一种复杂阴影场景下光伏全局最大功率点跟踪的新型解耦识别与跟踪框架

《Advanced Engineering Informatics》：A novel decoupled identification-and-tracking framework for photovoltaic global maximum power point tracking under complex shading scenarios

　　

•分层算法利用传感器精简的物理交互估算全局最大功率点（GMPP）区域。
•分布式物理信息神经网络（PINNs）无需辐照度或温度传感器即可估算模块电压。
•引导式蚕蛹群优化（GSSA）防止陷入局部最大功率点（LMPP），实现快速收敛。
•鲁棒自适应积分回溯滑模控制（RAIBSMC）通过自适应参数估计确保精确跟踪与稳定性。
•统一框架为遮挡条件下的光伏阵列提供可扩展、具韧性的全局最大功率点跟踪（GMPPT）解决方案。

引言

向可持续能源未来的全球转型关键依赖于低碳发电技术的快速且大规模推广[1]。在这些技术中，太阳能光伏（PV）已成为基石之一，因其模块化特性、不断下降的成本以及在公用事业级发电站和分布式屋顶系统中的广泛适用性而备受青睐[2]。与热电机械发电不同，光伏技术将阳光直接转化为电能，无需运动部件，从而保证了更长的运行寿命和持续下降的平准化成本。随着电气化在各个领域的不断扩展，确保光伏资产可靠且最优运行对于提供具有成本效益、韧性和清洁的能源至关重要。然而，实际光伏发电系统的能量产出往往低于其额定容量或实验室效率。场地特定条件，包括邻近障碍物、复杂地形、季节性太阳角度、积灰以及瞬态云层覆盖，会在阵列上形成动态且非均匀的辐照度场[3][4]。这种现象被称为局部遮挡，在城市环境、起伏地形以及维护状况参差不齐的大型设施中尤为严重。其后果不仅是简单的能量损失；局部遮挡是热点形成的主要驱动因素，威胁组件完整性，并可能严重缩短系统的使用寿命[5]。一项基本的缓解措施是集成旁路二极管，它们为被遮挡的组件提供替代电流路径，保护其免受反向偏置和灾难性局部加热的影响[6]。虽然这些二极管对于安全性至关重要，但它们极大地重塑了阵列的功率-电压（P-V）特性曲线，将单一、明确的最大值分割为多个局部最大值（LMPPs）。二极管引起的这种分割引入了两个主要挑战：阵列最大可用能量的永久性减少（能量折损）以及系统锁定在次优LMPP上的高运行失配风险，从而导致显著的功率损失。

针对光伏阵列局部遮挡相关挑战的研究工作已分为两大类别：阵列重构和先进最大功率点跟踪（MPPT）。阵列重构，如采用全交叉连接（TCT）拓扑结构，通过物理重新布线模块来减轻失配损耗[7]。虽然在某些场景中有效，但重构策略往往涉及复杂布线、更高的安装成本，并且可能无法完全消除P-V曲线的多峰特性。正如Pareek等人（2025年）[8]所指出的，即使是优化方案如TCT也存在局限性，并不能从根本上解决负载匹配问题。因此，全局最大功率点跟踪（GMPPT）的作用仍然不可或缺。GMPPT作为最终解决方案，在经济或结构受限、无法实施重构的系统中尤为关键，通过动态确保工作点精确处于真正的全局最大功率点（GMPP）[9]。在没有重构的情况下，传统MPPT算法，如扰动观察法（P&O）和增量电导法（INC），容易陷入局部最大功率点（LMPP），无法将其与真正的全局最大功率点（GMPP）区分开来[10]。这导致了持续的功率损失和运营效率下降。硬件方案，如模块级电力电子（例如微型逆变器），可以缓解部分影响，但增加了额外的成本、复杂度，且无法保证在瞬态条件下的快速可靠收敛[11]。

关于光伏系统局部遮挡和GMPPT，文献中存在大量重要研究。Celikel等人（2024年）提出了一种电压扫描方法，通过周期性扫描功率-电压曲线来识别全局最大功率点[12]。这种扫描方法将工作点引导至GMPP，但该方法计算量大且功耗效率低，因为跟踪和收敛速度缓慢。传统算法及其衍生算法，如文献[13]中的增强型扰动观察法和文献[14]中研究的变步长扰动观察法，在光伏阵列处于非遮挡条件下非常适用，此时辐照度分布均匀。然而，当阵列被遮挡时，这些算法无法区分局部最大功率点（LMPP）和真正的全局最大功率点（GMPP）。

这一局限性激发了人们对元启发式优化算法在GMPPT中应用的极大兴趣。元启发式优化算法以其智能性以及对极值解的强大吸引力而闻名，已被广泛应用于解决光伏系统中的GMPPT问题[15]。该领域讨论最为广泛的元启发式算法包括粒子群优化（PSO）[16]、灰狼优化（GWO）[17]和蚕蛹群优化（SSO）[18]。这些算法受生物过程启发，采用数学建模的隐喻方法搜索GMPP。Naser等人（2024年）提出了一种改进的秧鸡优化算法，用于减轻局部遮挡条件下光伏系统中的功率振荡[19]。该算法非常复杂，跟踪缓慢，如遮挡条件下0.73秒的跟踪时间所示。Jamaludin等人（2025年）提出了一种混合爬山算法与SSO的方法，用于应对辐照度剧烈波动下的光伏阵列[20]。当辐照度变化率未达到某一定义阈值时，混合算法激活爬山跟踪；而在快速变化条件下则激活SSO。该方法适用于均匀辐照度条件，因为并未在局部遮挡条件下进行评估。Nagadurga等人（2025年）研究了局部遮挡下的多种元启发式优化算法，发现黑猩猩优化算法优于PSO、猫群优化、灰狼优化以及基于教学-学习的优化[21]。最近，许多其他元启发式算法也被应用于GMPPT，例如生长素与枯萎机制组合优化[22]、基于堆的优化器[23]以及黑燕鸥优化[24]，仅举数例。尽管这些方法广受欢迎，但大多数现有元启发式GMPPT方法存在一个关键缺陷：它们通常在整个电压范围内启动随机、宽频谱搜索。这种方法从一开始就使搜索代理暴露于大量LMPPs中，增加了陷入局部最优的风险。由此产生的初始振荡、收敛缓慢以及对算法参数和系统扰动（如负载变化、参数漂移）的敏感性，使其效率低下且可能不可靠[25]。

更为高效的范式是"先识别后跟踪"策略，该策略首先可靠定位GMPP邻域，然后再启动精确的、受限范围的搜索。据我们所知，仅有两项研究涉足了这一范式。首先，Wei等人（2025年）开发了一种置信邻域识别机制（CNIM），利用人工神经网络和补偿器识别GMPP的最优邻域，然后用扰动观察法风格的算法进行跟踪。虽然该方法能够对简单串联架构跟踪GMPP，但该算法尚未在复杂配置（如串/并联）下得到验证。此外，当系统承受不同负载条件或变换器参数变化时，由于扰动观察法的局限性，该算法性能下降。这凸显了开发能够与GMPP识别耦合的鲁棒自适应控制器的必要性。Alombah及其同事在2025年为局部遮挡条件下的光伏系统引入了多峰到单峰最大功率点跟踪（MSMPPT）[26]。MSMPPT将多峰P-V曲线转化为单峰P-V曲线，便于部署传统的扰动观察法。MSMPPT使用了一个假设，即GMPP出现在特定区域，这些区域可以通过基于组件辐照度数据的人工神经网络进行预测[27]。虽然这一假设在简单串联阵列中成立，但在串/并联阵列中并不成立，因为组件和子阵列之间的相互作用使全局最大功率点的行为更加复杂。此外，由于扰动观察法的局限性，该方法在鲁棒性方面表现不足，对负载变化的响应缓慢，当变换器参数改变时性能可能恶化。

针对光伏系统局部遮挡问题的完整解决方案不仅应关注识别GMPP，还应考虑阵列和变换器的动态特性。电力电子变换器的集成对于调节光伏阵列的工作点至关重要，但引入了一层关键的动力学复杂性，这在追求局部遮挡条件下的GMPPT时往往被忽视。这些变换器通常为DC-DC升压或升降压拓扑结构，本身即为动态系统，以其能量存储元件和开关动作所产生的非线性及时变行为为特征。在基于元启发式的GMPPT中，一种普遍但根本有限的方案是间接跟踪，即算法在单体控制结构中直接操作变换器的占空比。将优化问题（识别GMPP）与动态控制问题（强制实现相应电压）混为一谈是一个重大缺陷；由于缺乏对变换器动力学的显式建模，该方法无法提供对现实世界扰动（如负载瞬态、源变化，或因热应力和老化导致的元件参数漂移）的内在鲁棒性。其后果是收敛缓慢、持续稳态振荡以及对元启发式调参参数的敏感性高，最终损害了系统的效率和可靠性。一种更为鲁棒的架构是我们工作所完全采用的解耦控制框架[28]，该框架将系统战略性地分离为两个专用回路：一个高层参考生成回路，专门负责遮挡检测和GMPP电压识别的智能任务；一个低层电压跟踪回路，负责以高带宽精确执行该参考值。这种关注点的分离使得智能和执行可以独立优化；然而，尽管这一解耦范式在均匀辐照度条件下已确立，其在局部遮挡这种高度动态和多模态背景下的应用仍严重探索不足，据我们所知，这构成了一项显著的研究空白。在此框架内，内环控制器的选择至关重要，虽然传统的比例-积分-微分（PID）控制器因其简洁性而备受青睐[29]，但其线性特性将其限制在较窄的工作范围内，使其无法满足局部遮挡光伏阵列宽泛且非线性的运行包线。这催生了非线性控制策略的应用，其中回溯法控制因其系统化设计和在恶劣条件下跨越广泛运行区域的稳定性保证而成为有力的候选方案，如在增量电导-积分回溯控制器（INC-IBSC）[30]以及文献[31]中的两阶段控制器中的实现所证实的那样。然而，标准回溯法的一个关键弱点是其对模型的高度依赖；它预设了对所有变换器参数（电感、电容和负载电阻）的完美精确认知，这一假设在实际部署中无效，因为元件值存在不确定性，并因热效应甚至老化而偏离标称值。为缓解这一问题，发展了混合控制器，如积分回溯滑模控制器（IBSMC）[32]，成功地将回溯法的系统化稳定性与滑模控制的内在鲁棒性相结合。然而，这种混合控制器仍未考虑系统参数可能受到变化的影响。本质上，光伏系统需要自适应鲁棒控制，即某些未知参数可在控制回路中进行补偿。

为解决文献中发现的不足之处，本文提出了一种全面的、物理信息驱动的分层框架，旨在实现复杂光伏阵列中可靠的局部遮挡检测和保证的全局最大功率点跟踪（GMPPT）。所提出的解决方案基于解耦的"先识别后跟踪"架构，以确保兼具智能性和鲁棒性。在识别阶段，我们引入了一种新颖的分层算法，利用光伏阵列的物理特性——阵列层级的GMPP电压由功率最高的子阵列决定，而该子阵列本身是参与组件的最大功率点电压之和减去旁路二极管压降的函数。为了实现这一目标而无需昂贵的辐照度传感器，我们在模块层级部署了分布式物理信息神经网络（PINNs），它们仅使用局部电学测量（电流、电压、电阻）即可准确预测每个组件的最大功率点（MPP）电压，严格受物理约束、范围约束和光滑性先验约束，以确保泛化性和物理一致性。这一粗略但高精度的阵列GMPP电压估计值Vθ,array随后被传递至跟踪阶段，该阶段采用了一种新颖的引导式蚕蛹群优化算法（GSSA）。GSSA被战略性地限制在该初始估计值周围一个紧凑且有希望的电压邻域Vθ,array?Δv, Vθ,array+Δv内，从而消除了陷入局部峰值的风险，大幅缩小了搜索空间，并加速了收敛。

最后，为了保证参考电压在实际不确定性条件下的稳定输出，我们设计了一种鲁棒自适应积分反步滑模控制器（RAIBSMC）。这种高级非线性控制器具有在线自适应律，能够持续估计并补偿未知或变化的系统参数，包括变换器电感、输入电容和负载电阻，从而确保在参数不确定性条件下精确的电压跟踪和强大的扰动抑制能力。本文的主要创新点共有五点：1. 一种新颖的分层识别算法，将模块与串之间的物理相互作用转化为一种可靠的、少依赖传感器的阵列级全局最大功率点（GMPP）电压区域估计方法。2. 开发并部署了分布式物理信息神经网络（PINN）用于模块级最大功率点（MPP）电压估计，该方法消除了对辐照度/温度传感器的需求，仅使用电气测量数据，并通过物理先验知识进行正则化。3. 一种引导式蜉蝣群优化（GSSA）算法，利用已识别的GMPP邻域来初始化受限的元启发式搜索，从而确保避免陷入局部最大功率点（LMPP）并实现快速收敛。4. 设计了RAIBSMC，在积极适应未知变换器和负载参数的同时，提供保证稳定性和精确的参考跟踪。5. 将这些组件整合为单一的统一端到端框架，为复杂的、异质阴影条件下的光伏阵列提供可扩展、鲁棒且具有稳定性保证的全局最大功率点跟踪（GMPPT）解决方案。本研究在前期工作Wei等人（2025）[25]所探索的"先识别后跟踪"总体理念基础上，进行了实质性扩展。为避免对两项研究方法学关系产生歧义，表1提供了逐组件对比。早期框架将无传感器模块级神经估计与全局化机制及后续的扰动法跟踪相结合，但其设计主要针对更简单的串联阵列架构。本工作通过针对复杂串/并联光伏阵列开发分层融合机制来解决这一局限性。此外，模块级估计器被重构为物理信息神经网络，最终GMPP细化采用引导式群体优化器完成，并引入专用的鲁棒自适应非线性控制器用于变换器级电压跟踪。我们对部分遮阴检测和GMPP电压识别的基础分析最初是在简单的串联光伏阵列上建立的。这一基本拓扑结构便于清晰且受控地研究遮阴条件下模块行为的底层物理原理，特别是全局最大功率点与参与模块及旁路模块各自最大功率点电压之间的算术关系。通过这一深入分析获得的见解被系统化地推广，以构建适用于复杂串/并联（S/P）阵列配置的统一分层算法。选择S/P拓扑结构有两个关键原因：首先，由于其可扩展性，它是公用事业级光伏安装中最主要的架构；其次，它在性能和接线复杂性之间提供了有利的平衡[8]，与TCT拓扑等更复杂的方案相比，往往能实现相当甚至更优的功率输出，同时显著降低实施开销[8]。我们对所提出框架的验证沿两个互补维度进行，以全面论证其新颖性和有效性：1. 非线性控制性能：将RAIBSMC与最先进及近期的控制器——增量电导-积分反步控制器（INC-IBSC）和积分反步滑模控制器（IBSMC）——进行基准对比。比较结果确凿地表明，RAIBSMC实现了更优越的跟踪速度，并且，关键的是，对系统不确定性具有增强的鲁棒性，这直接源于其针对未知变换器和负载值集成的在线参数自适应功能。2. 全局最大功率点检测与跟踪性能：我们框架的核心智能部分经过严格评估。在文献[27]和[33]中，PINN与传统神经网络进行了对比验证，揭示了物理先验知识的集成不仅确保了物理上合理的预测，还提高了模块级MPP电压的估计精度。对于整体GMPPT能力，我们的GSSA与标准蜉蝣群优化（SSO）进行了直接对比。虽然与所有现有元启发式算法的穷尽比较是不可能的，但SSO是一个高度相关的基准。大多数元启发式算法的核心局限性——在整个电压范围内盲目进行初始搜索——也存在于SSO中。通过证明我们的GSSA在分层识别的引导下完全避免了局部陷入并加速了收敛，我们有效地验证了"先识别后跟踪"范式相对于文献中流行的常规随机搜索方法的优势。本文其余部分组织如下。第2节详细分析了复杂光伏阵列在部分遮阴条件下的行为，并建立了全局最大功率点电压识别的物理基础。第3节介绍了所提出的分层全局最大功率点识别算法以及用于模块级MPP电压估计的分布式物理信息神经网络模型。第4节描述了用于在已识别电压区域内细化全局最大功率点搜索的引导式蜉蝣群优化策略。第5节开发了用于精确稳定电压参考跟踪的鲁棒自适应积分反步滑模控制器。第6节评估了PINN模型在单模块和复杂光伏阵列配置下的性能。第7节评估了所提出的自适应控制器，并将其性能与现有控制器进行比较。第8节在复杂部分遮阴场景下评估了完整框架，而实验验证确认了所提出方法的实时可行性。最后，结论部分总结了主要发现并强调了所提出框架的重要意义。章节摘要：遮阴条件下复杂光伏阵列的深入分析 本节呈现了光伏阵列在部分遮阴条件下（PSC）行为的深入分析。为此，按照加利福尼亚能源委员会（CEC）的推荐[34]实现了一个合适的参考光伏模块模型。指导CEC模型的相关方程组列示于公式(1)中。其中：I、V分别为光伏模块的电流和电压。在以上CEC模型中：I、V为输出电流和电压；IL为光生电流；I0为反向饱和电流；T为绝对温度（开尔文）；T0为标准温度（298.15 K）；k为玻尔兹曼常数；Eg为半导体带隙能量；Eg0为标准条件下的带隙能量；n为串联因子；A为模块面积；S为辐照度；S0为标准辐照度（1000 W/m2）；M0为标准条件下的参考值；αISC为短路电流的温度系数；E为效率；E0为标准效率；Rs为串联电阻；RSH为并联（分流）电阻。上述CEC模型中的参数：I、V为光伏模块的电流和电压。全局最大功率点分层识别算法 本节呈现了一种分层方法，该方法利用了深入分析中的发现。该方法将推广适用于串联阵列以及串-并联阵列。蜉蝣群优化算法及其局限性以及其他元启发式算法 在识别阶段之后，我们采用一种搜索算法在已识别全局最大功率点电压的精度范围内跟踪真正的GMPP。我们采用蜉蝣群优化来设计一种引导式搜索程序。由Mirjalili等人（2017）[29]、[37]提出的SSO是一种受自然界启发的元启发式算法，模拟了蜉蝣的觅食行为。这些海洋生物形成链状结构以更有效地在海洋中游动。在计算模型中，群体被分为领导者，鲁棒自适应积分反步滑模控制器 本节介绍了名为鲁棒自适应积分反步滑模控制（RAIBSMC）的新型非线性控制器的设计。其主要目标是强制执行全局最大功率点电压Vref。选择DC-DC Boost变换器来连接光伏阵列和负载。变换器的电气图见图9。变换器由以下部分组成：一个带有电容和寄生电阻Cpv和rcpv的耦合电容器；一个带有电感，PINN模型在单面板和复杂光伏阵列上的性能 本节呈现了PINN模型在单个光伏面板上MPP预测的性能。我们还讨论了模型在复杂光伏阵列中部署时的性能。数据集基于被测面板的基础模型构建。数据集中的辐照度变量范围为1至1000 W/m2，温度范围为5°C至40°C。从这些气候输入中生成了1000条I-V曲线，从而建立了数据集（I、V、R、Vmpp）。PINN所使用的参数，所提出自适应控制器的性能及与现有控制器的对比 在严格的光控条件下，所提出的RAIBSMC被实现并与几种控制器进行了比较，包括标准的扰动观察法（P&O）、文献[30]中近期的增量电导-积分反步控制器（INC-IBSC）以及积分反步滑模控制器（IBSMC）。IBSMC的设计与RAIBSMC类似，但不包含自适应机制。在此比较中，重点在于严格的控制性能，因此我们消除了遮阴的发生。这使得我们可以利用以下指标对控制器的性能进行关键审视：所提出框架在复杂光伏阵列中的评估 整体框架在前述光伏阵列上进行了评估。我们对其施加了10种复杂的部分遮阴场景，观察该框架检测部分遮阴以及估计全局最大功率点电压的能力。与这些部分遮阴条件（PSC）相对应的功率-电压（P-V）和电流-电压（I-V）曲线如图19所示。在每个遮阴场景中，所开发的部分遮阴识别框架被部署使用。数值结果记录于表7，显示了真实Vgmpp、识别出的，实验验证 所提出的分层框架通过微控制器在环（MIL）实验设置进行了严格验证。MIL是一种被广泛认可的方法，用于在全规模硬件实施之前验证复杂的光伏控制系统[38]、[39]。MIL方法创建了一种混合测试环境，其中控制算法在实际的嵌入式微控制器上执行，而光伏系统（包括阵列、电力电子器件和负载）在实时运行于，结论 本文成功引入并验证了一种新颖的物理信息分层框架，旨在解决部分遮阴条件下复杂光伏阵列中可靠的全局最大功率点跟踪（GMPPT）这一关键挑战。我们解决方案的核心是一种解耦的"先识别后跟踪"架构，该架构策略性地将智能全局最大功率点定位问题与鲁棒参考电压跟踪任务分离开来。该框架建立在几项关键创新之上。首先，一种分层的CRediT作者贡献声明 Quan Sui：撰写—审阅与编辑、撰写—原稿、可视化、验证、监督、软件、资源、方法论、调查研究、形式分析、数据管理、概念构思。Ambe Harrison：撰写—审阅与编辑、撰写—原稿、可视化、验证、软件、方法论、形式分析、数据管理、概念构思。利益冲突声明 作者声明不存在可能影响本文工作的已知竞争性经济利益或个人关系。Quan Sui|Ambe Harrison