團(tuán)隊(duì)介紹

楊博，英國(guó)利物浦大學(xué)博士(國(guó)家留學(xué)基金委公派全額資助)，昆明理工大學(xué)副教授、碩士生導(dǎo)師，致力于新能源發(fā)電系統(tǒng)智能優(yōu)化與控制，以及人工智能在智能電網(wǎng)中的應(yīng)用等研究。

現(xiàn)擔(dān)任中國(guó)電工技術(shù)學(xué)會(huì)第八屆理事會(huì)青年工作委員會(huì)委員、《電力系統(tǒng)保護(hù)與控制》第二屆青年專家學(xué)術(shù)委員會(huì)委員、云南省電力行業(yè)協(xié)會(huì)高級(jí)咨詢專家、核心期刊《電力建設(shè)》專刊合作主編、ESCI期刊《Protection and Control of Modern Power Systems》專刊合作主編。

目前共主持含國(guó)家自然科學(xué)基金，省部級(jí)、廳局級(jí)研究計(jì)劃和企事業(yè)在內(nèi)的縱橫向科技項(xiàng)目6項(xiàng)。入選2018年云南省首屆萬(wàn)人計(jì)劃-青年拔尖人才(省部級(jí))。獲2018年中國(guó)電力企業(yè)聯(lián)合會(huì)技術(shù)類一等獎(jiǎng)、2018年中國(guó)產(chǎn)學(xué)研合作創(chuàng)新成果獎(jiǎng)二等獎(jiǎng)、2020年第二屆IEEE亞洲能源與電氣工程研討會(huì)(IEEE AEEES 2020)最佳青年科學(xué)家獎(jiǎng)。

以第一作者著英文論著1章，申請(qǐng)國(guó)家實(shí)用新型3項(xiàng)，發(fā)表學(xué)術(shù)論文110篇，其中在Applied Energy、Energy Conversion and Management等能源領(lǐng)域頂尖期刊發(fā)表SCI索引論文87篇，以第一作者發(fā)表SCI論文33篇(包括ESI論文6篇，一篇為熱點(diǎn)論文，中科院一區(qū)13篇)，以通訊作者發(fā)表SCI論文19篇。另外，在《電工技術(shù)學(xué)報(bào)》、《電力系統(tǒng)自動(dòng)化》等雜志發(fā)表EI索引期刊論文12篇。

張孝順，博士，副教授，碩士生導(dǎo)師，汕頭大學(xué)卓越人才計(jì)劃“優(yōu)秀人才”，中國(guó)電工技術(shù)學(xué)會(huì)第八屆理事會(huì)青年工作委員會(huì)委員，中國(guó)電工技術(shù)學(xué)會(huì)人工智能與電氣應(yīng)用專業(yè)委員會(huì)委員，廣東省青年科學(xué)家協(xié)會(huì)會(huì)員，專注于電力系統(tǒng)優(yōu)化運(yùn)行與控制的智能化技術(shù)，重點(diǎn)研究高效的機(jī)器學(xué)習(xí)等人工智能算法。

圍繞著這個(gè)研究方向，已發(fā)表國(guó)家級(jí)專著1本，已授權(quán)發(fā)明專利5項(xiàng)，已發(fā)表(含錄用)SCI/EI期刊論文91篇，其中：SCI期刊論文54篇(34篇Top, 4篇ESI高被引)；EI期刊論文37篇。近5年參與多項(xiàng)縱向與橫向科研項(xiàng)目，主持國(guó)家自然科學(xué)基金青年基金項(xiàng)目1項(xiàng)、廣東省自然科學(xué)基金面上項(xiàng)目1項(xiàng)。

榮獲 “2018年度電力創(chuàng)新獎(jiǎng)技術(shù)類一等獎(jiǎng)”、 “2018年度江蘇省科學(xué)技術(shù)獎(jiǎng)三等獎(jiǎng)”、 “2018年度中國(guó)電工技術(shù)學(xué)會(huì)科學(xué)技術(shù)獎(jiǎng)二等獎(jiǎng)”、汕頭市青年崗位能手、汕頭市第一屆五四青年獎(jiǎng)?wù)隆１救藫?dān)任《Protection and Control of Modern Power Systems》、《電力建設(shè)》等權(quán)威電力期刊專欄副主編，還擔(dān)任《IEEE Transactions on Power Systems》、《IEEE Transactions on Smart Grid》等20余個(gè)SCI/EI期刊的審稿專家，并被多次授予“優(yōu)秀審稿專家”榮譽(yù)稱號(hào)。

導(dǎo)語(yǔ)

本文提出了一種基于貪婪搜索的神經(jīng)網(wǎng)絡(luò)算法，以實(shí)現(xiàn)非均勻溫差分布下集中式溫差發(fā)電系統(tǒng)的最大功率跟蹤。

該算法采用Levenberg-Marquardt法訓(xùn)練前饋神經(jīng)網(wǎng)絡(luò)，得到系統(tǒng)的輸入-輸出擬合曲線，以準(zhǔn)確區(qū)分局部最大功率點(diǎn)和全局最大功率點(diǎn)。同時(shí)，基于擬合的曲線，設(shè)計(jì)壓縮范圍的貪婪策略快速逼近全局最大功率點(diǎn)。

三種算例下的仿真結(jié)果驗(yàn)證了所提算法的有效性。此外，基于dSpace的硬件在環(huán)實(shí)驗(yàn)驗(yàn)證了所提算法的硬件可行性。

項(xiàng)目研究背景

溫差發(fā)電（TEG）的原理是利用熱電材料的Seebeck效應(yīng)將熱能轉(zhuǎn)換為電能，其不僅能有效利用自然界中的地?zé)崮堋⒑Ｑ鬅崮芎吞?yáng)能等清潔能源，還可回收工業(yè)及生活中產(chǎn)生的大量余熱廢熱，提高能源利用率。

在能源危機(jī)和環(huán)境污染的時(shí)代背景下，TEG被視為一種具有廣闊前景的綠色發(fā)電技術(shù)。通常，TEG系統(tǒng)工作在非均勻溫差分布條件下，其特性曲線呈多峰特性。因此，本文設(shè)計(jì)了一種基于貪婪搜索的神經(jīng)網(wǎng)絡(luò)算法（GSNN），以在各種復(fù)雜工況下實(shí)現(xiàn)有效的最大功率跟蹤（MPPT），從而最大限度地獲得系統(tǒng)輸出功率。

論文方法及創(chuàng)新點(diǎn)

GSNN實(shí)現(xiàn)MPPT的控制框架包括訓(xùn)練神經(jīng)網(wǎng)絡(luò)和貪婪搜索兩部分，如圖1所示。

首先，將前饋神經(jīng)網(wǎng)絡(luò)的輸入和輸出分別設(shè)置為DC-DC升壓變換器的占空比和對(duì)應(yīng)的TEG系統(tǒng)輸出功率，進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練。然后，基于神經(jīng)網(wǎng)絡(luò)訓(xùn)練擬合的輸入-輸出（I/O）曲線，執(zhí)行貪婪搜索，得到新的訓(xùn)練樣本，并重新訓(xùn)練神經(jīng)網(wǎng)絡(luò)。上述過(guò)程將反復(fù)執(zhí)行，直至滿足算法迭代終止條件。

圖1 GSNN整體控制框架

為驗(yàn)證所設(shè)計(jì)GSNN的有效性，本文以擾動(dòng)觀測(cè)法（P&O）、粒子群算法（PSO）和群灰狼算法（GWO）為參照對(duì)象，在恒定溫度、階躍溫度和靈敏度分析三種算例下進(jìn)行仿真比較。其中，恒定溫度下不同算法MPPT的電壓、功率波形如圖2所示。

圖2 恒定溫度下不同算法的MPPT結(jié)果

表1 兩種算例下各算法的統(tǒng)計(jì)結(jié)果

此外，本文基于dSpace進(jìn)行了硬件在環(huán)實(shí)驗(yàn)以驗(yàn)證GSNN的硬件可行性。其中，恒定溫度下硬件在環(huán)實(shí)驗(yàn)與仿真結(jié)果對(duì)比如圖3所示。

圖3 恒定溫度下仿真和硬件在環(huán)實(shí)驗(yàn)實(shí)驗(yàn)結(jié)果對(duì)比

結(jié)論

本文設(shè)計(jì)了一種新型GSNN算法以實(shí)現(xiàn)非均勻溫差分布下集中式TEG系統(tǒng)的MPPT，其主要貢獻(xiàn)和創(chuàng)新點(diǎn)可總結(jié)如下：

（1）GSNN利用神經(jīng)網(wǎng)絡(luò)擬合出非均勻溫差分布下集中式TEG系統(tǒng)的控制輸入-功率輸出多極值曲線，將MPPT等效為一個(gè)黑箱問(wèn)題，無(wú)需精確系統(tǒng)模型，就可實(shí)現(xiàn)快速穩(wěn)定的全局MPPT，符合MPPT實(shí)時(shí)控制的要求。

（2）與傳統(tǒng)啟發(fā)式算法相比，GSNN通過(guò)擬合的I/O曲線引導(dǎo)貪婪搜索，可有效避免盲目的隨機(jī)搜索，從而提高收斂速度及穩(wěn)定性。

（3）三種算例的仿真結(jié)果表明，GSNN能在非均勻溫差分布下快速穩(wěn)定地產(chǎn)生最大能量。特別地，在階躍溫度下，GSNN產(chǎn)生的能量分別為P&O、PSO和GWO的103.23%、109.40%、102.26%。此外，基于dSpace的硬件在環(huán)實(shí)驗(yàn)驗(yàn)證了所提算法的硬件可行性。

引用本文

楊博, 王俊婷, 鐘林恩, 束洪春, 余濤, 張孝順, 譚恬. 基于貪婪神經(jīng)網(wǎng)絡(luò)的集中式溫差發(fā)電系統(tǒng)最大功率跟蹤[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(11): 2349-2359. Yang Bo, Wang Junting, Zhong Linen, Shu Hongchun, Yu Tao, Zhang Xiaoshun, Tan Tian. Maximum Power Point Tracking of Centralized Thermoelectric Generation System using Greedy Neural Network. Transactions of China Electrotechnical Society, 2020, 35(11): 2349-2359.