1、 太阳能汽车通信工具。简介光致电压的（PV） 生成获取增加的重要性作为可延续能源。太阳能的不受欢迎得到了迅速的更改, 通常发生在一个连续通信工具上, 由于树荫从、大厦、大树, 和多云等情况的出现，在常规PV 系统有困难的回应迅速差异是由于树荫产生的。PV 系统主要缺点是, 最初安装费用是相当地高并且能量转换效率（从12% 到29%） 是相对比较低的。此外, 在许多情况下, PV 系统要求一台动力调节器（直流电 直流电 或 直流电 交流电 的交换器） 为负荷界面。所以, 整个系统费用能被猛烈地减少，通过使用高效率的动力调节器, 譬如最大能量点跟踪仪（MPPT）, 提取和维护峰值功率从PV 模块既
2、使当上述不赞同的条件发生。各种各样的最大能量跟踪仪的方法，已经被考虑了在PV 力量应用中1-12 。在小山之中攀登的方式1-5 ,扰乱和观察跟踪最大能量点（MPP） 由增加或一再减少输出电压在PV 模块的MPP 上。这个方法要求P与V 的计算来确定MPP1,2,4 。但当辐照度迅速的更改时它无法跟踪到MPP值，并且, 方法是在MPP 附近摆动而代替直接地跟踪它。递增导率技术（ICT） 其它方法之中是最精确的。这个方法在迅速更改的情况下可得到很好的性能。但是, dI/dV 的复杂计算和复杂的算法要求对每一个数字信号进行处理 （DSP）, 通常将增加总系统费用。MPP 跟踪的方法使用PV 模块的短
3、路在当前运用情况运行下当前PV 模块的MPP短路电流是成线性比例的 。在迅速地更改大气情况之下, 这个方法有跟踪MPP 的快速的回应速度, 但控制电路是复杂的。使用太阳能仪表板的开放电路电压的MPP的跟踪方法利用工作电压在MPP 与开放电路电压几乎线性的比例在PV 模块的MPP中 （使用76% 开放电路电压作为MPP 电压） 。这个方法是非常简单和有效的, 但参考电压不能更改在采样之间。MPPTs 使用模糊的逻辑性13,14 和人工神经网络（ANN） 15have 被报导出来。这些研究表示, 像这样的现代控制算法是能改进跟踪的性能与比较常规方法。在本文里, 我们提出ANN MPPT 为太阳电通
4、信工具PV 系统。跟踪的算法更改交换器的义务比率以便使PV 模块电压等于电压对应于MPP 在那个大气情况。这个调整由使用执行传播ANN 。参考电压对MPP 由脱机被培训的ANN 获得。管理器生成升压交换器的工作周期。1 .PV 模块特性太阳列阵特性极大影响了交换器和控制系统的设计, 因此PV 特性简要将被复核得这里。太阳列阵是一个非线性设备, 可能代表作为一个当前来源设计, 依照被显示在图1 。太阳列阵的传统I-V 特性, 当忽略内部分流器抵抗, 由以下等式给:Io 和Vo 是太阳列阵的输出电流和输出电压; Ig 是被生成的当前在指定的日射能量之下; Isat 是反向饱和电流; q 是电子的电
5、量; k 是伯磁曼常数; A 是P-N 连接点的理想系数; T 是列阵温度; Rs 和Rsh 是太阳列阵的内在电阻和分流器抵抗电阻。太阳列阵的饱和电流随温度变化根据以下等式:Tr 是参考温度; 被使用在太阳列阵上的Ior 是在Tr下的饱和电流; Ego是半导体的范围空白能量; B 并且是理想系数; Isc 是在下的短路;是短路电流的温度系数是1内的日射能量。等式（1）-（3） 被使用在计算机模拟的发展中。Matlab 编程语言被使用。图2 显示被模拟的电流电压和力量电压弯曲为太阳列阵在不同的日射能量和不同的温度。这些曲线表示, 太阳列阵的输出特性是非线性和受太阳辐射、温度, 和负荷状态很大地影
6、响。各曲线有最大力量点（Pmax）, 是优选的运行的点有利于太阳列阵的高效率的使用。2. 人工神经网络图2 Current-voltage 和力量电压弯曲为太阳列阵在不同的日射能量和不同的温度（S 是太阳辐射）ANN 技术成功被申请了解决非常复杂问题。最近, 其申请以各种各样的域增加速度16,17 。误差的平方或误差能量的瞬间总和在迭代n 次被测量那里神经元j 位于同一层的神经元i 右边, 和神经元k位于同一层的神经元右边j 当神经元j 是一个被隐藏的部件; ej （n） 是误差信号在神经元j 输出为迭代n; 并且集C 包括所有神经元在网络的外面层。（n） 对突触神经的重量（被给出：是动量常数
7、;是反向增值算法的学习率参变量; （n） 是局部梯差信号在输出被定义（n） 是渴望的回应或想要的目标和yj （n） 是输出信号。重量的调整为这些层被给从Eqs 。（4） 和（6）, 平均值的平方误差信息标准值可写出，为：网络培训一再执行直到性能标准下跌在一个指定值之下, 理想的到零。然后被连接的网络的重量以这样的方式被调整，即下列阵电压VA 与最大力量点电压Vmp 完全相等。参考电压Vref 在这个状况下变得相等与最大力量点电压Vmp 。被提出的三层哺养转接神经网络功能的近似值被显示在图3 。神经网络被使用获得最大力量Vmp （n） 的电压的太阳盘区。网络有三块层: 输入, 隐藏, 和输出层。
8、节点的数量是二, 四, 和一个在输入, 被隐藏的, 和输出层, 各自地。参考电池开放电路电压Voc （n） 和时间参数T （n）被提供给神经网络的输入层。这些信号直接地通过对节点在下块被隐藏的层。节点在输出层提供辨认的最大力量点电压Vmp （n） 。节点在被隐藏的层得到信号从输入分层堆积和寄发他们的输出到节点在输出层。标准差的放射性功能被运用在网络的层。训练计划计算连接的重量WI1,1 以偏心b1 为输入到被隐藏的层映射, 连接的重量2,1偏心倾斜b2 为被隐藏的层被输出层映射。在培训期间, 连接的重量递归地被修改直到最佳的适应值，直达到输入- 输出模式在培训中的数据。最后的培训是成功脱机使用
9、Matlab 。图3 哺养转接神经网络功能近似值3. 实验模拟结果PV 列阵被使用为实验数据的收集是JDG-M-45 （德国）型模块。模块有最大功率输出45 W 和20-V 开放电路电压在1000瓦/平方米。的辐照区域年和25.C 温度条件下。PV 模块说明提供了由制造商在表1 。（上面的表）PV 模块（JDG-M-45） 最大力量的表1 电子说明, Pm （w） 45短路当前, Isc （a） 2.93 开放电路电压, Voc （v） 20 电压在最大力量点, Vmp （v） 17.1 当前在最大力量点, 淘气鬼（a） 2.64 范围（mmmm） 971418 质量（公斤） 5 哺养转接传播
10、ANN, 依照被显示在图3 被培训了以值被获得从参考电池的实验数据而获得的值。梯度下降算法被使用在培训如同改进ANN 的性能, 减少总误差可由沿其梯度更改重量。培训参数是如下: 学习的费率参数= 0.1; 动量系数= 0.9; 培训iterations=10 000 的编号; 误差goal=0.000 001 。汇合误差为培训进程被显示在图4 。图4 汇合误差为神经网络培训进程ANN培训的使用系数和输出值的培训由ANN 给在培训之后可能被查找在表2 之后。各种各样套参考电池开放电路电压Voc 和时间参数T （依照被显示在表2） 被提供作为输入给ANN 。为了验证ANN 的学习能力, 其它Voc
11、 与那个不同在表2 并且被提供给ANN, 依照被预计给在Vmp 之外的值。软件Matlab 被使用了在ANN 的培训中。从输入1到隐藏层的重量如下:重量对输出层2 是WI2,1 = ?0.2039 0.0065 0.0561?0.3029 。偏心对层1 是b1 = -60.0887 12.996 -54.4753 -1.5969 。偏心到层2 是b2=-0.0397 。4. 结论人工神经网络MPPT 为充电太阳（合成） 通信工具的电池已经被提议在本文里。脱机ANN,以梯度下降动量算法被培训使用传播, 被运用为参考电压的联机估计为哺养转接循环。实验数据被使用为ANN 的脱机培训, 并且软件Mat
12、lab 被使用在最后的培训中。估计的精确度由汇合误差的图形验证了。提出的方法有几个好处在常规方法中, 特别由于没有对电压和当前传感器的需要, 和因为它避免力量的一个复杂计算。参考文献：1 Hua C, Lin J, Shen C. Implementation of a DSP-controlled photovoltaic system with peak power tracking. IEEE Trans. Ind. Electron., 1998, 45（1）: 99-107.2 Koutroulis E, Kalaitzakis K, Voulgaris N C. Developme
13、nt of a microcontroller-based photovoltaic maximum power point tracking control system. IEEE Trans. Power Elec-tron., 2001, 16（1）: 46-54.3 Kuo Y C, Liang T J, Chen J F. Novel maximum power point tracking controller for photovoltaic energy conver-sion system. IEEE Trans. Ind. Electron., 2001, 48（3）:
14、594-601.4 Sullivan C R, Powers M J. A high-efficiency maximum power point tracker for photovoltaic arrays in a solar-powered race vehicle. In: Proc. IEEE Power Electron. Spec.Conf., Seattle, WA, USA, 1993: 574-580.5 Simoes M G, Franceschetti N N. A risc-microcontroller based photovoltaic system for
15、illumination applications. In: Proc. IEEE Applied Power Electron. Conf., New Orleans, LA, USA, 2000: 115-1156.6 Tse K K, Ho M T, Chung H S, Hui S Y. A novel maximum power point tracker for PV panels using switching fre-quency modulation. IEEE Trans. Power Electron., 2002, 17（6）: 980-989.7 Brambilla
16、A, Gambarra M, Garutti A, Ronchi F. New ap-proach to photovoltaic arrays maximum power point track-ing. In: Proc. IEEE Power Electron. Spec. Conf., Charles-ton, SC, USA, 1999: 632-637.8 Mutoh N, Matuo T, Okada K, Sakai M. Prediction-data-based maximum power point tracking method for photo-voltaic po
17、wer generation systems. In: Proc. IEEE Power Electron. Spec. Conf., Caims, Austrilia, 2002: 1489-1494.9 Noguchi T, Togashi S, Nakamoto R. Short-current pulse-based maximum power point tracking method for multiple photovoltaic and converter module system. IEEE Trans.Ind. Electron., 2002, 49（1）: 217-2
18、23.10 Lee D Y, Noh H J, Hyun D S, Choy I. An improved MPPT converter using current compensation method for small scaled PV-applications. In: Proc. IEEE Applied Power Electron. Conf., Dalas, TX, USA, 2002: 540-545.11 Enslin J H R, Wolf M S, Snyman D B, Sweigers W. Inte-grated photovoltaic maximum pow
19、er point tracking con-verter. IEEE Trans. Ind. Electron., 1997, 44（6）: 769-773.12 Chen Y, Smedley K, Vacher F, Brouwer J. A new maxi-mum power point tracking controller for photovoltaic power generation. In: Proc. IEEE Applied Power Electron.Conf., Miami Beach, FL, USA, 2003: 56-62.13 Nafeh A, Fahmy
20、 F H, El-Zahab E M A. Evaluation of a proper controller performance for maximum power point tracking of a stand-alone PV system. International Journal of Numerical Modelling, 2002, 15（4）: 385-398.14 Veerachary M, Senjyu T S, Uezato K. Feedforward maximum power point tracking of PV systems using fuzz
21、y controller. IEEE Trans. Aerosp. and Electron. Syst., 2002,38（3）: 969-981.15 Hiyama T, Kouzuma S, Ortmeyer T. Evaluation of neural network based real time maximum power tracking control-ler for PV system. IEEE Trans. on Energy Conv., 1995,10（3）: 543-548.16 Bose B K. Artificial neural network applic
22、ations in power electronics. In: Proc. IEEE Ind. Electron. Conf., Denver, CO, USA, 2001: 1631-1638.17 Haykin S. Neural NetworksA Comprehensive Founda-tion, 2nd Edition. New York: Prentice Hall Inc., 1999.附录BArtificial Neural Network Maximum Power Point Trackerfor Solar Electric VehicleAbstract: This
23、 paper proposes an artificial neural network maximum power point tracker （MPPT） for solar electric vehicles. The MPPT is based on a highly efficient boost converter with insulated gate bipolar transis-tor （IGBT） power switch. The reference voltage for MPPT is obtained by artificial neural network （A
24、NN） with gradient descent momentum algorithm. The tracking algorithm changes the duty-cycle of the converter so that the PV-module voltage equals the voltage corresponding to the MPPT at any given insolation, tempera-ture, and load conditions. For fast response, the system is implemented using digit
25、al signal processor （DSP）. The overall system stability is improved by including a proportional-integral-derivative （PID） controller, which is also used to match the reference and battery voltage levels. The controller, based on the information sup-plied by the ANN, generates the boost converter dut
26、y-cycle. The energy obtained is used to charge the lith-ium ion battery stack for the solar vehicle. The experimental and simulation results show that the proposed scheme is highly efficient.Key words: artificial neural network; maximum power point tracker （MPPT）; photovoltaic module; digital signal
27、 processor; solar electric vehicleIntroductionPhotovoltaic （PV） generation is gaining increased im-portance as a renewable source of energy. The undesir-able rapid changes of solar power, which usually occur in a running vehicle, arise as a result of shade from buildings, large trees, and clouds in
28、the sky. Conven-tional PV systems have difficulties in responding to rapid variations due to shade. The main drawbacks of PV systems are that the initial installation cost is con-siderably high and the energy conversion efficiency （from 12% to 29%） is relatively low. Furthermore, in most cases, PV s
29、ystems require a power conditioner （dc-dc or dc-ac converter） for load interface. Therefore, the overall system cost could be reduced drastically by using highly efficient power conditioners, such as the maximum power point tracker （MPPT）, to extract and maintain the peak power from the PV module ev
30、en when the above-mentioned unfavorable conditions occur. Various methods of maximum power tracking have been considered in PV power applications1-12. Among the hill climbing methods1-5, the perturb and observe （P&O） method tracks maximum power point （MPP） by repeatedly increasing or decreasing the output voltage at MPP of the PV module. This method requires calcu-lation of dP/dV to determine the MPP1,2,4. Though the method is relatively simple to implement, it cannot track the MPP when the irradiance changes rapidly. Also, the
