[論文レビュー] An Enhanced MPPT Method based on ANN-assisted Sequential Monte Carlo and Quickest Change Detection

Leian Chen, Xiaodong Wang|arXiv (Cornell University)|May 13, 2018

Photovoltaic System Optimization Techniques参考文献 29被引用数 4

ひとこと要約

本稿では、部分的な日射量変動下における太陽光発電システムのMPPT効率を向上させるため、増分コンダクタンスフレームワーク内に人工ニューラルネットワーク（ANN）と逐次モンテカルロ（SMC）フィルタリングを統合した改良型MPPT手法を提案する。ANNは、日射量変化を検出するための最速変化検出（GLLR）アルゴリズムが作動した場合にのみ、グローバル最大出力電力点（GMPP）を予測し、余分な計算を削減する。本手法は、従来手法に比べて収束速度が速く（新規GMPPの95％に達するまでの時間：0.28秒）、精度も高く（複数入力時のPQI：94.2％）、ノイズや動的シャドウ下でも高いロバスト性を示す。

ABSTRACT

The performance of a photovoltaic system is subject to varying environmental conditions, and it becomes more challenging to track the maximum power point (MPP) and maintain the optimal performance when partial shading occurs. In this paper, we propose an enhanced maximum power point tracking (MPPT) method utilizing the state estimation by the sequential Monte Carlo (SMC) filtering which is assisted by the prediction of MPP via an artificial neural network (ANN). A state-space model for the sequential estimation of MPP is proposed in the framework of incremental conductance (I-C) MPPT approach, and the ANN model based on the observed voltage and current or irradiance data predicts the global MPP (GMPP) to refine the estimation by SMC. Moreover, a quick irrandiance change detection method is applied, such that the SMC-based MPPT method resorts to the assistance from ANN only when partial shading is detected. Simulation results show that the proposed enhanced MPPT method achieves high efficiency and is robust to rapid irradiance change under different noise levels.

研究の動機と目的

• 部分的日射量変動下で複数の局所的最大出力電力点が存在するため、従来手法が失敗する状況において、MPPTの効率とロバスト性を向上させること。
• 日射量変化が発生する場合にのみANN予測をトリガーすることで、安定状態下での冗長な計算を回避し、計算負荷を低減すること。
• 時間変動するステップサイズを用いたSMCフィルタリングによる最大出力電力点（MPP）の状態推定を向上させることで、電圧調整における非線形性に対処すること。
• 機械学習（ANN）と物理ベース制御（I-C MPPT）を統合し、電圧・電流および日射量データを活用することで、グローバルMPPの高精度な追跡を実現すること。

提案手法

• 増分コンダクタンス（I-C）MPPTフレームワーク内に状態空間モデルを定式化し、逐次モンテカルロ（SMC）フィルタリングを用いたMPPの逐次推定を可能にする。
• SMCアルゴリズムは、非線形かつ時間変動する電圧遷移モデルに沿って粒子を伝搬させることで、動的条件下でのMPP状態を推定し、追従性能を向上させる。
• 歴史的な電圧、電流、日射量データを用いてトレーニングされた人工ニューラルネットワーク（ANN）は、グローバルMPP（GMPP）を予測し、SMC推定値を精緻化する。
• 一般化尤度比（GLLR）検出器は日射量の変化を最速で検出し、顕著な変化が発生した場合にのみANN予測をトリガーすることで、計算負荷を低減する。
• SMCベースの推定とANNによる精緻化を統合したハイブリッドアーキテクチャを構築し、ANNは日射量遷移が検出された場合にのみ作動する。
• 本フレームワークは、さまざまなシャドウパターンおよび測定ノイズレベル下での小規模および大規模PVシステムのシミュレーションを用いて検証された。

実験結果

リサーチクエスチョン

• RQ1 時間変動するステップサイズとI-C MPPTにおける非線形ダイナミクス下で、SMCベースの状態推定はMPP追従性能を向上させ得るか？
• RQ2 電圧、電流、または日射量入力を用いてトレーニングされたANNは、部分的日射量変動下でグローバルMPPをどれほど効果的に予測できるか？
• RQ3 日射量変化検出後にのみANNを起動することで、計算コストを低減しつつ追従性能を劣化させないか？
• RQ4 ノイズや急速な日射量変化下で、本手法は従来のANNベースMPPT手法に比べて収束速度と精度で優れているか？
• RQ5 測定ノイズとシャドウパターンの複雑さは、ハイブリッドSMC-ANNアプローチのロバスト性にどのような影響を及ぼすか？

主な発見

• SMCベースのMPPT手法は、日射量変化後0.28秒で新規GMPPの95％に到達したのに対し、従来のI-C手法では0.41秒を要した。
• GLLR検出器の検出遅延が20秒の場合、本手法はリソース使用量を最大43.3％まで削減し、安定した日射量下での冗長なANN予測を最小限に抑えた。
• 複数入力（電圧、電流）を用いたANN予測は、94.2％の予測品質インデックス（PQI）を達成し、単一入力モデル（85.4％）やノイズ下でもより高いロバスト性を示した。
• ノイズが強い状態（σv = 10−3）下でも、本手法の平均追従効率は0.90以上を維持したが、[14]および[15]の既存手法は0.85まで低下した。これにより、優れたロバスト性が示された。
• 大規模システムでは、異なるシャドウパターン下でも一貫した性能を維持し、出力ダイナミクスがGMPPを的確に追従し、過渡応答も最小限に抑えられた。
• GLLR変化検出とANN精緻化の統合により、誤検出が減少し、特に急速な日射量遷移時におけるシステムの応答性が向上した。