[论文解读] 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 4

一句话总结

该论文提出了一种改进的MPPT方法，用于部分遮荫条件下的光伏系统，通过在增量电导法框架内集成人工神经网络（ANN）与顺序蒙特卡洛（SMC）滤波。当最快变化检测（GLLR）算法识别出辐照度变化时，ANN才预测全局最大功率点（GMPP），从而减少冗余计算。该方法在收敛速度（0.28秒内达到新GMPP的95%）和精度（多输入下PQI为94.2%）方面优于传统方法，在噪声和动态遮荫条件下表现出更强的鲁棒性。

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.

研究动机与目标

• 在传统方法因存在多个局部最大值而失效的部分遮荫条件下，提升MPPT的效率与鲁棒性。
• 通过仅在辐照度发生变化时触发ANN预测，减少计算开销，避免在稳定条件下产生冗余计算。
• 通过采用时变步长的SMC滤波，提升最大功率点（MPP）状态估计的精度，以应对电压调节中的非线性问题。
• 将机器学习（ANN）与基于物理的控制（I-C MPPT）相结合，实现对全局MPP的精确跟踪，充分利用电压/电流与辐照度数据。

提出的方法

• 在增量电导（I-C）MPPT框架内构建状态空间模型，以实现基于顺序蒙特卡洛（SMC）滤波的MPP顺序估计。
• SMC算法通过在非线性、时变的电压过渡模型中传播粒子，估计MPP状态，从而在动态条件下提升跟踪性能。
• 利用历史电压、电流和辐照度数据对人工神经网络（ANN）进行训练，以预测全局MPP（GMPP），从而优化SMC估计结果。
• 广义似然比（GLLR）检测器对辐照度执行最快变化检测，仅在发生显著变化时触发ANN预测，从而降低计算负载。
• 该方法采用混合架构，将基于SMC的估计与ANN优化相结合，其中ANN仅在检测到辐照度跃迁后被激活。
• 通过在不同遮荫模式和测量噪声水平下进行的小规模与大规模光伏系统仿真，对框架进行了验证。

实验结果

研究问题

• RQ1 基于SMC的状态估计是否能提升在I-C MPPT中时变步长与非线性动力学条件下的MPP跟踪性能？
• RQ2 当使用电压、电流或辐照度输入进行训练时，ANN在部分遮荫条件下预测全局MPP的效率如何？
• RQ3 仅在辐照度变化检测后触发ANN是否能降低计算成本而不损害跟踪性能？
• RQ4 在噪声和快速辐照度变化条件下，与现有基于ANN的MPPT方法相比，该方法在收敛速度和精度方面表现如何？
• RQ5 测量噪声和遮荫模式复杂性对混合SMC-ANN方法鲁棒性的影响是什么？

主要发现

• SMC-based MPPT方法在辐照度变化后0.28秒内达到新GMPP的95%，优于传统I-C方法的0.41秒。
• 当GLLR检测器的检测延迟为20秒时，该方法将资源使用量最多降低了43.3%，有效减少了稳定辐照度下冗余的ANN预测。
• 在多输入（电压、电流）条件下，ANN预测的预测质量指数（PQI）达到94.2%，显著高于单输入模型（85.4%），且在噪声条件下更具鲁棒性。
• 在高噪声条件下（σv = 10−3），该方法的平均跟踪效率仍保持在0.90以上，而文献[14]和[15]中的现有方法下降至0.85，表明其具有更优的鲁棒性。
• 在大规模系统中，该方法在不同遮荫模式下均保持一致性能，功率动态紧密跟踪GMPP，且超调量极小。
• 将GLLR变化检测与ANN优化相结合，减少了误报次数，并提升了系统在快速辐照度跃迁期间的响应速度。