随着煤炭、石油、天然气等能源总量不断减少,太阳能作为一种清洁、资源丰富、经济效益高的优质能源逐渐被开发利用。太阳能光伏发电系统的最大功率点追踪(Maximum Power Point Tracking,MPPT)技术作为提高发电效率的有效措施一直被关注和研究。由于光伏电池的输出非线性以及光伏系统在局部遮阴的情况下存在多个局部最大功率点,现有的算法存在追踪效率不高、在最大功率点附近振荡、无法在局部阴影下追踪到最大功率点以及追踪时间长等缺陷。针对上述缺陷,提出了一种基于径向基函数(Radial Basis Function,RBF)神经网络的MPPT算法,该算法能够根据光照强度和温度追踪到最大功率点,且具有较快的追踪速度和较高的预测精度。论文首先介绍了光伏电池的工作原理以及数学模型,并以工程数学模型对单块光伏电池与光伏阵列进行了仿真特性分析,明确了光伏电池的输出特性。在此基础上,详细介绍了单峰经典MPPT算法恒定电压法、扰动观察法、电导增量法,多峰MPPT算法粒子群算法的追踪原理,并在Matlab/Simulink上分别进行了仿真分析。针对上述算法存在的问题,基于RBF神经网络的MPPT算法以光照强度和温度为输入神经元,梯度下降法作为学习算法训练RBF神经网络,通过训练过程中不断更新优化RBF神经网络的权值、中心和扩展常数提高算法学习速度以及预测精度。仿真结果表明,该算法能够在训练76次后期望误差达到0.0001,预测电压误差绝对值在0.01 V以内。最后设计并搭建实验电路验证该算法的有效性,硬件电路以Boost拓扑为主控制电路,DSP芯片为控制器。采样电路采集外界光照强度和温度,经MPPT算法计算追踪最大功率点。实验结果表明,该算法能够在外界环境变化时1.6 s内追踪到最大功率点,且稳定后系统电压振幅在1 V以内,动态性能和稳定性均有较好的效果。