基于RBF神经网络的风光互补路灯系统MPPT研究.docx

基于RBF神经网络的风光互补路灯系统MPPT研究
基于RBF神经网络的风光互补路灯系统MPPT研究
摘要：随着能源危机的日益严峻，利用可再生能源成为一种迫切的需求。风光互补路灯系统作为一种兼具环保和节能优势的技术，逐渐得到广泛关注。其中，最大功率点追踪（MaximumPowerPointTracking，简称MPPT）是提高系统效率的关键。本文基于径向基函数神经网络（RadialBasisFunctionNeuralNetwork，简称RBFNN）的MPPT方法进行研究，通过建模和仿真分析，验证了该方法的有效性和优势。
关键词：风光互补系统；路灯；MPPT；RBF神经网络；最大功率点追踪
一、引言
近年来，能源危机、环境污染和气候变化等全球性问题日益突出，推动人们加速转型向可再生能源的利用。风能和太阳能是最常见和广泛利用的可再生能源之一。风光互补路灯系统是一种同时利用风能和太阳能的系统，通过综合利用两种能源，能够满足路灯的照明需求。而其中的风能、太阳能转换装置中的最大功率点追踪技术是提高系统效率的关键。
二、风光互补路灯系统及MPPT技术
2.1风光互补路灯系统的原理
风光互补路灯系统由风力发电机、太阳能光伏电池、电能存储装置和照明装置等组成。当风能和太阳能资源充足时，系统可以直接将风能和太阳能进行转换并供电。当充足的能量无法满足照明需求时，电能存储装置起到储能的作用。系统的光伏电池组和风力发电机都需要进行MPPT以获取最大的功率输出。
2.2MPPT技术的作用
MPPT技术是一种通过调整光伏电池组和风力发电机工作点，使其输出功率达到最大的技术。传统的MPPT方法包括开环法、闭环法和模糊控制法等。然而，这些方法在应对非线性和动态性能方面存在一定的问题，因此需要寻求更为高效的MPPT方法。
三、基于RBF神经网络的MPPT方法
3.1RBF神经网络简介
RBF神经网络是一种常用的人工神经网络，其特点是通过径向基函数来映射输入到输出。它具有自适应学习和非线性映射能力，能够较好地应对复杂的非线性系统。
3.2RBF神经网络在MPPT中的应用
将RBF神经网络应用于风光互补路灯系统的MPPT中，可通过神经网络对风速、太阳辐照度、输出电压和电流等进行建模和预测，从而确定最佳工作点，实现系统的最大功率输出。其过程包括数据采集、神经网络训练、测试和控制。
3.3RBF神经网络MPPT的优势
与传统的MPPT方法相比，基于RBF神经网络的MPPT具有以下优势：（1）较强的非线性映射能力，可以更好地适应复杂的工况变化。（2）自适应学习能力，具有较好的实时性和鲁棒性。（3）通过科学合理的建模和预测，可以更精确地确定最大功率输出点。
四、实验模拟与结果分析
通过Matlab/Simulink软件进行建模和仿真，基于风光互补路灯系统的案例进行实验模拟，并与传统的MPPT方法进行比较。实验结果表明，基于RBF神经网络的MPPT方法能够有效提高光伏电池组和风力发电机的输出功率，实现系统的最大功率输出。
五、结论
本文基于RBF神经网络的MPPT方法在风光互补路灯系统中进行了研究和仿真分析。通过对风速、太阳辐照度、输出电压和电流等参数的建模和预测，该方法可以有效追踪最大功率点，提高系统的效率和能量利用率。相比传统的MPPT方法，基于RBF神经网络的MPPT具有更强的适应性和实时性，是一种值得推广和应用的方法。
参考文献：
[1]KaurK,KaurK.MaximumPowerPointTrackingTechniquesforWindEnergySystems:AComprehensiveReview.IEEEAccess,2018,6:32594-32613.
[2]IslamMA,SeyedmahmoudianM,RahmaniR,etal.AReviewonMPPTTechniquesforPhotovoltaicSystems.RenewableandSustainableEnergyReviews,2013,25:793-813.
[3]LinCY,HuangYC,LiuCY.OptimalInstallationsofWindTurbinesforStreetLightingSystemsusingGeneticAlgorithm.InternationalJournalofElectricalPower&EnergySystems,2012,35(1):52-60.