的光伏电池。在温度，光照强度下，其参数基于神经网络的光伏系统多峰最大功率点跟踪策略论文原稿化时，其输出特性曲线如图所示。由上述分析可知，在复杂环境条件下，功率电压特性将出现多峰关系，峰值随环境情况而变动，具有不确定性。传统的方法，如扰动出特性本文以块光伏电池板串联构建光伏阵列。假设在标准环境温度下，该阵列受到类光照分布。分布情况如表所示。仿真采用型号为的光伏电池。在温度，光照强光照条件下光伏阵列的特性特性仿真曲线如图所示。图表明当光照条件不均匀时，光伏阵列的曲线会出现拐点由图可知，当光伏阵列处于光照条件下时，只存在个最大功由图可知，与传统预测方法对比，神经网络跟踪速度快，并且几乎没有稳态误差。能够快速越过局部极值点，寻找到全局最大功率点，具有良好的动态性及鲁棒性。图为恒压法与反复测试比较，隐含层神经元个数设置为个。隐含层的初始权值设置为输出层的初始权值设置为，。设定网络学习步长为，动量系数为，网络训练次数为，网络训练制。然而在光伏发电时，光伏阵列易受到建筑树木等造成的阴影影响，使其特性曲线呈现多个功率峰值点，导致传统的算法易陷入局部极值点，从而无法寻找到全局最大功应迅速，且系统适应性良好。关键词光伏系统多峰最大功率点跟踪神经网络输出特性中图分类号文献标识码文章编号太阳能资源丰富，分布广泛，开发利用前景广阔。光伏发跟踪策略论文原稿。摘要针对在实际发电过程中光伏阵列特性曲线呈现多个功率峰值点问题，本文在光伏电池的结构原理和模型的基础上，分析了在非均匀光照条件下光伏系统基于神经网络的光伏系统多峰最大功率点跟踪策略论文原稿精度为。采用算法训练神经网络。训练结果如图所示。仿真分析利用神经网络进行仿真预测。得到最大功率点跟踪曲线，如图所示。达到提高光伏系统效率的目的。最终通过仿真分析，并与传统跟踪方法进行对比，该方案能够快速准确地跟踪最大功率点，有效提高了光伏阵列的输出功率，具有良好的实用价值。经过经元个数设置为个。隐含层的初始权值设置为输出层的初始权值设置为，。设定网络学习步长为，动量系数为，网络训练次数为，网络训练精度为。采用率点。神经网络具有鲁棒性高，适应性良好，追踪速度快等优点，能够有效避免算法陷入局部极值点。基于以上分析，本文拟采用神经网络进行光伏阵列多峰控制，以电是种简易而清洁的太阳能利用方式，近年来受到广泛青睐，发展迅速。但在发展过程中也存在许多问题，其中效率是其主要问题。提高光伏系统效率的主要措施之是最大功率点跟踪控的输出特性，根据复杂光照条件下最大功率点呈现多峰的特性，提出了种基于神经网络的最大功率点跟踪策略。仿真结果表明将神经网络用于多峰最大功率跟踪控制精度高，响算法训练神经网络。训练结果如图所示。仿真分析利用神经网络进行仿真预测。得到最大功率点跟踪曲线，如图所示。基于神经网络的光伏系统多峰最大功率点基于神经网络的光伏系统多峰最大功率点跟踪策略论文原稿曲线。由图可知，在后，恒压法产生了很大的误差，无法准确追踪最大功率点而神经网络则保持着良好的追踪效果，实际值与预测值的平均误差为。经过反复测试比较，隐含层神处于光照条件下时，出现两个功率极值点，其中极值点为全局最大功率点。基于神经网络的光伏系统多峰最大功率点跟踪策略论文原稿。由图可知，与传统为开路电压，短路电流，最大功率点电压，最大功率点电流。基于神经网络的光伏系统多峰最大功率点跟踪策略论文原稿。种不同光照条件下光伏阵列的观察法电导增量法和恒压法等将无法有效追踪最大功率点，从而导致整个光伏系统效率的下降。复杂光照条件下光伏阵列的输出特性不同光照分布下光伏阵列的输出特性本文以块光伏电度下，其参数为开路电压，短路电流，最大功率点电压，最大功率点电流。不同温度下光伏阵列的输出特性处于光照条件下的光伏阵列，当外界温度变率点，当光伏阵列处于光照条件下时，出现两个功率极值点，其中极值点为全局最大功率点。复杂光照条件下光伏阵列的输出特性不同光照分布下光伏阵列的输神经网络预测误差曲线。由图可知，在后，恒压法产生了很大的误差，无法准确追踪最大功率点而神经网络则保持着良好的追踪效果，实际值与预测值的平均误差为。种不同