[논문 리뷰] An Enhanced MPPT Method based on ANN-assisted Sequential Monte Carlo and Quickest Change Detection

Leian Chen, Xiaodong Wang|arXiv (Cornell University)|2018. 05. 13.

Photovoltaic System Optimization Techniques참고 문헌 29인용 수 4

한 줄 요약

이 논문은 부분 쌍사 조건에서 태양전지 시스템의 MPPT 성능을 향상시키기 위해 인공신경망(ANN)과 순차적 몬테카를로(SMC) 필터링을 증분 도전도 프레임워크 내에 통합한 향상된 MPPT 방법을 제안한다. ANN은 조도 변화를 감지하는 가장 빠른 변화 탐지(GLLR) 알고리즘이 작동할 때만 전역 최대출력점(GMPP)을 예측하여 불필요한 계산을 줄인다. 기존 방법보다 빠른 수렴 속도(새로운 GMPP의 95% 도달까지 0.28초)와 높은 정확도(다중 입력 시 94.2% PQI)를 달성하였으며, 노이즈와 동적 쌍사 조건에서도 뛰어난 강인성을 보였다.

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.

연구 동기 및 목표

• 다중 국소 최대값으로 인해 기존 방법이 실패하는 부분 쌍사 조건에서 MPPT 효율성과 강인성을 향상시키기 위해.
• 조도 변화 발생 시에만 ANN 예측을 활성화하여 안정된 조건에서는 불필요한 계산을 방지함으로써 계산 부하를 줄이기 위해.
• 시간에 따라 변화하는 스텝 크기를 가진 SMC 필터링을 통해 비선형적 전압 조정을 고려한 최대출력점(MPP) 상태 추정을 향상시키기 위해.
• 기계학습(ANN)과 물리기반 제어(I-C MPPT)를 융합하여 정확한 전역 MPP 추적을 실현하고, 전압/전류 및 조도 데이터를 모두 활용하기 위해.

제안 방법

• 증분 도전도(I-C) MPPT 프레임워크 내에서 상태공간 모델을 수립하여 순차적 몬테카를로(SMC) 필터링을 통해 MPP의 순차적 추정이 가능하도록 한다.
• SMC 알고리즘은 비선형적이고 시간에 따라 변화하는 전압 전이 모델을 통해 입자들을 전파함으로써 동적 조건 하에서도 추적 성능을 향상시킨다.
• 역사적 전압, 전류, 조도 데이터를 기반으로 훈련된 인공신경망(ANN)이 전역 최대출력점(GMPP)을 예측하여 SMC 추정치를 정밀화한다.
• 일반화된 가능도 비율(GLLR) 검출기가 조도에 대해 가장 빠른 변화 탐지를 수행하여, 조도 변화가 발생할 때만 ANN 예측을 활성화함으로써 계산 부담을 감소시킨다.
• SMC 기반 추정과 ANN 정밀화를 융합한 하이브리드 아키텍처를 구축하며, ANN은 조도 전이가 감지될 경우에만 작동한다.
• 다양한 쌍사 패턴과 측정 노이즈 수준에서 소규모 및 대규모 태양전지 시스템 시뮬레이션을 통해 프레임워크의 타당성을 검증한다.

실험 결과

연구 질문

• RQ1 I-C MPPT에서 시간에 따라 변화하는 스텝 크기와 비선형 역학 조건 하에서 SMC 기반 상태 추정이 MPP 추적 성능에 어떻게 기여하는가?
• RQ2 전압, 전류 또는 조도 입력 데이터로 훈련된 ANN이 부분 쌍사 조건에서 전역 MPP를 얼마나 정확하게 예측할 수 있는가?
• RQ3 조도 변화 탐지 후에만 ANN을 활성화함으로써 계산 비용을 줄일 수 있으며, 이로 인해 추적 성능이 떨어지지 않는가?
• RQ4 노이즈와 급격한 조도 변화 조건에서 기존의 ANN 기반 MPPT 방법과 비교해 볼 때, 제안된 방법은 수렴 속도와 정확도 면에서 얼마나 뛰어나게 되는가?
• RQ5 측정 노이즈와 쌍사 패턴의 복잡성이 하이브리드 SMC-ANN 접근법의 강인성에 어떤 영향을 미치는가?

주요 결과

• SMC 기반 MPPT 방법은 조도 변화 후 0.28초 만에 새로운 전역 최대출력점(GMPP)의 95%에 도달하였으며, 기존 I-C 방법이 0.41초가 소요된 것에 비해 뛰어난 성능을 보였다.
• GLLR 검출기의 감지 지연 시간이 20초일 경우, 자원 사용량을 최대 43.3%까지 감소시켜 안정된 조도 조건에서의 불필요한 ANN 예측을 최소화하였다.
• 전압, 전류 다중 입력을 사용한 ANN 예측은 94.2%의 예측 품질 지수(PQI)를 기록하였으며, 단일 입력 모델(85.4%)보다 훨씬 높고 노이즈 조건에서도 강인성을 확보하였다.
• 노이즈 수준이 높은 조건(σv = 10−3)에서도 제안된 방법의 평균 추적 효율은 0.90 이상을 유지하였고, 기존 방법([14] 및 [15])은 0.85로 떨어지며 뛰어난 강인성을 입증하였다.
• 대규모 시스템에서는 다양한 쌍사 패턴에서도 일관된 성능을 유지하였으며, 전력 동역학이 전역 최대출력점(GMPP)을 정밀하게 따라가고 과도 응답도 최소화되었다.
• GLLR 변화 탐지와 ANN 정밀화의 통합은 임의의 경고를 줄이고 빠른 조도 전이 상황에서의 시스템 반응성을 향상시켰다.