1 绪论
1.1 研究背景与意义
经济社会的发展离不开对能源的开发和利用。同时，由此而产生的负面问题也越来越突出。一方面，随着能源密集型行业的发展，传统的非可再生能源正在由于人类的过度消耗而濒临枯竭。另一方面，这些化石能源的消费对环境带来的破坏也不容忽视，其中最突出的就是化石能源消费产生的碳排放造成全球气候变暖的问题。能源消耗与环境保护问题已经成为摆在世界各国面前亟待破解的课题。
对于正处在工业化和城市化关键发展阶段的中国而言，能源需求总量一直保持增长态势[2]。2017年，中国的能源消费占全球的23.2%，中国的能源消费增长占全球的33.6%，这也是中国连续17年稳居全球能源增长榜首[3]。近年来，由于政策支持，中国的能源结构持续改进。2017年，中国可再生能源消费增长31%，占全球增长的36.0%。在常用的可再生能源中，对水电资源的开发会破坏水域生态系统，影响鱼类等生物的生存；而风力发电带来的噪声污染和对野生动物生存环境的破坏也是十分突出的问题。相比之下，太阳能的优势明显：储存量丰富；既没有碳排放，又不会破坏动植物生存环境。因此，太阳能成为当前最具开发和应用价值的可再生能源。
太阳能虽然储能丰富，但是在光伏系统中，当前的技术对太阳能的转换效率并不高。影响太阳能发电转换效率的因素主要有三个：一是光伏电池本身所选用的材料，这在根本上决定了电池的转换效率；二是光伏系统BOS（Balance of System）部分的整体效率；三是日常的运维水平。本研究所涉及的MTTP即是提高BOS部分整体效率的重要技术。光伏阵列的输出特性呈一个非线性关系，当输出电压较低时，
随着电压的变化，输出电流的变动不大，光伏阵列类似为一个恒流源；而当电压超过某一临界值继续上升时，电流急剧下降，此时的光伏阵列类似为一个恒压源。这导致光伏阵列的输出功率则随着输出电压的升高有一个先升后降的过程，峰值点即为最大功率点，复杂多变的外界条件会导致光伏电池的功率不能一直以最大值输出，从而造成损失。因此需要通过MPPT技术来加以调整。
......................
1.2 常用的 MPPT 技术
到目前为止，人们已经进行了大量的研究来实现光伏系统的 MPPT。其中，在实际工程中应用比较广泛的有恒定电压法、扰动观察法、电导增量法以及模糊逻辑控制和神经网络控制技术等。
1.2.1 扰动观察法
扰动观察法因其测量参数少而闻名[6]。该方法属于一种试错类型的 MPPT 技术，首先对光伏阵列的输出电压施加一个方向的扰动，这个扰动的大小被称为步长。然后采样观察施加扰动后其输出功率的变化：如果输出功率增大，说明前一次施加扰动的方向是正确的，下一次应该在同一方向施加扰动；若是输出功率减小，则说明前一次施加扰动的方向有误，下一次应该在相反方向施加扰动[7][8]。然后不断重复上述过程，直到施加扰动后输出功率基本不发生变化，即前后两次采样并计算得到的输出功率之差的绝对值小于一个人为设定的接近 0 的正数，表明已经跟踪到光伏阵列的最大功率点。与恒定电压法一样，扰动观察法的优点是原理简单，实现成本低。
尽管当前可用的 MPPT 技术很多，不同的 MPPT 技术在性能和应用的难易程度上有差异。因此，对 MPPT 技术进行全面客观地评估，既有利于在实际应用中选用最合适的方案，也有利于对现有 MPPT 技术做出进一步改进。根据跟踪效果和实现过程，评估可以分为四个方面，分别是跟踪速度，跟踪精度，实现成本以及稳定性。
当外界条件（如光照强度或者温度）发生变化时，光伏电池的输出特性曲线会随之移动，造成光伏电池工作点偏离最大功率点附近的情况。显然，当工作点偏离最大功率点时，MPPT 算法从响应到将工作点调节至最大功率点所用的时间越短越好。
........................
2 支持向量回归机
2.1 支持向量机简介
支持向量机(Support Vector Machine，SVM)算法主要被用来完成对数据的分类和回归处理。最早由 Vapnik 等人提出，属于监督学习类的机器学习算法[31][32]。根据输入的数据不同可以选择采用不同模型（若输入标签为连续值则做回归，若输入标签为分类值则做分类）。SVM 能够基于少量统计样本实现对统计规律的良好估计。这是因为它能够将结构化风险降低至最小，这样可以提高学习机泛化能力，进而最小化经验风险和置信范围。它的基本模型被定义为特征空间上的线性分类器，属于二类分类模型，其学习策略是在特征空间上将间隔最大化，最后可被转化为一个凸二次规划问题的求解。除了对参数和核函数的选择比较敏感之外，这种方法优势明显。在实际的分类，模式识别和回归问题应用中，SVM 都表现出了较高的预测精度和建模能力[33][34][35]。SVM 算法的优点包括：
（2）数据依赖程度低，仅仅需要一部分支持向量来支撑超平面的决策；
（3）可选择的核函数多；
（4）计算复杂度较低；
（5）强大的泛化能力，在样本量不是海量数据时准确率高；
.......................
2.2 支持向量机原理
2.2.1 Logistic 回归
Logistic 回归的目的是根据样本特征学习出一个 0/1 分类模型，这个模型的自变量是特征的各种线性组合，其自变量可以从负无穷取到正无穷，通过使用 Logistic函数（或称作 sigmoid 函数）将自变量映射到(0,1)上，映射后的值则可以被作为是特征属于类别 y=1的概率。
构造假设函数为：
.......................... 3 光伏发电系统模型的构建................25
3.1 光伏阵列子模型的建立 .........................25
3.2 光伏阵列的输出特性 ............................25
3.3 构建 MPPT 子模块 ..........................28
4 引入支持向量回归机的 MPPT 扰动算法.............33
4.1 改进扰动观察法的控制方案设计 ..........................33
4.2 SVR 模型的训练 ............................35
5 仿真结果分析................45
5.1 常规扰动观察法步长的选取 ...........................45
5.2 温度不变时辐照度改变 ..............................46
5 仿真结果分析
5.1 常规扰动观察法步长的选取
为了选取合适的扰动步长，本文对一系列步长在标准条件下进行了仿真，其输出曲线如图 5-1 所示，图中各曲线的峰值功率原本是相同的，这里为了对比清晰，对不同功率曲线叠加了一个常数功率来使曲线分开。图 5-1 中椭圆标记部分的放大图如图 5-2 所示。从图 5-1 中可以看出，当步长位于 0.0005 和 0.0008 之间时，跟踪效果良好，超出这一范围后，跟踪效果明显变差：当扰动步长为 0.0004 时，收敛时间急剧增大，且在跟踪阶段就发生了较为严重的振荡；当扰动步长为 0.0009 时，虽然收敛时间很短，但稳态时的振荡变得异常严重，跟踪精度很低。
基于上述仿真结果，在跟踪效果良好的步长范围内，步长为 0.0008 时的收敛时间最短，步长为 0.0005 时的振荡幅度最小，因此为了对比观察引入 SVR 后的扰动观察法在跟踪速度和跟踪精度上的变化，本文选取 0.0008 和 0.0005 作为常规扰动观察法的步长，用来与改进后的扰动观察法的跟踪效果进行对比。
.........................
6 总结与展望
6.1 全文总结
传统的MPPT方法如扰动观察法和电导增量法都面临一个跟踪速度和跟踪精度无法兼顾的问题，而后来提出的模糊控制和神经网络控制方法又分别面临着对规则库的依赖、复用性较差以及计算量大等困境。针对上述问题，本文采用了一个基于改进扰动观察法的最大功率点跟踪方案。改进的方法是利用SVR算法，对扰动观察法的步长进行一个更为精准的预测。该算法不仅提高了跟踪的速度和精度，而且可以适用于小样本，计算复杂度也远低于人工神经网络算法，实现成本低。
本文主要取得的成果及创新点如下：
（1）本文首先依据等效电路建立了光伏阵列模型，并在不同辐照度和温度条件下进行仿真，得到了相应输出特性的开路电压、短路电流以及最大功率点电压，
并将其作为训练集和测试集用来完成模型训练和测试。其中，开路电压和短路电流用来作为数据集的属性矩阵，最大功率点电压作为结果标签。
（2）在模型的训练过程中，使用了网格搜索与交叉验证相结合的参数寻优过程。在训练开始时同时对 5*6 组不同的惩戒因子和 gamma 参数的模型进行预训练，对每一组参数模型，都将训练数据分为 5 份进行交叉验证。最终得到了最佳参数组合的 SVR 模型。
（3）在选定所用SVR模型后，运用S-Function将其引入扰动观察MPPT子模块中用来进行步长预测，并建立了完整的光伏发电系统模型。通过对模型进行仿真发现，智能化的步长预测实现了较高的跟踪性能。相比传统的扰动观察法，引入了SVR之后的MPPT收敛时间最高减小了96.5 %，跟踪精度最高提升了2.60个百分点。
参考文献（略）