual Incremental Conductance Based

Nonparametric MPPT Control for Solar Photovoltaic Energy Conversion System[J]. IEEE Access，2019（99）：1-1 ISSN：2169-3536

[4] 李晶，竇偉，徐正國，等.光伏發(fā)電系統(tǒng)中最大功率點跟蹤算法

的研究[J].太陽能學(xué)報，2007（3）：268-273

[5] 張嚴，王亞君，余佳琪.基于神經(jīng)網(wǎng)絡(luò)-自適應(yīng)模糊的光伏

MPPT算法[J].國外電子測量技術(shù)，2022，41（4）：62-69

[6] Loubna Bouselham，Mohammed Hajji，Bekkay Hajji，

Hicham Bouali. A New MPPT-based ANN for Photovoltaic System under Partial Shading Conditions[J]. Energy Procedia，2017，111