具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

如背景技术所述，现有技术中在局部遮挡下难以从多个局部MPP中快速稳定地寻找到全局MPP。

为解决上述问题，本申请实施例提出了一种局部遮挡下光伏阵列全局最大功率点追踪方法，通过将区间分段搜索与李雅普诺夫稳定函数相结合，从而能快速稳定地追踪到全局最大功率点，提高光伏发电效率。

如图1所示本发明实施例提出的局部遮挡下光伏阵列全局最大功率点追踪方法的流程示意图，该方法包括以下步骤：

S101根据局部遮挡下光伏阵列等效电路中的旁路二极管和阻塞二极管的状态建立光伏阵列模型。根据光伏阵列模型对应的P-U曲线确定局部最大功率点的输出电压。

如图3所示，光伏组件多采用串-并联方式组成光伏阵列，(即由M个光伏组件串联成一列，N串光伏组件并联)在此基础上加入旁路二极管D_b以及阻塞二极管D_p，旁路二极管主要作用是消除在局部阴影情况下出现的“热斑效应”。阻塞二极管D_p作用是避免光伏组件流过反向电流。在局部遮挡条件下，光伏阵列的电流-电压(I-U)、功率-电压(P-U)曲线受到旁路二极管和阻塞二极管的影响，将出现多峰现象。根据局部遮挡下光伏阵列等效电路中的旁路二极管和阻塞二极管的状态可建立光伏阵列模型。具体的，根据光伏阵列模型可画出对应的I-U曲线和P-U曲线，如图6所示，根据P-U曲线可确定全局最大功率点的输出电压。

为准确确定全局最大功率点的输出电压，在本申请的优选实施例中，根据所述光伏阵列模型对应的功率-电压P-U曲线确定局部最大功率点的输出电压，具体为：

将功率-电压P-U曲线平均划分为若干个区段；

通过功率-电压P-U变化率将若干区段进行判断合并，得到各局部极大值点所在的区间；

根据所述局部极大值点所在的P-U曲线区间确定输出电压。

具体的，先将功率-电压P-U曲线平均划分为若干个区段；通过功率-电压P-U变化率将若干区段进行判断合并，得到各局部极大值点所在的区间；根据所述局部极大值点所在的P-U曲线区间确定输出电压。在本申请的具体应用场景中，如图6所示，将若干个P-U曲线区段判断合并后得到三个区间A-B-C，C-D，D-E。每个区间都存在一个局部峰值，该峰值对应着P_m＝I_m*U_m。因此，每个区间都存在一个坐标点(U_m,I_m)为该区间的局部最大功率点，根据局部最大功率点所在的P-U曲线区间确定输出电压。需要说明的是，以上优选实施例的方案仅为本申请所提出的一种具体实现方案，其他根据功率-电压P-U曲线确定全局最大功率点的输出电压的方式均属于本申请的保护范围。

S102构造李雅普诺夫函数，根据李雅普诺夫函数的时间导数确定光伏系统电流的期望值的稳定函数，将李雅普诺夫函数确定的参数作为RBF神经网络的输入变量。

具体的，在研究线性定常系统时，已有许多判据如代数稳定判据、奈奎斯特稳定判据等可用来判定系统的稳定性。李雅普诺夫稳定性理论能同时适用于分析线性系统和非线性系统、定常系统和时变系统的稳定性，是更为一般的稳定性分析方法。李雅普诺夫稳定性理论主要指李雅普诺夫第二类方法，又称李雅普诺夫直接法。李雅普诺夫第二类方法可用于任意阶的系统，运用这一方法可以不必求解系统状态方程而直接判定稳定性。对非线性系统和时变系统，状态方程的求解常常是很困难的，因此李雅普诺夫第二类方法就显示出很大的优越性。根据李雅普诺夫函数的时间导数确定光伏系统电流的期望值的稳定函数，将状态方程确定的参数作为RBF神经网络的输入变量。

S103基于蛙跳-粒子群算法优化的径向基函数(RBF)神经网络确定与所述区间上输出电压对应的占空比函数。

具体的，蛙跳算法是一种全新的启发式群体进化算法，具有高效的计算性能和优良的全局搜索能力，粒子群算法是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。采用基于蛙跳-粒子群算法优化的RBF神经网络建立占空比D的预测模型，实质是将RBF神经网络的径向基中心和宽度作为蛙跳算法中的青蛙，并采用粒子群算法对蛙跳算法中的青蛙进行寻优，并通过不断寻优来更新参数，实现网络的学习和训练。

为确定准确的占空比数值，在本申请的优选实施例中，基于蛙跳-粒子群算法优化的RBF神经网络确定与所述输出电压对应的占空比函数，具体为：

基于李雅普诺夫第二类方法确定所述RBF神经网络的输入变量；

根据所述输入变量确定所述RBF神经网络的拓扑结构；

基于蛙跳-粒子群算法确定所述RBF神经网络的最优径向基中心和最优宽度；

根据所述最优径向基中心和所述最优宽度训练所述RBF神经网络；

根据所述训练的结果输出所述占空比函数。

具体的，先通过李雅普诺夫第二类方法确定RBF神经网络的输入变量；再根据输入变量确定所述RBF神经网络的拓扑结构；然后基于蛙跳-粒子群算法确定RBF神经网络的最优径向基中心和最优宽度；最后根据最优径向基中心和最优宽度训练RBF神经网络后输出占空比函数。

需要说明的是，以上优选实施例的方案仅为本申请所提出的一种具体实现方案，其他基于蛙跳-粒子群算法优化的RBF神经网络确定与所述输出电压对应的占空比数值的方式均属于本申请的保护范围。

S104将占空比函数确定的局部最大功率点进行比较进而确定全局最大功率点。

如上所述，通过比较由占空比函数确定的局部最大功率点，从而确定全局最大功率点。

为准确确定RBF神经网络的输入变量，在本申请的优选实施例中，基于李雅普诺夫第二类方法确定所述RBF神经网络的输入变量，具体为：

根据基尔霍夫定律和所述输出电压建立所述光伏阵列的阵列方程，所述阵列方程中包含所述输出电压、所述光伏系统电流、所述电感电流、所述光伏阵列的升压电压和占空比；

根据预设第一跟踪误差和所述阵列方程构造李雅普诺夫函数；

根据所述李雅普诺夫函数的时间导数确定光伏系统电流的期望值的稳定函数；

基于所述稳定函数和所述光伏系统电流的实际值构造第二跟踪误差；

将所述输出电压、所述光伏系统电流，所述第一跟踪误差和所述第二跟踪误差确定为所述输入变量。

具体的，基尔霍夫定律包括基尔霍夫电流定律和基尔霍夫电压定律，首先根据基尔霍夫定律和所述输出电压建立所述光伏阵列的阵列方程，所述阵列方程中包含所述输出电压、所述光伏系统电流、所述光伏阵列的升压电压和占空比，然后，根据预设第一跟踪误差和所述阵列方程构造李雅普诺夫函数，根据李雅普诺夫函数的时间导数可确定光伏系统电流的期望值的稳定函数，再基于所述稳定函数和所述光伏系统电流的实际值构造第二跟踪误差，最后，将输出电压、光伏系统电流，第一跟踪误差和第二跟踪误差确定为所述输入变量，其中，上述过程具体的计算公式在本申请具体应用场景中的实施例有详细说明，在此不再赘述。

需要说明的是，以上优选实施例的方案仅为本申请所提出的一种具体实现方案，其他基于李雅普诺夫第二类方法确定所述RBF神经网络的输入变量的方式均属于本申请的保护范围。

为确定准确的RBF神经网络的最优径向基中心和最优宽度，在本申请的优选实施例中，基于蛙跳-粒子群算法确定所述RBF神经网络的最优径向基中心和最优宽度，具体为：

根据所述RBF神经网络的初始径向基中心和初始宽度确定蛙跳算法中的青蛙个体；

随机生成预设数量的青蛙个体并确定最大迭代次数及维度；

根据适应度函数确定各所述青蛙个体的适应度值；

根据所述适应度值对所述青蛙个体进行分组；

根据各组青蛙个体中的最优青蛙个体确定粒子群算法的粒子；

基于所述粒子群算法更新最优粒子；

当达到所述最大迭代次数时，输出所述最优径向基中心和所述最优宽度。

具体的，首先初始化径向基中心和宽度，并将其作为青蛙个体输入至蛙跳算法中，再通过初始化青蛙种群随机生成预设数量的青蛙个体并确定最大迭代次数及维度，再根据适应度函数计算每个青蛙个体的适应度值，然后基于适应度值对青蛙个体进行分组，再根据各组青蛙个体中的最优青蛙个体确定粒子群算法的粒子，再基于所述粒子群算法更新最优粒子，最后当达到所述最大迭代次数时，输出所述最优径向基中心和所述最优宽度。其中最大迭代次数可以分为组内对应的局部最大迭代次数(粒子群算法的最大迭代次数)和所有分组对应的全局最大迭代次数(蛙跳算法的最大迭代次数)，当同时达到局部最大迭代次数和全局最大迭代次数时，确定达到最大迭代次数。

需要说明的是，以上优选实施例的方案仅为本申请所提出的一种具体实现方案，其他基于蛙跳-粒子群算法确定所述RBF神经网络的最优径向基中心和最优宽度的方式均属于本申请的保护范围。

S105根据全局最大功率点所对应的占空比数值驱动所述光伏阵列中的金属—氧化物半导体场效应晶体管MOSFET，以对所述全局最大功率点进行追踪。

具体的，根据占空比数值对应的PWM(Pulse width modulation，脉冲宽度调制)信号驱动电路中的MOSFET开关管，从而对全局最大功率点进行追踪。

通过应用以上技术方案，根据局部遮挡下光伏阵列等效电路中的旁路二极管和阻塞二极管的状态建立光伏阵列模型；根据所述光伏阵列模型对应的功率-电压P-U曲线确定局部最大功率点的输出电压；构造李雅普诺夫函数，根据李雅普诺夫函数的时间导数确定光伏系统电流的期望值的稳定函数，将李雅普诺夫函数确定的参数作为RBF神经网络的输入变量；基于蛙跳-粒子群算法优化的径向基函数(RBF)神经网络确定与所述输出电压对应的占空比函数；将占空比函数确定的局部最大功率点进行比较进而确定全局最大功率点；根据所述全局最大功率点所对应的占空比数值驱动所述光伏阵列中的金属—氧化物半导体场效应晶体管MOSFET，以对所述全局最大功率点进行追踪。从而实现能快速稳定地追踪到全局最大功率点，改善光伏电压、电流在最大功率点附近不稳定的状态，提高光伏发电效率。

为了进一步阐述本发明的技术思想，现结合具体的应用场景，对本发明的技术方案进行说明。

本发明实施例提出了一种局部遮挡下光伏阵列全局最大功率点追踪方法。光伏阵列在局部遮挡条件下，输出特性曲线呈多个局域峰值，影响了光伏阵列的最大功率点追踪(MPPT)。传统的MPPT算法使光伏系统工作于局部最大功率点，错失了真正的全局最大功率点。如图2所示，本发明实施例采用分段搜索，通过对光伏阵列P-U输出曲线进行分段合并，确定局部最大功率点所在的区间以及各个区间对应的电压值，将其作为李雅普诺夫稳定控制系统的输入。李雅普诺夫稳定控制中通过设定光伏发电系统的跟踪误差，并根据李雅普诺夫函数及基于蛙跳-粒子群算法优化的RBF神经网络确定功率开关器件的占空比函数，最后构造了一种新的DC-DC控制器，从而获取光伏发电系统的全局最大功率点。通过在构造的李雅普诺夫函数中引入积分环节，从而保证光伏系统在运行中的全局渐进稳定，并且提高光伏系统非线性控制的鲁棒性，能快速，稳定地追踪到最大功率点，改善光伏电压、电流在最大功率点附近不稳定的状态，提高光伏电池的能源利用效率。

光伏组件多采用串-并联方式组成光伏阵列，即由M个光伏组件串联成一列，N串光伏组件并联，构成为G＝M×N个的光伏阵列如图3所示，图中串联光伏组件两端反向并联的二极管为旁路二极管D_b，其主要作用是消除在局部遮挡情况下出现的“热斑效应”。另外当其中某个光伏组件被遮挡或出现故障而停止发电时，该二极管两端形成正向偏压，从而不影响其它光伏组件正常发电，同时也保护光伏组件免受较高的正向偏压或发热而损坏。图中在每一串光伏组件上所串联的二极管为阻塞二极管D_p，其作用是避免光伏组件流过反向电流。在局部遮挡条件下，光伏阵列的电流-电压(I-U)、功率-电压(P-U)曲线受到旁路二极管和阻塞二极管的影响，将出现多峰现象。

如图4所示为本发明实施例中光伏阵列原理示意图，光伏组件在均匀光照情况下，流经电池的电流是相同的，其并联的旁路二极管受反向偏压处于阻断状态；当光伏阵列上的某块光伏组件被遮挡时，即光伏组件上的光照不均匀分布时，旁路二极管受正向偏压就会处于导通状态。

图5本发明实施例中局部遮挡下光伏阵列仿真模型示意图。仿真实验中，设置3块光伏组件受到不同的光照强度，通过仿真验证其在局部遮挡下光伏阵列的输出曲线是多峰现象。

上述局部遮挡下光伏阵列全局最大功率点追踪方法主要包括以下步骤：

步骤一、根据局部遮挡下光伏阵列等效电路中的旁路二极管和阻塞二极管的状态建立光伏阵列模型，如图3所示，旁路二极管与等效电路中各光伏组件并联，阻塞二极管与各组串联光伏组件的正极侧串联，所述状态为导通状态或阻断状态。

步骤二、根据所述光伏阵列的功率-电压P-U曲线确定局部最大功率点所在的区间。具体包括以下步骤：

步骤a、分段

将P-U曲线划分为10G个小区间，G为光伏电池的数量。

步骤b、合并

计算每个小区间的功率-电压P-U变化率确定局部最大功率点所在的区间。

1)若相邻区间功率-电压P-U变化率符号相同，即将此合并构成新的区间；

2)若相邻区间功率-电压P-U变化率符号不同，当相邻区间P-U变化率由到时，则合并，否则不合并。

如图6所示，将P-U曲线分段并合并为三个区间A-B-C，C-D，D-E。每个区间都存在一个局部峰值，该峰值对应着P_m＝I_m*U_m。因此，每个区间都存在一个坐标点(U_m,I_m)为该区段的局部最大功率点。当存在温度和光照等干扰因素时，使得全局最大功率点很难确定，神经网络能够在干扰环境下追踪最大功率点具有追踪速度快以及抗干扰等优势，因此需要通过神经网络对已经划分好的区段进行深度搜索，从而确定局部最大功率点P_m，根据局部极大值点所在的P-U曲线区间确定输出电压。

步骤三、确定光伏发电系统状态方程。

如图7所示为本发明实施例中光伏发电系统原理示意图，根据基尔霍夫电流定律和基尔霍夫电压定律列出光伏发电系统方程：

方程中：其中，x₁为全局最大功率点的电流分段函数输出电压U_pv，x₂为光伏发电系统中电感电流I_L,x₃为光伏发电系统电流I_pv，D是光伏发电系统中DC-DC升压电路中功率开关器件的占空比。占空比D与x₁,x₂,x₃,共5个参数存在非线性关系。

步骤四、李雅普诺夫函数判定系统稳定性

李雅普诺夫判断稳定性的第二类方法是通过定义李雅普诺夫标量函数来分析判别稳定性。闭环自动控制技术都是基于反馈的概念以减少不确定性。反馈理论的要素包括三个部分:测量、比较和执行。测量关键的是被控变量的实际值，与期望值相比较，用这个偏差来纠正系统的响应，执行调节控制。首先设置跟踪误差为e₁，定义e₁＝y-y_ref，其中y_ref是PV阵列的期望输出值，则e₁的时间导数为：

在工程实际中，应用最为广泛的调节器控制规律为比例、积分、微分控制，简称PID控制，又称PID调节。PID控制器(比例-积分-微分控制器)是一个在工业控制应用中常见的反馈回路部件，由比例单元P、积分单元I和微分单元D组成。PID控制的基础是比例控制；积分控制可消除稳态误差，但可能增加超调；微分控制可加快大惯性系统响应速度以及减弱超调趋势。因此，从(比例-积分-微分)三部分构造李雅普诺夫函数。构造李雅普诺夫函数为：

通过系统的状态方程设定虚拟控制量，构造合适的李雅普诺夫函数，求出控制率，并通过李雅普诺夫函数判定系统稳定性。

步骤五、确定局部最大功率点的输出电压的占空比函数。

采用基于蛙跳-粒子群算法的RBF神经网络建立占空比D的预测模型，实质是将RBF神经网络的径向基中心μ和宽度σ作为蛙跳-粒子群算法中的青蛙，并通过不断寻优来更新参数，实现网络的学习和训练。

采用光伏电池模型，使模型在不同的环境和光照强度下工作，记录下每时每刻的输出电压U_pv，电感电流I_L，升压电压U_de，光伏阵列的输出电流y和与之相对应的最大功率点处的占空比D。本专利共采集200组数据，然后随机选择180组数据作为训练样本集，剩余的20组作为训练样本集。将所测量出的变量经过推导系统方程，得到输入量x₁,x₂,x₃,算法流程图如图9所示，具体步骤如下：

1.确定RBF神经网络拓扑结构

径向基函数为其中x为网络的输入，μ_k,σ_k分别为第k个隐层神经元的中心与宽度。

(1)确定神经网络层数为3层：RBF神经网络是一种三层神经网络，其包括输入层、隐层、输出层。

(2)确定输入层神经元个数；由于输入变量为5个输入层神经元个数为5。

(3)确定输出层神经元个数为1；输出变量为占空比D，故输出层神经元个数为1。

(4)确定隐含层的神经元个数为20。

2.初始化径向基中心μ和宽度σ。

3.将径向基中心μ和宽度σ作为青蛙个体输入至蛙跳算法中。

4.初始化青蛙种群以及相关参数。随机生成P个青蛙个体，确定算法的相关参数(总的迭代次数及维度D)；其中第i只青蛙可以编码为X_i＝(X_i1,X_i2X_i3ΛX_iD)。

5.计算适应度。根据适应度函数计算每个青蛙个体的适应度值。

将神经网络的代价函数映射为混合蛙跳粒子群算法所要收敛的目标函数(适应度函数)。适应度函数计算公式为：其中，E_av为适应度函数，net(n)为神经网络的实际输出，d(n)为相应的理想输出，N为神经网络训练样本的个数。将训练样本值代入适应度函数计算公式，计算每个青蛙个体的适应度值。

6.对青蛙进行分组。把所有青蛙按适应度值的优劣排序，并且进行分组。按照适应度值的排序进行划分成m个子群，排在第一位的青蛙个体进入子群1，第二位的青蛙个体进入子群2，第三位的青蛙个体进入子群3，…,第m位的青蛙个体进入子群m，第m+1位的青蛙个体进入子群1，直至结束。直到所有的青蛙个体被划分完毕，这样完成了m个子群的划分。

7.计算各个组最优蛙个体。开展局部搜索，计算各个组最优蛙个体，在每一个子群中，把当前子群中的最好青蛙个体记为X_b。

8.将各个组最优蛙个体作为粒子群中的粒子代入粒子群算法中。

9.更新最优粒子。该算法中粒子的位置和速度更新策略如下：

w为惯性权重，c1,c2,c3代表对应部分的权重因子，r1,r2,r3为[0,1]之间的随机数，μ₁，μ₂是速度控制因子，p_id为第i个粒子的最好位置，p_igd为子群中的最优解，而p_gd为种群的全局最优解。取速度控制因子μ₁＝0.5，μ₂＝0.25。

10.判断粒子群算法是否达到最大迭代次数。

11.若达到粒子群算法的最大迭代次数，则判断蛙跳算法是否达到最大迭代次数；若否，则返回步骤9；

12.若达到蛙跳算法最大迭代次数，则输出最优径向基中心μ和宽度σ；若否，则返回步骤5；

13.将输出的最优径向基中心μ和宽度σ代入RBF神经网络中；

14.计算网络的训练误差(误差函数)；使用交叉熵损失函数表示真实值与期望值之间的差值，其中y表示真实值，即RBF神经网络的输出值，表示期望值。

15.通过计算的误差值对网络参数进行再次调整；

16.判断是否达到RBF神经网络的最大迭代次数；

17.若是，则输出占空比D；若否，则返回14；

步骤六、将占空比函数确定的局部最大功率点进行比较进而确定全局最大功率点。

步骤七、按全局最大功率点所对应的占空比数值驱动光伏阵列中的金属—氧化物半导体场效应晶体管MOSFET，实现光伏发电系统最大功率点的追踪。

如图8所示，整个光伏系统由三部分组成：光伏组件，DC-DC Boost升压电路，MPPT控制器和蓄电池。硬件设计主要包含采样电路，控制电路，驱动电路以及稳压电路等。加入驱动电路的目的是使单片机输出的PWM(Pulse width modulation，脉冲宽度调制)信号驱动电路中的MOSFET开关管。具体的工作方案如下：首先利用电压和电流采样电路，将检测到的光伏组件的输出电压和输出电流送到STM32单片机。然后单片机根据占空比函数改变单片机输出的PWM波的占空比。PWM波输入到驱动电路，驱动BOOST电路中的功率开关管，从而实现局部遮挡下全局最大功率点追踪。

DSP通过其采样电路对光伏电池输出的电压电流进行采样，然后内部的A/D转换模块对采样得到电压电流进行处理，将模拟量转为0/1数字量，通过MPPT控制程序产生PWM控制信号，再由驱动电路将PWM信号进行放大和加强，实现对开关管Q的导通和关断，改变Boost电路的占空比，实现光伏组件内部阻抗与外部等效阻抗匹配，完成对光伏阵列MPPT控制。

如图8所示，当光伏电池处于工作状态时，首先是通过采样电路不断的对光伏电池的输出进行采样，经过调理电路处理后会把信号送入到处理器的IO口中，处理器接收信号对其进行分析运算，利用公式P＝UI计算出当前光伏电池的的输出功率值，并保存在处理器的内存中，对其进行比较、运算，然后调用主程序中的最大功率点跟踪算法，对Boost电路中的开关管占空比进行实时修改，以使输出的电压不断改变，满足输出最大功率值得要求，以此来实现对最大功率点跟踪控制的目的。光伏电池输出的电压经过Boost电路升压后，利用电压变换电路，对电压进行DC/DC变换和DC/AC变换，以满足交、直流负载的需求。

扰动观察法是较早应用在光伏发电系统中的最大功率跟踪方法，被称为传统最大功率跟踪方法。扰动观察法控制思路简单，实现较为方便，可实现对最大功率点的跟踪，提高系统的利用效率。但是由于扰动观察法仅以光伏组件前后两次的输出功率为对象进行研究，没有考虑外部环境条件变化对光伏阵列前后两次输出功率的影响，在使用的过程中容易出现方法的“误判”，“误判”增加了跟踪时间，降低了光伏阵列的输出效率，严重时导致跟踪的失效，使该方法不能准确地跟踪到最大输出功率。为了验证本发明实施例中局部遮挡下光伏阵列MPPT方法的优越性，将其和分段搜索与传统的扰动观察法相结合的MPPT算法进行仿真对比，因此设置两种MPPT算法在光照强度的变化趋势上一致。光伏阵列输出电压曲线如图10和图11所示，光伏阵列输出功率曲线如图12和图13所示，由两种MPPT仿真结果对比图可以看出，基于分段搜索与李雅普诺夫稳定函数相结合的MPPT算法可以稳定的寻找到局部遮挡情况下光伏阵列的最大功率点，其寻优过程输出曲线谐波少、波形平稳、最大功率点附近震荡低。

为了达到以上技术目的，本申请实施实例还提出了一种局部遮挡下光伏阵列全局最大功率点追踪设备，如图14所示，所述设备包括：

建立模块401，用于根据局部遮挡下光伏阵列等效电路中的旁路二极管和阻塞二极管的状态建立光伏阵列模型，所述旁路二极管与所述等效电路中各光伏组件并联，所述阻塞二极管与各组串联光伏组件的正极侧串联，所述状态为导通状态或阻断状态；

第一确定模块402，用于根据所述光伏阵列模型对应的功率-电压P-U曲线确定全局最大功率点的输出电压；

第二确定模块403，用于基于蛙跳-粒子群算法优化的RBF神经网络确定与所述输出电压对应的占空比函数；

驱动模块404，用于根据所述全局最大功率点对应的占空比数值驱动所述光伏阵列中的金属—氧化物半导体场效应晶体管MOSFET，以对所述全局最大功率点进行追踪。

在具体的应用场景中，所述第一确定模块402，具体用于：

将功率-电压P-U曲线平均划分为若干个区段；

通过功率-电压P-U变化率将若干区段进行判断合并，得到各局部极大值点所在的区间；

根据所述局部极大值点所在的P-U曲线区间确定输出电压。

在具体的应用场景中，所述第二确定模块403，具体用于：

基于李雅普诺夫第二类方法确定所述RBF神经网络的输入变量；

根据所述输入变量确定所述RBF神经网络的拓扑结构；

基于蛙跳-粒子群算法确定所述RBF神经网络的最优径向基中心和最优宽度；

根据所述最优径向基中心和所述最优宽度训练所述RBF神经网络；

根据所述训练的结果输出所述占空比函数。

在具体的应用场景中，所述第二确定模块403，还具体用于：

根据基尔霍夫定律和所述输出电压建立所述光伏阵列的阵列方程，所述阵列方程中包含所述输出电压、所述光伏系统电流、所述电感电流、所述光伏阵列的升压电压和占空比；

根据预设第一跟踪误差和所述阵列方程构造李雅普诺夫函数；

根据所述李雅普诺夫函数的时间导数确定所述光伏系统电流的期望值的稳定函数；

基于所述稳定函数和所述光伏系统电流的实际值构造第二跟踪误差；

将所述输出电压、所述光伏系统电流，所述第一跟踪误差和所述第二跟踪误差确定为所述输入变量。

在具体的应用场景中，所述第二确定模块403，还具体用于：

根据所述RBF神经网络的初始径向基中心和初始宽度确定蛙跳算法中的青蛙个体；

随机生成预设数量的青蛙个体并确定最大迭代次数及维度；

根据适应度函数确定各所述青蛙个体的适应度值；

根据所述适应度值对所述青蛙个体进行分组；

根据各组青蛙个体中的最优青蛙个体确定粒子群算法的粒子；

基于所述粒子群算法更新最优粒子；

当达到所述最大迭代次数时，输出所述最优径向基中心和所述最优宽度。

最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员当理解：其依然可以对前述各实施实例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。