摘 要 本文设计了一种基于Blackfin的BF537数字信号处理器（DSP）的新型太阳能照明系统。它采用Siemens公司的TC35i模块来实现无线通讯，采用BP神经网络在蓄电池的灌充阶段实现了太阳能最大功率点跟踪（Maximum power point tracking,MPPT）。为了解决神经网络不保证收敛的问题，在BP神经网络里还引入了遗传算法，得到遗传神经网络（GA-BP）。最后通过系统的实现与测试，证明了算法的优越性和该系统的实用性。
关键词 太阳能照明 直流高压钠灯 BP神经网络 遗传算法 遗传神经网络（GA-BP）
1.引言
近几年，随着太阳能电池的迅速发展，其衍生产业也发展很快。太阳能照明作为一个随着太阳能工业同时发展起来的新兴产业，具有无污染、无需能源传输系统、维护方便等优点，使其开始逐渐代替传统的电力照明。目前沿海很多城市已经广泛应用太阳能路灯。在偏远无电地区，太阳能照明系统更具有广阔的应用前景[1].
但是现有的太阳能照明系统存在效率低、寿命短等缺点。为了解决这个问题，本人设计了一套基于Blackfin的BF537DSP的新型太阳能照明系统。
本系统采用GSM通讯来实现太阳能照明设备的远程监控，有效防止热岛效应[2]的发生。
当太阳能电池给蓄电池充电时，为了实现太阳能最大功率点跟踪（MPPT），引入BP神经网络算法以提高太阳能的利用率。由于神经网络本身不可避免的缺点，本系统还引入了遗传算法来改进。
2.系统整体设计
无线太阳能照明系统主要由DSP,太阳能电池，蓄电池，照明光源，传感器模块以及一些控制电路组成，系统的整体结构如图1所示。
图1 系统组成示意图
2.1 数字信号处理器
数字信号处理器是整个系统的核心，它实现最大功率点跟踪（MPPT）、无线数据传输、温度数据实时采集处理、蓄电池充放电的智能控制等。为了满足设计要求，选用Analog公司的Blackfin BF537[3]数字信号处理器。Blackfin使用一个32位RISC微控制器单元编程模式，它基于SIMD体系结构，提供理想的信号处理性能和能量效率。同时，BF537具有网络功能，它属于比较高端的数字信号处理器。
2.2光源的选择
本系统采用专门针对太阳能路灯而设计的50w直流24V小功率高压钠灯作为光源。高压钠灯是第3代绿色照明节能光源，它比起其他光源，具有发光效率高、耗电少、寿命长、透雾能力强和不诱虫等优点。而直流高压钠灯更是太阳能照明系统实现功能性照明的理想光源。它可以使用专用的电子镇流器，也可以使用价格低廉的电阻性镇流器。同时，它可以省去太阳能供电系统中的逆变器，大大节约了整个照明系统的成本，同时也提高了效率和可靠性。
2.3其它主要部件的选择
太阳能电池为整个系统提供照明和控制所需电能。在白天光照条件下，太阳能电池将所接收的光能转换为电能，经充电电路对蓄电池充电；天黑后，太阳能电池停止工作，输出端开路，蓄电池将储存的化学能转换成电能输出照明负载。
系统利用全封闭免维护铅酸蓄电池组来储存太阳能电池发出的电能。并采用了美国国家半导体公司生产的LM92温度传感器，对太阳能电池的温度进行实时的采样。
为实现无线传输功能，本系统采用了Siemens公司的TC35i无线通讯模块。TC35i是Siemens公司在原有TC35模块的基础上升级而成的。它有专门的串口与DSP的异步串行通信接口UARTO连接，并通过AT命令对该模块进行控制和数据传输。GSM模块的硬件原理图如2所示
图2 GSM模块硬件原理图
2.4蓄电池充电策略
铅酸蓄电池是整个太阳能照明系统中寿命最短且最难维护的一个模块，它直接影响到整个系统的寿命。为了尽量延长蓄电池的使用寿命，对它合理的充放电是至关重要的。本系统采用双标三阶段[4]充电来优化充电过程。
（1）大电流灌充阶段： 当蓄电池电压小于标准开路电压时，太阳能电池以其所能获得的最大功率对蓄电池充电。
（2）恒电压充电阶段： 当蓄电池电压等于标准开路电压时，以恒定的电压充电。
（3）浮充阶段：当蓄电池接近充满时，充电电流给蓄电池提供一个精确的、具有温度补偿功能的浮充电压Vf,以补充蓄电池因自放电损失的能量。
图3 充电电路的控制框图
充电电路的控制框图如图3所示。在大电流灌充阶段，充电电路连接太阳能电池与铅酸蓄电池，通过调整BUCK电路的PWM驱动占空比，达到控制太阳能电池输出功率的目的，最终实现太阳能最大功率点跟踪。在恒充和浮充阶段，充电电路仍然调整BUCK电路的PWM驱动占空比，不同的是此时调节占空比是为了控制蓄电池的端电压，防止过充。
3.遗传神经网络算法
3.1太阳能电池特性
太阳能电池的输出具有非线性特性，在一定的外界条件下（温度、光照强度等），存在一个最大功率输出点。如图4所示是太阳能电池在不同光照强度和温度下的伏安特性图，其中虚线所标注的是一定光强或一定温度下，太阳能电池的最大功率输出点。
从特性曲线看，恒定电压跟踪（CVT）是不能满足太阳能电池在各种日照和温度下的最大功率输出，特别是外界因素变化较大时，CVT控制不能充分利用到太阳能电池的发电效率，使得本就很低的发电效率显得更低。为了解决这个问题，采用BP神经网络本系统实现太阳能最大功率点跟踪（MPPT）的过程。为了进一步改善神经网络本身的缺陷，系统还引入了遗传算法来进行改进。
图4 太阳能电池的特性曲线
3.2 BP神经网络的结构及学习算法
BP神经网络[5]是一种误差反向传播的前馈型神经网络。它由输入层、隐层和输出层组成。网络由正向传播和反向传播组成，正向传播是输入层经隐层，传向输出层，若输出层得到了期望的输出，则学习算法结束，否则转至反向传播。反向传播是将误差按原联接通路反向计算，由梯度下降法调整各层节点的权值和阈值，使误差减小。
BP神经网络可以实现任意线性或非线性函数映射。然而，由于BP神经网络是基于梯度下降的误差反向传播算法进行学习的，在网络的设计过程中往往要经过反复的试凑和训练，无法严格保证每次训练是BP算法的收敛性和全局最优性。为克服其不足，本文利用遗传算法对其进行改进。
3.3遗传算法
遗传算法是模拟生物的遗传和长期进化过程发展起来的一种搜索和优化法。它模拟了生物界“生存竞争，优胜劣汰，适者生存”的机制，用逐次迭代法搜索寻优。由于遗传算法的整体搜索策略和优化计算不依赖于梯度信息，故在处理高度复杂的非线性问题时，表现出了无可比拟的优越性。
3.4遗传神经网络（GA-BP）
在神经网络的学习过程中，为了防止BP算法聒噪收敛，学习过程中首先由GA同时搜索解空间的一群点，并构成一个不断进化的群体序列，在几代的进化后，可以同时得到一些具有全局性的较好点，从这些较好点出发，再分别用神经网络BP算法进行学习，找到全局最优的权值，从而完成网络的学习。
GA-BP算法具体的实现步骤如下：
1） 对BP网络的权值、阈值的解空间进行实数编码，随机生成一个初始群体。实数编码可以缩短染色体串的长度，避免了有些变量难以进行二进制编码的困难，也避免了在二进制编码条件下必需的译码过程，提高了算法的精度和速度。
2） 调用BP神经网络，对群体中的每一个个体都进行适应度评价。BP网络的目标函数为误差最小化问题，故网络适应度函数可为：
Fit（ f （x）） = Cmax ?f （x） f （x） < Cmax,这里的Cmax根据群体容量的大小及每代BP网络输出的误差大小确定。
3） 根据个体的适应度，对群体中的个体进行选择、交叉、变异操作，完成一代进化。选择操作采用轮盘赌选择策略和最优个体保留法；采用多次均匀算数交叉法和多次均匀变异法。
4） 反复进行第2和第3步，直至进化了n代（n为预置的进化代数）。
5） 从第n代群体中选择m各可能具有全局性的个体进行BP网络训练。
6） 比较m个由BP网络求得的结果，从而获得权值、阈值的最优解，输出检验样本的仿真结果。
3.5太阳能最大功率点跟踪
采用一般经验或其它跟踪算法，很难快速跟踪太阳能电池的最大功率输出点，因为太阳能电池受光照、环境温度、摆放位置等多种因素影响，工作特性变化很大。而在理论上已经证明：对于一个三层的前馈网络，只要选择足够多的隐藏节点，总可以任意逼近一个平滑的非线性函数[6].
而本系统中引用了遗传算法，因此GA的进化代数n不要求很大。因为GA-BP网络中只要求GA为神经网络提供具有全局性的进化较好解，并不要求GA进化至权值、阈值的最优解。本文系统的进化代数为15代。经过20,000次左右的迭代基本完成收敛，而单纯的BP网络如果能够收敛的话，需要至少经过30,000次左右的迭代才能基本完成收敛。
要注意的是，最大功率点的寻找只在大电流灌充阶段进行。完成灌充阶段后，因为太阳能电池的输出功率已超出蓄电池的接收能力，系统停止对太阳能电池的MPPT控制，转为恒电压充电阶段。
4.结论
本文所述的无线太阳能照明系统，利用性能强大的DSP数字信号处理器BF537,实现了太阳能照明系统蓄电池充电的智能管理，并引入了遗传神经网络（GA-BP）和PWM脉冲发生电路实现了太阳能最大功率点跟踪（MPPT）提高了系统对太阳能电池的利用率。测试结果表明，该太阳能照明系统，具有效率高、稳定性好的优点，并能长期自动运行在免维护状态下，具有广阔的应用前景。
参考文献
[1]吴理博等。用于太阳能照明系统的智能控制器。清华大学学报（自然科学版）。2003年第43卷第9期
[2]孟昭渊。太阳能电池在照明灯具上的应用（上）。光源与照明。2003年第4期
[3]Blackfin BF537 User Manual. Analog Devices
[4]Texas Instruments Corp. Improved charging methods for lead-acid batteries using the UC3906 [R]. Texas USA: TO Corp. 1999
[5]K.Samangkool, et al. Maximum Power Point Tracking Using Neural Networks for Grid- connectedphotovoltaic System.Future Power System. 2005 International Conference on. 2005
[6]电气工程师手册编委会。电报工程师手册编委会[M].机械工业出版社。 2002