GAN-CNN-GRU在光伏最大功率点跟踪中的应用

王冉冉 高慧敏

摘  要： 光伏阵列在复杂光照强度条件下，出现局部遮荫现象，导致输出特性曲线呈现多峰值状态，造成光伏系统能量转化率低下。本文提出一种基于生成对抗网络（GAN）、卷积神经网络（CNN）和门控循环单元（GRU）的混合预测模型，预先使用GAN对光伏发电原始环境数据进行数据扩充，再用CNN提取不同光伏太阳能板的环境数据特征，最后利用GRU进行最大功率点电压的预测。仿真结果表明，该混合预测模型可避免陷入局部极值的情况，可以有效提高复杂光照强度条件下的最大功率点跟踪效率。

关键词： 光伏电池； 最大功率点跟踪； GRU神经网络； CNN神经网络； 生成对抗网络； 仿真

中图分类号：TM615          文献标识码：A     文章编号：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

在理想情况中，光伏阵列接受均匀光照，输出特性曲线为单峰值，仅有一个最大功率点（maximum power point，MPP）。然而現实情况中，光伏阵列难免遇到一些特殊情况，例如云彩，落叶，尘土，建筑物的影响，造成光伏阵列接受光照不均，导致输出特性曲线呈现多峰值现象，产生多个局部最大功率点（local maximum power point，LMPP）和一个全局最大功率点（global maximum power point，GMPP）[1]。

传统方法例如扰动观察法[2]、电导增量法[3]与恒定电压法[4]，在复杂光照条件下，容易受到LMPP影响，陷入局部最优解的情况，无法跟踪到GMPP，造成光伏系统能量转化率较低。

近年来，神经网络算法广泛地应用于光伏系统中。如文献[5]利用BP神经网络预测最大功率点电压，结合自适应模糊控制，但其BP神经网络预测精度还待进一步提升[5]。文献[6]提出用ANN来预测局部遮荫条件下的全局最大功率点，但训练数据还不够多，导致预测效果不太精确[6]。

对于以上算法存在的不足，本文引入GAN-CNN-GRU-MPPT混合预测模型。通过GAN进行光伏环境数据的扩充，增加训练数据，以提高模型的预测精度；加入CNN神经网络，对不同光伏太阳能板的环境数据进行输入特征的提取，最后由GRU神经网络实现复杂光照条件下的最大功率点电压预测。该混合预测模型的预测精度更高，能够更好地提高光伏系统的MPPT效率。

1 局部遮荫光伏阵列输出特性分析

光伏阵列在局部遮荫条件下会呈现多峰状态，本文以3×1的光伏组件在Simulink中搭建局部遮荫的仿真模型，各阵列参数选择一致，光伏阵列结构如图1。

假设光伏组件温度均为25℃，三个太阳能板所受光照强度分别为1000W/m?，800W/m?，600W/m?，此时光伏阵列的输出特性为多峰值状态，光伏阵列的I-V、P-V曲线如图2所示。

2 GAN-CNN-GRU-MPPT算法的设计

本文所建立最大功率点电压预测模型如图3。先利用GAN神经网络对光伏阵列的环境数据进行扩充；再利用CNN神经网络提取光伏阵列的环境数据特征，得到序列特征向量；最后将特征序列向量输入到GRU神经网络中，完成该情况下最大功率点电压的预测。

本文提出GAN-CNN-GRU混合神经网络结构如图4所示。先经过Flod层将输入reshape为指定形状；通过CNN对输入数据进行特征提取，设置两层一维卷积层（Conv1D），卷积数均为64，卷积核大小1×N，N为输入数据的维度，移动步长为1；两层池化层（Maxpooling1D）进行下采样，对特征向量进行降维，压缩；激活函数选用Relu；Unfold层实现与Flod互逆的操作；Flatten层将数据扁平化处理，将数据变为一维向量，处理成为GRU神经网络要求的输入格式；设置3层GRU层，在层与层之间加入Dropout层，防止训练过程中出现的过拟合现象；最后连接全连接层（Dense），输出最大功率点电压值预测值。

GAN-CNN-GRU混合神经网络进行复杂光照强度下光伏最大功率点跟踪的具体步骤如下：

⑴ 数据预处理，将获得的环境数据进行归一化处理，消除数据间差异较大的影响，加快模型收敛速度；

⑵ 使用GAN进行数据扩充，将扩充后的数据按照8：2的比例划分为训练集和测试集；

⑶ 训练CNN-GRU模型，训练过程使用Adam优化器调整模型参数，直至损失（loss）不再降低；

⑷ 得到训练好的网络模型，用测试集对网络进行测试，将输出结果进行反归一化处理，得到预测的最大功率点电压值；

⑸ 将训练好的网络模型转化为可在Simulink中应用的模块；

⑹ 将气象站获得的气象数据输入到训练好的网络模型中，预测该情况下的最大功率点电压；

⑺ 根据⑹中获得的最大功率点电压值调节抗阻变换器，使光伏系统工作在最大功率点处。

3 GAN-CNN-GRU-MPPT算法的验证与仿真

3.1 实验数据

本文所需的气象数据从2021～2022年，采集自xx集团光伏云平台，自凌晨4：00不间隔采样至晚上20：00，时间间隔为6分钟。

3.2 评价指标

本文采用平均绝对误差（MAE）、均方根误差（RMSE）和平均绝对误差率（MAPE）来评估模型，来直观的表现本文提出模型与其他模型性能的区别。三个指标值越小，表示预测值与真实值差距越小，预测精度越高。

[MAE=1Nn=1N|Vn-Vn|] ⑴

[RMSE=1Nn=1NVn-Vn2] ⑵

[MAPE=1Nn=1N|Vn-VnVn|×100%] ⑶

上式中，[Vn]为光伏阵列实际最大功率点电压，[V∧n]混合神经网络预测电压值，N为测试样本数量。

3.3 GAN-CNN-GRU神经网络的测试与验证

本文采用了GAN、CNN、GRU三个网络的混合模型，为验证GAN-CNN-GRU混合模型的有效性，分别与不同扩充量的数据进行对比，与不同神经网络模型进行对比，包括BP、RNN、LSTM、GRU。通过实验结果对比分析，验证了模型的性能优势。

3.3.1 GAN数据扩充有效性验证

本文将采样获得环境因素，包括三个光伏阵列受到不同的光照强度以及温度作为原始数据，利用GAN神经网络进行扩充，分别扩充20%，40%，60%，80%，100%。采用不用扩充比例的数据分别对模型进行训练、预测。预测结果对比如图5所示，误差对比如表1所示。

根据图5和表1可知，对光伏阵列原始数据进行扩充，能够提高復杂光照强度下最大功率点电压的预测精度，扩充比例越大，预测结果更加贴近实际电压值，预测精度更高。当对原始数据扩充100%数据量时，测试集的RMSE下降61.4%，MAE下降62.1%，MAPE下降63.7%，扩充数据后可以显著降低模型的预测误差。

3.3.2 CNN-GRU有效性验证

为验证本文所提CNN-GRU混合预测模型的有效性，分别采用BP神经网络预测模型、RNN神经网络预测模型、LSTM神经网络预测模型、GRU神经网络预测模型以及CNN-GRU混合预测模型对复杂光照强度下的最大功率点电压进行预测，预测结果对比如图6所示，误差对比如表2所示。

根据图6和表2可知，本文所提GAN-CNN-GRU混合预测模型的预测值与实际电压值重合程度更高，表明混合预测模型的预测精度更高。与BP神经网络预测模型，RMSE下降57.2%，MAE下降80.6%，MAPE下降58.5%；与LSTM神经网络预测模型相比，RMSE下降36.6%，MAE下降63.1%，MAPE下降40.5%；与GRU神经网络预测模型相比，RMSE下降23.66%，MAE下降29.5%，MAPE下降28.3%。表明本文所提GAN-CNN-GRU混合预测模型能给有效提高复杂光照强度下最大功率点电压的预测精度。

3.4 GAN-CNN-GRU-MPPT算法仿真

3.4.1 搭建仿真模型

在Matlab/Simulink环境下进行仿真，采用三组光伏太阳能板串联，实验中选用的光伏阵列模型参数：最大功率Pm为214.592W；开路电压VOC为59.1V；短路电流ISC为4.89A；最大功率电压Vm为47.9V；最大功率电流Im为4.48A；开路电压温度系数为-0.399%/℃；短路电流温度系数为0.041%/℃。根据光伏系统最大功率点跟踪控制原理搭建仿真模型，仿真模型如图7所示。

3.4.2 仿真结果分析

根据实际不同天气情况，环境因素有不确定性，本文设定了如下仿真情形，光伏太阳能板1，光照强度初始值为1000W/m?，两秒后突变为1200W/m?，温度为25/℃；光伏太阳能板2，光照强度初始值为800W/m?，两秒后突变为400W/m?，温度为25/℃；光伏太阳能板3，光照强度初始值为600W/m?，两秒后突变为300W/m?，温度为25/℃，模拟光照强度发生突变。将GAN-CNN-GRU-MPPT算法分别与BP-MPPT算法、RNN-MPPT算法、LSTM-MPPT算法、GRU-MPPT算法以及最大功率理论值进行了对比，各算法仿真跟踪曲线如图8所示，各算法性能对比如表3、表4所示。

仿真结果分析：由图8和表3可知，在光照强度还未发生突变时，基于GAN-CNN-GRU-MPPT算法预测实际最大功率为425.342W，跟踪曲线更加接近理论最大功率值，跟踪精度为各算法的最高值，达到了99.78%，相较于BP-MPPT算法提高了6.81%，具有明显的精度优势。

由图8和表4可知，光照强度发生突变后，基于GAN-CNN-GRU-MPPT算法预测光照强度突变后的实际最大功率为246.106W，相较于该环境因素下的理论值248.521W，在跟踪时间差距不是很大的情况下，跟踪精度依然達到了99.01%，相较于LSTM-MPPT算法和GRU-MPPT算法，跟踪精度分别提高2.13%和1.28%。

4 结论

为解决复杂光照条件下光伏系统最大功率点跟踪效率低的问题，本文提出利用GAN对光伏阵列历史数据进行扩充，利用CNN与GRU的混合模型实现对最大功率点电压的预测。实验与仿真结果表明：

与原始数据相比，利用GAN扩充之后的数据作为混合神经网络的训练数据，对于最大功率点电压的预测精度有明显的提升。

与BP-MPPT、RNN-MPPT、LSTM-MPPT、GRU-MPPT相比，预先使用CNN对输入数据进行特征提取，能够增强GRU神经网络的预测能力，预测误差更小，在最大功率点跟踪的仿真实验中，跟踪精度具有明显优势。

通过实验和仿真对比验证，本文所提出的GAN-CNN-GRU-MPPT算法能给提高光伏系统的能量转换效率，具有一定的实际意义。

参考文献（References）：

[1] 葛传九，武鹏，董祥祥，等.基于布谷鸟算法的光伏MPPT改进[J].

太阳能学报，2022，43（10）：59-64

[2] Abouadane H，Fakkar 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，窦伟，徐正国，等.光伏发电系统中最大功率点跟踪算法

的研究[J].太阳能学报，2007（3）：268-273

[5] 张严，王亚君，余佳琪.基于神经网络-自适应模糊的光伏

MPPT算法[J].国外电子测量技术，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