臺灣博碩士論文加值系統

本論文提出應用田口分數階粒子群最佳化法(TFPSO)結合發電預測，並應用於自行研製具升降壓模式之2kW轉換器與TI控制電路作為太陽能光電系統之最大功率追蹤器(MPPT)，使太陽能光電板在理想情況或部分遮陰皆可達到最大功率輸出。首先利用田口法對分數階粒子群演算法做參數組合，接著進行太陽能光電板最大功率追蹤電腦模擬，並計算追蹤準確率及追蹤時間權衡問題得到最佳參數組合。接著執行單峰值功率曲線、雙峰值功率曲線、三峰值功率曲線，以及於不同大氣環境下如日照變化、溫度變化等實驗，驗證TFPSO之性能優於FPSO。最後利用2kW多晶矽太陽能光電板與自行研製的MPPT，進行多天最大功率追蹤實測，考慮到2kW多晶矽太陽能光電板容易發生老化問題，因此利用卷積神經網路(CNN)進行太陽能光電板發電預測，並將實際功率與預測功率進行比較分析。經實驗證實，TFPSO不論在單峰、多峰功率曲線之情況，或在日照變化、溫度變化之環境，其性能皆優於FPSO。
關鍵字：田口分數階粒子群最佳化法、最大功率追蹤器、卷積神經網路。

This thesis applies the taguchi fractional order particle swarm optimization (TFPSO) with a 2kW series buck-boost converter and TI control circuit, which is self-developed and has functions of buck and boost, as the maximum power tracker (MPPT) of the solar photovoltaic system combine with solar power prediction. No matter under ideal environmental conditions or partial shading condition(PSC), the converter can operate at maximum power point. We train parameters to be the best for MPPT on computer simulation by using Taguchi method. To verify its performance, we conducted experiment base on single- peak power curve, double-peak power curve, triple-peak power curve, quadruple-peak power curve, insolation variations, and temperature variations. Results show that the proposed TFPSO has better performance then FPSO.
Considering that 2kW polycrystalline solar photovoltaic panels are prone to aging problems, Therefore, the use of convolutional neural networks (CNN) for solar power prediction, and Compare and analyze the ideal power and predicted power.
Keywords：Taguchi fractional order particle swarm optimization, CNN, MPPT

摘要 i
Abstract ii
目錄 iii
圖目錄 viii
表目錄 xii
第一章 緒論 1
1.1 研究背景 1
1.2 文獻回顧 2
1.3 論文大綱 6
第二章 太陽能光電板原理與特性 7
2.1 太陽能光電板發電原理 7
2.2 太陽能光電板輸出特性 8
2.2.1 太陽能光電板特性曲線 8
2.2.2 日照變化與溫度變化之影響 9
2.2.3 部分遮陰之影響 10
第三章 系統架構與周邊電路介紹 11
3.1 系統架構 11
3.1.1 電路架構 11
3.1.2 動作原理 12
3.2 周邊電路 15
3.2.1 輔助電源電路 15
3.2.2 電壓回授電路 16
3.2.3 電流回授電路 16
3.2.4 開關隔離驅動電路 18
第四章 最大功率追蹤法 19
4.1 分數階粒子群最佳化法 19
4.2 田口分數階粒子群最佳化法 19
第五章 卷積神經網路演算法 25
5.1 卷積神經網路組成 25
5.1.1 卷積層 25
5.1.2 池化層 28
5.1.3 全連接層 28
第六章 田口分數階粒子群最佳化法參數訓練 29
6.1 第一回合訓練參數之決定參數與回應表建立 30
6.2 第二回合訓練參數之決定參數與回應表建立 31
6.3 第三回合訓練參數之決定參數與回應表建立 33
6.4 結束田口訓練回合 34
第七章 軟體規劃與程式流程 36
7.1 控制晶片介紹 36
7.2 程式流程介紹 36
7.2.1 主程式流程介紹 37
7.2.2 PWM副程式介紹 38
7.2.3 軟體保護副程式介紹 39
7.2.4 升壓／降壓模式判定副程式介紹 40
7.2.5 田口分數階粒子群最佳化法副程式介紹 41
7.3 卷積神經網路介紹 42
7.3.1 卷積神經網路程式介紹 42
第八章 電腦模擬 43
8.1 模組建立 43
8.1.1 單峰值功率曲線(最大功率點為升壓模式) 45
8.1.2 單峰值功率曲線(最大功率點為降壓模式) 47
8.1.3 雙峰值功率曲線(最大功率點為升壓模式) 49
8.1.4 雙峰值功率曲線(最大功率點為降壓模式) 51
8.1.5 三峰值功率曲線(最大功率點為升壓模式) 53
8.1.6 三峰值功率曲線(最大功率點為降壓模式) 55
8.1.7 日照強度變化 57
8.1.8 溫度變化 60
8.2 發電預測模型訓練 63
8.2.1 發電預測訓練平台 64
8.2.2 發電預測訓練結果 64
第九章 實驗與實測結果 71
9.1 電氣規格 71
9.2 微處理器運算時間 73
9.3 實驗結果 74
9.3.1 單峰值功率曲線(最大功率點為升壓模式) 75
9.3.2 單峰值功率曲線(最大功率點為降壓模式) 77
9.3.3 雙峰值功率曲線(最大功率點為升壓模式) 79
9.3.4 雙峰值功率曲線(最大功率點為降壓模式) 81
9.3.5 三峰值功率曲線(最大功率點為升壓模式) 83
9.3.6 三峰值功率曲線(最大功率點為降壓模式) 85
9.3.7 日照強度變化 87
9.3.8 溫度變化 90
9.4 實測結果 93
9.4.1 太陽能板理想功率修正 94
9.4.2 第一天全天取樣實測統計 97
9.4.3 第二天全天取樣實測統計 98
9.4.4 第三天全天取樣實測統計 99
9.4.5 第四天全天取樣實測統計 100
9.4.6 第五天全天取樣實測統計 101
9.4.7 第六天全天取樣實測統計 102
9.4.8 第七天全天取樣實測統計 103
9.4.9 全天實測數據整理與比較 104
9.5 發電預測 106
9.5.1 第一天全天發電預測 106
9.5.2 第二天全天發電預測 106
9.5.3 第三天全天發電預測 107
9.5.4 第四天全天發電預測 108
9.5.5 第五天全天發電預測 108
9.5.6 第六天全天發電預測 109
9.5.7 第七天全天發電預測 110
9.6 硬體轉換效率 112
第十章 結論與未來研究方向 114
10.1 結論 114
10.2 未來研究方向 114
參考文獻 115

[1]Cumulative installed solar PV capacity worldwide from 2000 to 2018 Statistic. Available: https://www.statista.com/statistics/280220/global cumulative installed-solar-pv-capacity/
[2]Yihua Hu, Jiangfeng Zhang, Peng Li, Dongsheng Yu, Lin Jiang, “Non-Uniform Aged Modules Reconfiguration for Large-Scale PV Array,” IEEE Trans. Device and Materials Reliability., vol. 17, no. 3, pp. 560-569, Sept. 2017.
[3]Majid Horoufiany, Reza Ghandehari, “Optimal fixed reconfiguration scheme for PV arrays power enhancement under mutual shading conditions,” IET Renew. Power Generation., vol. 11, no. 11, pp. 1456-1463, Sept. 2017.
[4]I. H. Rowlands, “Envisaging feed-in tariffs for solar photovoltaic electricity: European lessons for Canada,” Renew. Sustainable Energy Rev., vol. 9, pp. 51–68, 2005.
[5]COP21: 'Never have the stakes been so high' CNN.com. Available:http://edition.cnn.com/2015/11/30/europe/france-paris-cop21-climate-change- conference/
[6]Congress Climate History, Available:https://www.c2es.org/content/congress-climate- history/
[7]台灣電力公司，取自：https://www.taipower.com.tw/tc/page.aspx?mid=204&cid=1582&cchk=5b8ce619-7ff5-40e9-9032-bdfd93d197d
[8]Jubaer Ahmed, Zainal Salam, “An Enhanced Adaptive P&O MPPT for Fast and Efficient Tracking Under Varying Environmental Conditions,” IEEE Trans. Sustainable Energy., vol. 9, no. 3, pp. 1487-1496, Sept. 2018.
[9]Nahla E. Zakzouk, Mohamed A. Elsaharty, Ahmed K. Abdelsalam, Ahmed A. Helal, Barry W. Williams, “Improved performance low-cost incremental conductance PV MPPT technique,” IET Renew. Power Generation., vol. 10, no. 4, pp. 561-574, Apr. 2016.
[10]C. S. Chiu, “T-S fuzzy maximum power point tracking control of solar power generation systems,” IEEE Trans. Energy Conversion, pp. 1123-1132, 2010.
[11]C. S. Chiu, and Y. L. Ouyang, “Robust Maximum Power Tracking Control of Uncertain Photovoltaic Systems: a unified T-S fuzzy model-based approach,” IEEE Trans. Control Systems Technology, vol. 19, no. 6, pp. 1516-1528, 2011.
[12]T. Hiyama and K. Kitabayashi, “Neural network based estimation of maximum power generation from PV module using environmental information,” IEEE Trans. Energy Conv., vol. 12, no. 3, pp. 241–247, Sep. 1997.
[13]I. Abdalla, J. Corda, and L. Zhang, “Multilevel dc-link inverter and control algorithm to overcome the PV partial shading,” IEEE Trans. Power Electron., vol. 28, no. 1, pp. 14–18, Jan. 2013.
[14]K. Sundareswaran, S. Peddapati, and S. Palani,” MPPT of PV systems under partial shaded conditions through a colony of flashing fireflies,” IEEE Trans. Energy Conversion, vol. 29, no. 2, pp. 463–472, Jun. 2014.
[15]M. Miyatake, M. Veerachary, F. Toriumi, N. Fujii, and H. Ko, “Maximum power point tracking of multiple photovoltaic arrays: A PSO approach,” IEEE Trans. Aerospace Electron. Syst., vol. 47, no. 1, pp. 367–380, Jan. 2011.
[16]Y.-H. Liu, S.-C. Huang, J.-W. Huang, and W.-C. Liang, “A particle swarm optimization-based maximum power point tracking algorithm for PV systems operating under partially shaded conditions,” IEEE Trans. Energy Convers., vol. 27, no. 4, pp. 1027-1035, Dec. 2012.
[17]K. Ishaque, Z. Salam, M. Amjad, and S. Mekhilef, “An improved particle swarm optimization (PSO)—based MPPT for PV with reduced steadystate oscillation,” IEEE Trans. Power Electron., vol. 27, no. 8, pp. 3627- 3638, Aug. 2012.
[18]P. C. Krause, O. Wasynczuk and S. D. A. Dzieli´nski and D. Sierociuk, “Stability of discrete fractional order state-space systems” in Proc. 2nd IFAC, 2006.
[19]E. J. S. Pires, J. A. T. Machado, P. B. D. M. Oliveira and C. Reis, “Fractional dynamics in particle swarm optimization” in Proc. IEEE ISIC, 2007, pp. 1958-1962.
[20]E. J. S. Pires; J. A. T. Machado; P. B. M. Oliveira; I. S. Jesus, “Fractional order dynamics in a particle swarm optimization algorithm,” in Proc. IEEE ISDA, 2007, pp. 703-708.
[21]E. J. S. Pires, J. A. T. Machado, P. B. M. Oliveira, J. B. Cunha and L. Mendes, “Particle swarm optimization with fractional-order velocity,” HAL Trans. Nonlinear Dyn., pp. 295-301, 2011.
[22]J. Song, F. Dong, J. Zhao, S. Lu, S. Dou, and H. Wang, “Optimal design of permanent magnet linear synchronous motors based on Taguchi method,” IET Electr. Power Appl., vol. 11, no. 1, pp. 41-48, 2017.
[23]Jianfeng Zhao, Xia Mao, Lijiang Chen, “Learning deep features to recognise speech emotion using merged deep CNN,” IET Signal Processing., vol. 12, no. 6, pp. 713-721, Aug . 2017.
[24]Jean-Michel Siguier, Virginie Inguimbert, Gaël Murat, Denis Payan, Nicolas Balcon, “Arcing Test on an Aged Grouted Solar Cell Coupon With a Realistic Flashover Simulator,” IEEE Trans. Plasma Science., vol. 43, no. 9, pp. 2975-2979, Apr . 2015.