團隊介紹

楊博，英國利物浦大學博士(國家留學基金委公派全額資助)，昆明理工大學副教授、碩士生導師，致力于新能源發電系統智能優化與控制，以及人工智能在智能電網中的應用等研究。

現擔任中國電工技術學會第八屆理事會青年工作委員會委員、《電力系統保護與控制》第二屆青年專家學術委員會委員、云南省電力行業協會高級咨詢專家、核心期刊《電力建設》專刊合作主編、ESCI期刊《Protection and Control of Modern Power Systems》專刊合作主編。

目前共主持含國家自然科學基金，省部級、廳局級研究計劃和企事業在內的縱橫向科技項目6項。入選2018年云南省首屆萬人計劃-青年拔尖人才(省部級)。獲2018年中國電力企業聯合會技術類一等獎、2018年中國產學研合作創新成果獎二等獎、2020年第二屆IEEE亞洲能源與電氣工程研討會(IEEE AEEES 2020)最佳青年科學家獎。

以第一作者著英文論著1章，申請國家實用新型3項，發表學術論文110篇，其中在Applied Energy、Energy Conversion and Management等能源領域頂尖期刊發表SCI索引論文87篇，以第一作者發表SCI論文33篇(包括ESI論文6篇，一篇為熱點論文，中科院一區13篇)，以通訊作者發表SCI論文19篇。另外，在《電工技術學報》、《電力系統自動化》等雜志發表EI索引期刊論文12篇。

張孝順，博士，副教授，碩士生導師，汕頭大學卓越人才計劃“優秀人才”，中國電工技術學會第八屆理事會青年工作委員會委員，中國電工技術學會人工智能與電氣應用專業委員會委員，廣東省青年科學家協會會員，專注于電力系統優化運行與控制的智能化技術，重點研究高效的機器學習等人工智能算法。

圍繞著這個研究方向，已發表國家級專著1本，已授權發明專利5項，已發表(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年參與多項縱向與橫向科研項目，主持國家自然科學基金青年基金項目1項、廣東省自然科學基金面上項目1項。

榮獲 “2018年度電力創新獎技術類一等獎”、 “2018年度江蘇省科學技術獎三等獎”、 “2018年度中國電工技術學會科學技術獎二等獎”、汕頭市青年崗位能手、汕頭市第一屆五四青年獎章。本人擔任《Protection and Control of Modern Power Systems》、《電力建設》等權威電力期刊專欄副主編，還擔任《IEEE Transactions on Power Systems》、《IEEE Transactions on Smart Grid》等20余個SCI/EI期刊的審稿專家，并被多次授予“優秀審稿專家”榮譽稱號。

導語

本文提出了一種基于貪婪搜索的神經網絡算法，以實現非均勻溫差分布下集中式溫差發電系統的最大功率跟蹤。

該算法采用Levenberg-Marquardt法訓練前饋神經網絡，得到系統的輸入-輸出擬合曲線，以準確區分局部最大功率點和全局最大功率點。同時，基于擬合的曲線，設計壓縮范圍的貪婪策略快速逼近全局最大功率點。

三種算例下的仿真結果驗證了所提算法的有效性。此外，基于dSpace的硬件在環實驗驗證了所提算法的硬件可行性。

項目研究背景

溫差發電（TEG）的原理是利用熱電材料的Seebeck效應將熱能轉換為電能，其不僅能有效利用自然界中的地熱能、海洋熱能和太陽能等清潔能源，還可回收工業及生活中產生的大量余熱廢熱，提高能源利用率。

在能源危機和環境污染的時代背景下，TEG被視為一種具有廣闊前景的綠色發電技術。通常，TEG系統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，本文設計了一種基于貪婪搜索的神經網絡算法（GSNN），以在各種復雜工況下實現有效的最大功率跟蹤（MPPT），從而最大限度地獲得系統輸出功率。

論文方法及創新點

GSNN實現MPPT的控制框架包括訓練神經網絡和貪婪搜索兩部分，如圖1所示。

首先，將前饋神經網絡的輸入和輸出分別設置為DC-DC升壓變換器的占空比和對應的TEG系統輸出功率，進行神經網絡訓練。然后，基于神經網絡訓練擬合的輸入-輸出（I/O）曲線，執行貪婪搜索，得到新的訓練樣本，并重新訓練神經網絡。上述過程將反復執行，直至滿足算法迭代終止條件。

圖1 GSNN整體控制框架

為驗證所設計GSNN的有效性，本文以擾動觀測法（P&O）、粒子群算法（PSO）和群灰狼算法（GWO）為參照對象，在恒定溫度、階躍溫度和靈敏度分析三種算例下進行仿真比較。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結果

表1 兩種算例下各算法的統計結果

此外，本文基于dSpace進行了硬件在環實驗以驗證GSNN的硬件可行性。其中，恒定溫度下硬件在環實驗與仿真結果對比如圖3所示。

圖3 恒定溫度下仿真和硬件在環實驗實驗結果對比

結論

本文設計了一種新型GSNN算法以實現非均勻溫差分布下集中式TEG系統的MPPT，其主要貢獻和創新點可總結如下：

（1）GSNN利用神經網絡擬合出非均勻溫差分布下集中式TEG系統的控制輸入-功率輸出多極值曲線，將MPPT等效為一個黑箱問題，無需精確系統模型，就可實現快速穩定的全局MPPT，符合MPPT實時控制的要求。

（2）與傳統啟發式算法相比，GSNN通過擬合的I/O曲線引導貪婪搜索，可有效避免盲目的隨機搜索，從而提高收斂速度及穩定性。

（3）三種算例的仿真結果表明，GSNN能在非均勻溫差分布下快速穩定地產生最大能量。特別地，在階躍溫度下，GSNN產生的能量分別為P&O、PSO和GWO的103.23%、109.40%、102.26%。此外，基于dSpace的硬件在環實驗驗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. 基于貪婪神經網絡的集中式溫差發電系統最大功率跟蹤[J]. 電工技術學報, 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.