基于FPGA的2QGRU控制器在光伏系统中提升能量采集效率 米格尔·莫利纳·费尔南德斯(Miguel Molina Fernandez) 胡安·克鲁斯-科萨尔(Juan Cruz-Cozar) 豪尔赫·佩雷斯-马丁内斯(Jorge Perez-Martinez) 阿尔弗雷多·梅迪纳-加西亚(Alfredo Medina-Garcia) 迭戈·P·莫拉莱斯·桑托斯(Diego P. Morales Santos) 曼努埃尔·佩加拉哈尔·奎利亚尔(Manuel Pegalajar Cuellar)

《Electronics》:Enhanced Energy Harvesting in Photovoltaic Systems with FPGA-Based 2QGRU Controllers Miguel Molina Fernandez, Juan Cruz-Cozar, Jorge Perez-Martinez, Alfredo Medina-Garcia, Diego P. Morales Santos and Manuel Pegalajar Cuellar

【字体: 大 中 小 】 时间:2026年05月02日 来源:Electronics 2.6

编辑推荐:

  摘要 传统的最大功率点跟踪(MPPT)算法,如扰动观察(P&O)算法,在环境条件快速变化时存在稳态振荡和收敛速度慢的问题,导致能量提取效率低下以及不必要的开关操作。为了解决这些限制,我们提出了一种预测控制策略,仅当测量值与模型预测值之间的电压和电流存在显著偏差时,才更新DC-DC

  摘要
传统的最大功率点跟踪(MPPT)算法,如扰动观察(P&O)算法,在环境条件快速变化时存在稳态振荡和收敛速度慢的问题,导致能量提取效率低下以及不必要的开关操作。为了解决这些限制,我们提出了一种预测控制策略,仅当测量值与模型预测值之间的电压和电流存在显著偏差时,才更新DC-DC转换器的控制信号。该方法利用二进制量化的人工神经网络(2??????????????),在极端的权重量化(2-3位)下实现高精度推断,同时仍适用于MPPT应用。通过对来自地理位置不同地点的多年气候数据进行的数据集驱动评估,表明在采用的建模假设下,年能量产量可达到理想最大值的99.90%。与传统的P&O实现相比,所提出的方法在达到相同效率区域时所需的内部控制更新次数减少了20-40倍。此外,通过扰动电压和电流测量的鲁棒性实验进一步表明,即使在最强的感知噪声条件下,循环控制器也能保持98%以上的综合效率,而无需重新训练。最后,在资源高度受限的设备上进行FPGA实现后的测试表明,该架构支持低资源消耗的边缘计算应用。

1. 引言
近年来,由于传统能源储备的枯竭和人们对环境可持续性的日益关注,可再生能源受到了广泛关注。随着化石燃料变得越来越稀缺,其环境影响也更加明显,全球能源行业逐渐转向太阳能、风能和水力发电等可再生能源。这些能源不仅具有可持续性的优势,还能减少温室气体排放,而且随着技术的不断进步,它们的效率和成本效益也在不断提高[1,2]。尽管取得了这些进展,但由于可再生能源系统依赖于环境条件,它们本质上仍然具有变异性。在光伏(PV)系统中,辐照度和温度的波动会不断改变面板的电工作点。因此,最大功率点跟踪(MPPT)算法必须动态适应快速变化的条件,以最大化能量提取。虽然传统的MPPT技术在稳态下能够取得令人满意的性能,但在快速瞬变情况下,它们常常会出现延迟和振荡行为,导致功率捕获不足和整体效率降低[1]。
MPPT在动态条件下的核心难点在于其时间依赖性:随着辐照度、温度和负载条件的变化,最佳工作点也在不断演变,而DC-DC转换器由于其内部储能元件的存在,也会引入额外的动态行为。循环神经网络(RNNs)及相关架构专门用于模拟时间依赖性行为,使它们非常适合预测和跟踪快速变化的功率峰值[3]。然而,它们的计算和内存需求对资源受限的边缘设备构成了挑战,这促使人们开发出优化且硬件效率高的实现方法。最近在资源高效神经架构及其在现场可编程门阵列(FPGAs)上的实现方面的进展,使得适用于边缘计算的低功耗推断成为可能[4,5,6]。特别是参考文献[6]引入了量化技术和FPGA框架,并在音素分类任务上对其进行了验证。本文将该框架扩展到光伏太阳能中的MPPT问题,这是一个对精度要求较高的回归和控制问题,通过制定特定的MPPT预测控制器并在不同工作条件下对其进行评估。本文的主要贡献包括:
- 基于测量电变量及其与先前预测工作点的偏差的MPPT特定状态表述,使模型能够作为预测控制器运行;
- 一种动态闭环训练方法,其中控制器输出在学习过程中递归影响后续输入;
- 对两个长期气候数据集(沿海和沙漠气候)的预测MPPT表述进行的数据集驱动比较评估[7,8],表明其跟踪性能优于传统的扰动观察(P&O)和自适应P&O基线;
- 在扰动电压和电流测量下的额外鲁棒性评估,表明所提出的循环控制器在采用的数据集驱动协议下无需重新训练即可保持高跟踪效率;
- 面向FPGA的可部署性分析表明,最终的MPPT控制器保留了原始模型的低资源特性[6]。

本文的其余部分组织如下:第2节提供了光伏系统等效电路的背景信息,以及本工作中使用的模型介绍和先前研究的回顾。第3节介绍了所提出的系统。第4节报告了数据集驱动的评估结果。第5节讨论了与所提出方法相关的应用和未来方向。最后,第6节总结了本文的主要结论。

2. 背景
2.1 光伏系统的等效电路
在本工作中,光伏系统的电行为采用单二极管等效电路来描述,该电路由一个电流源、一个二极管和两个电阻组成[9,10,11]。更详细的光伏模型,包括双二极管公式,可以在某些情况下提高对复合和其他非理想效应的表示精度,并可能与实验面板行为更吻合[12]。然而,探索这些更高阶模型超出了本文的范围。因此采用了单二极管模型,因为它仍然是光伏研究中最广泛采用的等效电路模型之一,并在模型精度、参数可用性和控制器导向的数据集生成方面提供了实际的平衡[10,13]。根据光伏模块的具体参数和环境工作条件,该模型可以计算面板的输出电压-电流(V-I)特性。由此得到的V-I对,称为V-I曲线,主要取决于辐照度G和温度T[9]。计算这些曲线的过程总结在算法1中,该算法根据[9]中提出的公式,为给定的G和T值生成光伏系统的V-I特性。
算法1 V-I曲线计算
1. 当使用下标ref时,它表示在标准测试条件(STC)下测量的参数值,标准测试条件定义为环境温度25°C和辐照度1000。
2. 在算法1中,n表示用于离散电压范围的点数。函数generate在[0, ]范围内生成n个等间距的值,而return同时返回数组的索引和相应的电压值v。其余模型参数在表1中总结,以便清晰和完整。
表1. 光伏系统参数。从计算出的V-I曲线中,可以确定最大化提取功率的工作条件——即最大功率点(MPP)[9]。相应的功率根据公式(1)计算得出。

2.2 二进制量化人工神经网络()
本文的工作基于[6]中介绍的研究,该研究提出了一种基于二进制量化的门控循环单元(GRUs)的FPGA架构。在那项研究中,网络权重被限制为有符号的二进制值,使得硬件实现中的乘法操作可以替换为移位操作。这显著降低了计算复杂性、面积和功耗,同时保持了竞争力强的精度,即使仅使用2-3位来表示权重。尽管最初是为GRUs开发的,但这种量化策略及其相关的训练方法可以推广到其他人造神经网络(ANN)模型。在[6]中,这些模型统称为,并且有一个自动化框架支持在FPGA平台上的实现。除了量化之外,所提出的框架还包括一种资源感知的压缩机制,旨在进一步优化硬件利用率。而不是为层中的每个神经元分配专用硬件资源,而是将神经元分组为可重用的块,这些块可以在多个执行周期中时间复用。这在硬件面积和延迟之间引入了可控的权衡。层l的压缩比率在公式(5)中定义,其中表示层l的压缩因子,表示层l中的神经元数量,表示在硬件中实现的神经元块数量。当模型延迟远低于外部系统施加的时间限制时,这种策略特别有利[5]。
虽然[6]建立了用于分类任务的量化方法和可重用FPGA框架,但本文将其扩展到MPPT应用,其中的目标是一个对精度敏感的回归问题,而不是类别预测。这种面向MPPT的重新表述得到了基于偏差的预测状态表示、动态闭环训练程序以及专注于光伏工作条件下的MPPT行为和可部署性的评估的支持。

2.3 先前的工作
多项研究探讨了使用ANN来最大化光伏系统的能量产量。最相关的工作总结在综述[17,18,19,20,21]中,其一般结论可以概括如下:
基于ANN的方法通常能够实现快速响应和跟踪速度,但在稳态操作中的波动较小。然而,它们通常比传统方法具有更高的延迟和功耗,需要额外的硬件资源进行部署。更广泛地说,面向FPGA的MPPT文献包括模糊控制器、神经模糊控制器和其他智能控制器[22,23,24],而预测MPPT控制、循环ANN建模和硬件受限部署的结合则相对较少被探索。大多数研究依赖于多层感知器(MLPs)[25],而较少研究RNNs[3]。尽管RNNs在时间序列预测方面通常优于MLPs,但MLP的硬件实现通常在面积和功耗方面更高效。不同的电压V、电流I、辐照度G和温度T组合被用作ANN输入,而预测目标通常是最大功率点占空比或功率。大多数研究使用固定数据集(详见第3.2节)。
在电力电子领域,升压DC-DC转换器是最常见的选择,其次是降压转换器。基于ANN/ML的MPPT文献在方法上多种多样,涵盖了不同的神经架构、转换器拓扑、感测配置、气候场景、预测目标、数值精度、验证协议和硬件实现约束[17,18,19,20,21]。在该背景下,本文提出的方法与最相关的基于ANN/ML的MPPT研究在几个方面有所不同:该方法基于量化架构[6],包括循环模型,而不是传统的MLP、模糊或神经模糊控制器。模型输入包括当前光伏(PV)输出值及其与前一个时间步的预测值之间的偏差,这些偏差在方程(6)中定义为Δx和Δy,其中x表示当前时间步。模型预测工作电压和电流(Vout和Iout),然后使用方程(1)和(4)计算预测的最佳功率(Popt)和占空比(DutyCycle),而不是直接回归占空比或参考功率值。模型的开发和评估通过固定训练和动态训练进行,后者在学习过程中引入了转换器-模型反馈,而不仅仅依赖于离线的固定输入-输出对。最后,该研究围绕基于反激式的PV转换阶段进行,使得所提出的预测控制器能够在与紧凑型PV安装相关的转换器拓扑结构中进行评估。这些方面在第3节中详细讨论。

2.4. 扰动和观察(P&O)算法
P&O算法由于其实施成本低、功耗低和维护要求少,仍然是最广泛使用的MPPT技术之一。然而,其主要局限性是对快速环境变化的响应缓慢,以及存在稳态振荡,因为需要连续的扰动来确定PV模块的工作点。为了减轻这些缺点同时保持其简单性,已经提出了几种P&O算法的自适应变体[26]。在这项工作中,实现了传统的P&O算法和自适应P&O算法,以提供与所提出的方法进行定量比较的基准。算法在算法2中详细说明,其中布尔变量Switchable用于在标准版本和自适应版本之间切换。参数Δx定义了根据与前一个时间步的Δy变化来更新Δx的固定幅度。在自适应版本中,扰动幅度通过额外的缩放因子Δscale动态调整。Δscale是一个自适应缩放因子,当连续的扰动产生Δy的单调增加时,它会增加,有效地增大更新幅度并加速收敛到MPP。当功率变化符号改变,表明已经穿过MPP时,Δscale被重置,将扰动幅度恢复到其名义值。

3. 提出的系统
用于最大化PV系统能量产出的方法在图1的系统图中进行了说明,该系统由三个模块组成:功率阶段模块、控制模块和能源公司模块。控制路径之外的模块被包括进来以提供应用背景,而本工作中报告的验证仅关注MPPT循环本身。功率阶段代表从PV面板到家庭电气负载的PV安装,包括DC-DC转换器和逆变器阶段。还包括一个电池及其电池管理系统(BMS),以在太阳能辐照度有限的时期提供存储辅助操作的系统级背景,尽管当前的验证仅关注MPPT控制路径。

控制模块实现了基于所提出的控制策略,接收PV测量值作为输入,并提供预测的最佳占空比DutyCycle作为主要输出。在数据集驱动的评估期间,还实现了P&O算法作为另一种控制器,生成DutyCycle,以便进行直接的性能比较。该模块中描述的派生变量和控制算法旨在部署在目标硬件(我们的设置中的FPGA)中。由于控制器在太阳能面板转换器级别运行,相同的原理可以轻松适应模块、串或集中式逆变器配置[27],这取决于计划的光伏系统架构。

能源公司模块模拟了与电力供应商的连接,并包括两个超出标准电网接口的额外上下文模块:可再生能源证书(REC)生成模块和功率预测估计器。这两者在第5.1节中详细说明。

以下小节详细介绍了基于P&O的MPPT控制器的特征提取过程和训练程序。

3.1. 特征提取
使用两个公开可用的数据集来评估所提出的方法:一个由位于沿海地区的洪堡州立大学(HSU)收集[7],另一个由位于沙漠环境中的内华达大学拉斯维加斯分校(UNLV)收集[8]。这两个数据集包括其他参数,例如在几年内以一分钟间隔记录的辐照度(G)和温度(T)测量值。这些源数据集提供了环境操作条件,而控制器在训练期间使用的电气变量(Vout、Iout、Δx、Δy和T)是通过下面描述的预处理和基于模型的工作点构建获得的。这些数据集之前在[28]中进行了分析,其中使用了支持向量机(SVM)来分类它们的地理来源。该研究强调了不同的操作特性:沿海数据集表现出更高的变异性,需要更快的MPP跟踪,而沙漠数据集呈现出更平稳但更稳定的条件,需要更高的稳态精度。这些互补的情景用于评估所提出的MPPT方法在不同环境动态下的鲁棒性和适应性。使用了2014年至2016年的数据,前两年用于训练,最后一年(2016年)专门用于验证,以确保在未见数据上的评估。

应用于数据集中每个每日样本的预处理包括以下六个步骤:
首先,计算连续G个样本的移动平均值,并用作区分白天和夜间条件的阈值,丢弃生成功率未超过最低成本效益水平的时期(即Δx < 0)。

然后应用算法1来获得与当前G和T对应的V-I曲线。使用方程(1)和(4)计算预期的MPP值Popt和DutyCycle。计算由之前的有效电阻R定义的负载线(方程(3)与当前V-I曲线的交点,以获得输入电压Vout和电流Iout。然后使用方程(6)计算与之前MPP工作点的差异,产生Δx和Δy。

步骤1-3对原始数据集中的每一分钟重复进行,生成输入集(Vout, Iout, Δx, Δy, T)和相应的输出集(Vout', Iout', Δx', Δy')。变量Vout、Iout、Δx和Δy被规范化到[0, 1]的范围,而Δx和Δy被缩放到[0, 2]。这种非对称缩放保留了增量变化的符号信息,同时保持了适合定点硬件实现的有限输入。

最后,在训练之前,所有输入变量都使用一个可配置的位宽度Δbit_width进行量化,如[6]中所表示的。这一步使得可以系统地评估目标FPGA实现中的数值精度、硬件资源利用和能耗之间的权衡。

为了说明预处理过程,图2展示了如何从Vout和Iout的交点获得Δx和Δy,从而模拟工作点之间的自然过渡。使用Vout和Iout作为模型输入而不是辐照度测量值,消除了对专用辐照度传感器的需求,这些传感器通常更昂贵并且可能由于间接和外部测量PV操作条件而具有较低的准确性[29]。重要的是要强调,在最终实现中不需要这个预处理阶段,其中假设直接获取Vout和Iout。因此,它仅在数据集生成期间使用,以提取所有相关的训练特征。

3.2. 基于P&O的MPPT训练
如图1所示,并在图3中结构化总结,ANN模型被训练来预测工作电压Vout和电流Iout,这些理想情况下与最佳值Popt和DutyCycle相符。在这个结构中,第一层捕获当前电气测量值与偏差特征之间的时间关系,第二层细化了这种时间表示,最后的量化MLP阶段将其映射到预测的工作点。当满足这个条件时,系统在MPP下运行。否则,预测和实际操作条件之间的差异会驱动模型改进其后续预测。通过将Δx和Δy作为模型输入,实现了这种纠正行为,从而在模型输出和后续输入之间建立了闭环交互(见图1)。

基于这种公式,ANN模型使用两种互补策略进行训练:固定训练和动态训练。固定训练依赖于预定义的输入-输出对,允许稳定地收敛到MPP。相比之下,动态训练通过从模型预测计算输入变化来结合转换器引起的反馈,从而模拟闭环系统行为。因为动态训练引入了预测和后续输入之间的依赖性,所以首先进行一个固定的预训练阶段来稳定模型参数。在这个固定的预训练阶段之后,训练切换到动态模式。这种分阶段的方法结合了稳定的收敛和真实的操作条件。下面详细介绍了这两种策略:

固定训练:模型直接从预处理后的数据集中学习最佳工作点,这在相关工作中是常见的做法(第2.3节)。

动态训练:在每个时间步,根据Vout和预测的等效电阻R计算Δx和Δy,从而在学习过程中引入闭环交互。因此,每次内部更新都会根据之前的模型输出重新计算Δx、Δy、Δscale和Δy',所以每个动态训练周期都在相同的外部气候序列下生成新的控制器输入轨迹。动态训练有效地生成了无限多的Δx和Δy对,使得结果模型比单独使用固定训练更可靠和稳健。此外,包括Δx和Δy'允许创建空闲状态:当这些差异低于预定义的阈值时,系统可以保持之前的占空比,节省能量并减少振荡。

无论采用哪种训练策略,一旦预测了Δx和Δy,就使用方程(1)和(4)计算Δx'和Δy'。然后将这些预测量与它们对应的最佳值进行比较,以计算平均绝对误差(MAE),这捕获了它们的联合偏差并通过反向传播指导参数更新。优化使用RMSprop算法进行,学习率为α,批量大小为32,权重衰减为β。为了提高泛化和鲁棒性,在训练期间对输入数据和网络权重分别应用加性噪声,标准差分别为σx和σy。使用这种设置,模型使用固定训练训练30个周期,然后使用动态训练再训练20个周期。

本节描述的方法与传统的ANN和基于P&O的模型兼容。遵循[6]中定义的工作流程,特别是附录A中的第2阶段(模型探索和训练),必须引入额外的量化感知超参数:Δbit_width(权重标准差的最接近2的幂次近似值)、Δnum_discrete(离散权重值的数量)和Δbit_width_per_layer(每层的输入位宽度)。这些参数是通过分析基线ANN模型学习的权重分布来确定的,对于实现高效的FPGA部署至关重要。在第4节中,这些超参数与ANN架构大小一起系统地进行了探索,以提供多种硬件实现的权衡和全面的性能比较。

4. 实验
这种方法使用两个主要工具进行开发:PyTorch v2.0.1用于量化模型的探索和训练,以及Vivado Design Suite 2021.2用于架构开发、组件集成和实现分析。目标平台是运行在100 MHz的AMD Spartan XC7S6 FPGA(AMD,美国加州圣何塞),这是AMD Spartan系列中最小的设备之一[30]。本工作中报告的与硬件相关的指标对应于Vivado布局和布线后的实现估计。

评估了十五个模型,分为三类:传统的MPPT算法、基于P&O的架构和基于P&O的架构[6]。这些模型旨在逐步探索控制性能和硬件效率之间的权衡。为了可比性,所有模型都使用两个隐藏层,每层的神经元数量在模型名称中指出。这些模型后面是一个8位量化的MLP输出层,提供两个输出(Vout'和Iout')。请注意,这个MLP层使用乘法器,而之前的层依赖于移位操作。这种设计选择为回归任务保持了高精度。

传统的MPPT算法(8个模型)。这些包括三种标准的P&O配置和五种自适应P&O变体(算法2),选择它们是为了覆盖一系列具有代表性的参数值。–标准P&O:三种模型,用符号表示,其中用千分之一表示。例如,对应于。–自适应P&O:五种模型,用符号表示,具有较高的值;然而,这些值导致振荡增加,从而降低了最终的跟踪效率。基于模型的模型(6种模型)。在分析了一个GRU基线模型之后,量化超参数被迭代优化,以实现尽可能高的量化程度,同时不牺牲数值等效性。最终的配置为=3、和,代表了与32位参考模型保持等效性的最小位宽设置。此外,选择了一个缩放因子(见方程(5)),为该应用提供了延迟和资源利用之间的有效权衡。考虑了三个探索方向:–神经元缩放:模型用符号表示,其中隐藏层的大小逐渐减小。–量化细化:基于,权重和激活精度进一步降低,得到(2位权重,)和(6位激活,=6)。–输入特征减少:移除温度输入以降低传感成本,得到模型。基于模型的模型(1种模型)。该模型用于提供前馈神经基线,以便与循环替代方案进行比较。在以下小节中,这些模型将根据预测准确性、光伏系统效率改进和硬件实现指标进行比较。固定步长和自适应P&O配置在相同的传感变量、转换器方程和评估协议下提供了一个经典的基准,使得跨控制器家族进行了一致的比较。

4.1. 模型精度
为了分析收敛行为,在每个数据集样本的固定时间窗口X步内,G和T保持不变。因此,此评估中的时间步长并不对应于气候数据集的一分钟采样间隔,而是对应于在固定环境条件下执行的一个内部MPPT控制周期。每次这样的内部更新代表了观察光伏电气状态的序列,控制器产生新的输出,占空比得到更新,结果的操作点提供了V、I、和的新值。在这些条件下,V–I曲线保持不变,每个模型都试图在X步间隔内收敛到相应的MPP。因此,数据集定义了外部操作条件的序列,而收敛性是通过每个条件下所需的内部控制器更新次数来评估的。这种抽象也与实际操作一致,因为气候变量(如辐照度和温度)的变化速度远慢于转换器回路的电气信号。

鉴于估计的控制器延迟在微秒范围内(见第4节),在短暂的内部更新期间保持G和T不变是一个合理的近似,用于隔离控制器收敛。然而,当前协议并没有捕捉到部署回路的全部物理时间预算,包括传感、过滤、转换器稳定和执行器延迟。因此,报告的延迟应严格解释为在这种固定条件评估设置下的结果。在此期间之后,G和T被修改,产生类似于图2所示的过渡。对于给定的时间步长x,整个数据集的平均跟踪效率定义为(7),其中N是数据集样本的总数(每分钟一个),是时间步长x处第n个样本的预测功率,是相应的理论最大功率。然后,跨X时间步长的效率汇总为(8)。使用这种方法,获得了在2016年数据上评估的两个数据集的效率曲线,并在图4中展示。该图显示,在单次内部更新后,模型达到了99%的精度,在接下来的四次更新中只有微小的改进。这种行为表明,一旦控制器接近MPP,就可以探索低活动状态。相比之下,基于P&O的模型需要大约10次内部更新才能达到可比的瞬时精度(左侧图表)。当考虑跨内部更新的聚合效率时(右侧图表),它们的性能在UNLV数据集大约需要20次更新,在HSU数据集大约需要40次更新时才能补偿累积的损失。因此,在采用的协议下,主要优势在于减少接近MPP所需的内控迭代次数,而不是在一分钟数据集尺度上的直接经过时间增益。

图4. 评估模型的年度数据集驱动评估曲线。(左):根据方程(7)计算的内部控制器更新次数x后的跟踪效率。(右):根据方程(8)计算的X次内部控制器更新后的聚合效率。此外,基于P&O的模型显著晚于达到平均效率,这突出了神经方法在快速变化环境中的优势。HSU数据集中观察到的较大收敛延迟证实了在高度变化的气候条件下,MPP跟踪变得更加具有挑战性,如[28]中所报告的。使用作为参考模型,可以观察到,在探索的三个优化方向中,量化细化和输入特征减少通常比神经元缩放导致更大的效率下降。尽管如此,配置的性能表明,在UNLV等变化较小的气候条件下,温度传感器可以省略。此外,模型始终优于架构,这证明了时间建模对于这项任务的重要性。

图5展示了在不同气候条件下的三个代表性日子,内部更新次数为。顶部行展示了HSU数据集中某一天的变化X的影响,结合了全序列视图和两个详细间隔。中间和底部行分别展示了HSU数据集在MPP下的稳态操作和在突然辐照度变化下的瞬态响应的例子,每个都结合了概览和单独的P&O和详细比较面板。较大的值加速了P&O和自适应P&O模型的收敛,但增加了稳态振荡。在突然转换期间,模型明显优于P&O方法,后者需要额外的内部更新才能恢复可接受的精度。由于缺乏时间信息,模型收敛到高效率的操作点,但未能完全纠正残余误差,如图5的右侧图表所示。这种限制通过架构得到了缓解,后者更紧密地跟随模拟的MPP轨迹。

4.2. 模型实现
在展示实现结果之前,必须定义年净发电量。它是根据评估条件下的理想年发电量计算的,乘以平均跟踪效率,并减去FPGA能耗:(9),其中定义为(10),其中是报告的模型功耗(以毫瓦计),是年运行时间(以小时计)。表2总结了在AMD Spartan XC7S6 FPGA上评估的控制器之间的实现权衡,结合了三种类型的信息:跟踪效率、硬件成本以及在HSU 2016数据集上产生的年发电量,其为千瓦时,平均每日运行时间为8.37小时。在P&O家族中,配置被报告为因为它在评估的步长大小中提供了最强的名义基准,同时保持了与其他P&O变体相似的硬件特性。因此,这种配置被用作共同评估协议下的代表性基准,而不是为每个单独场景单独重新优化的上限。

表2. 在HSU数据集上比较模型。结果表明,所提出的神经控制器比P&O基线更快地提高了跟踪性能。在时,模型已经接近99%的效率,而P&O变体仍保持在74.90%和85.78%。即使在时,模型仍然具有明显优势,P&O模型的效率低于96%。这种差异直接反映在收敛行为上:模型所需的内部控制迭代次数大约是评估的P&O方法的20-40倍,以达到99%的效率。这种控制优势是通过适度的硬件增加实现的,这与预期的部署环境兼容。相对于P&O,实现需要大约3-10倍的LUT和7-17倍的FF,以及更高的延迟。报告的延迟值是放置和路由后的实现估计值。它们支持控制器级别的可部署性讨论,但并不代表完整的闭环时间预算。功耗也保持在狭窄的范围内,所有报告的实现都在34到68毫瓦之间。在神经家族中,提供了最高的效率,但与相关的资源增加相比,相对于较小的循环变体的增益较为适中。相比之下,在准确性和硬件成本方面,都优于前馈基线,这加强了循环建模对于当前任务的好处。更具侵略性的量化变体和中显示出比神经元缩放的循环模型更明显的效率惩罚。

这些差异转化为在采用的模型和操作假设下的实际相关能量产出效应。对于千瓦时,达到了千瓦时,而达到了309千瓦时。这相当于相对于评估的自适应P&O基线大约4%的年能量产出增益。在最苛刻的快速响应情况下,这种增益变得更大。在时,每个操作条件只允许一次内部控制器更新,差距增加到大约13%。这种行为与第4节的收敛分析一致,因为所提出的控制器的主要优势出现在操作条件变化后的早期更新中。同时,年度FPGA能耗相比之下可以忽略不计(的Wh)。总体而言,表2表明,当快速适应和在变化的气候条件下的高跟踪质量是相关设计目标时,量化循环控制器的额外硬件成本是可以证明的。

4.3. 对测量噪声的鲁棒性
在实际的光伏控制器中,感测的电气变量受到传感器不准确性、模拟调理误差、ADC量化和电气噪声的影响。为了补充前几节的名义基准,通过在中评估期间扰动感测的电压和电流进行了额外的鲁棒性实验。这个实验的目的是测试当感测的电气状态不再理想时,比较控制器排名是否仍然稳定。在每次内部控制更新时,将加性噪声独立注入感测的电压和电流中(11),其中和。扰动值在控制器使用之前被裁剪到有效操作范围内。由于偏差变量和是从测量的电气状态重新计算的,因此扰动影响了五个输入中的四个(V、I、和),而温度保持不变。模型没有为此实验重新训练。相反,使用了相同的训练好的控制器和相同的数据集驱动评估协议,以便结果能够隔离每种方法对测量不确定性的敏感性。对于每个扰动级别,所有控制器都在相同的全年HSU测试序列和相同的噪声种子实现上进行了评估,因此比较反映了控制器行为的差异,而不是注入扰动模式的差异。与前一小节一致,HSU数据集被保留用于此实验,因为它提供了在这项工作中考虑的两个气候数据集中更具挑战性的基准。

表3报告了在这种共同协议下不同噪声幅度下获得的聚合跟踪效率。所报告的子集被选为跨控制器家族和设计权衡提供紧凑的比较。在P&O家族中,表格报告了在噪声感知基准下评估的最强基线,包括一个自适应变体和两个具有不同更新幅度的固定步长变体。在提出的控制器中,表格包括前馈参考、性能最佳的循环模型以及在表2中提供最佳精度-实现权衡的循环配置。表3. 在HSU数据集上,模型在传感器噪声干扰下的表现。所选的干扰幅度旨在涵盖低成本光伏控制器实际应用中的各种感知条件。作为参考,Allegro ACS712霍尔效应电流传感器在25°C时的总输出误差约为[31],对于下面考虑的代表性工作电流,这相当于大约[值缺失]安培。同样,标准10位测量链在0–45V输入范围内的量化步长约为0.044V[32]。根据这种解释,较低的干扰水平([值缺失]安培,[值缺失]伏特)相当于低成本传感链中的轻微采集和量化效应,而中等和较高水平则代表了逐渐恶化的感知条件,这些条件包括传感器不准确性、模拟前端误差、校准不匹配和电气干扰。因此,评估中最强的情况([值缺失]安培,[值缺失]伏特)应被视为一种退化的测量条件,而不是标称的感知场景。为了便于理解,在一个代表性的最大功率点(MPP)工作点([值缺失]伏特,[值缺失]安培,[值缺失]瓦特)附近,这些干扰水平大致对应于从[值缺失]瓦特到[值缺失]瓦特的功率偏差范围。结果显示,这些控制器,特别是循环变体,在所有评估的干扰水平下都保持了较高的跟踪性能。对于测试的噪声幅度,神经控制器的性能下降仍然有限,即使在最强的干扰情况下,循环模型也保持了较高的初始步骤效率。相比之下,P&O基线模型的性能下降更为严重,尤其是在更新幅度较小时,测量干扰可能会主导下一个控制步骤中观察到的变化。在采用的基准测试范围内,这个实验通过展示在每次控制更新前电气测量受到干扰时,所提出的控制器的优势仍然存在,从而扩展了标称评估。从这个意义上说,这些结果补充了无噪声比较,并提供了对相同数据集驱动协议下感知不确定性的鲁棒性的初步指示。

4.4 定性比较
表4将所提出的设计与选定的基于FPGA的MPPT实现进行了比较,这些实现涵盖了不同的控制器家族,同时保持了控制器级别的实现视角。在这个有限的比较范围内,所提出的设计结合了基于ANN的预测控制、紧凑的逻辑使用和零DSP实现。然而,比较的研究在转换器拓扑、验证方法、FPGA家族和报告粒度上存在差异,因此该表应被视为一个定性的实现级别背景。其目的是将所提出的控制器置于一个代表性的部署导向的框架中,而不是支持统一的跨研究排名。尽管文献中包含了基于ANN的MPPT研究和基于FPGA的MPPT研究,但结合了两者并具有部署导向报告的控制器级别工作仍然很少,特别是对于循环模型而言。此外,最近的近似主题研究通常将硬件结果作为更广泛集成系统的一部分或在非对齐的合成类别下进行报告[24,33,34],这限制了在MPPT控制器级别进行公平的直接基准测试。在这方面,当前的工作有助于填补文献中仍然记录不足的领域:基于RNN的预测MPPT与面向部署的FPGA报告。

5. 应用和未来方向
5.1 可再生能源证书、故障检测和功率预测
可再生能源证书(RECs)对于促进清洁能源的采用至关重要[38,39]。它们认证了来自可再生能源的电力生成,通常作为政府激励的基础。然而,REC政策容易受到欺诈——例如,非可再生能源可能被错误地报告为清洁能源。在光伏系统中,这可能涉及注入外部非绿色能源以夸大报告的清洁能源输出。在这种情况下,方程(6)中定义的偏差变量[值缺失]和[值缺失]也可能在未来的实现中发挥作用,超越了MPPT控制动作的直接计算。由于这些变量作为测量值和之前预测的光伏工作点之间的预测残差,因此在后续工作中可以研究持续偏离学习到的V–I行为的情况,作为高级功能的指标,如故障筛查、异常检测或与REC相关的误用评估。同样的残差类型信号也可以用于短期预测或监督能源管理层面[40,41]。总的来说,这些方向代表了未来研究和更广泛系统级整合的一个有趣路径。

5.2 便携性
在沿海和沙漠数据集上获得的结果表明,通过在本地数据重新训练后,该工作流程可以转移到其他光伏安装中。如果光伏面板或DC–DC转换器发生变化,主要需要的调整涉及表1、算法1以及方程(2)和(4)中的参数,而一般的训练和部署程序保持不变。由于架构轻量级,因此也可以在小型边缘设备上进行部署。同样的本地控制原则也可以在更大的光伏电站的模块级、串级或逆变器级别复制,而电站级别的协调和网络交互超出了当前工作的范围。尽管如此,这种便携性声明仍应在当前验证的范围内进行解释,该验证结合了真实的气候记录和第2节中模型生成的光伏电气行为。额外的噪声感知实验通过评估受干扰的控制器输入来补充了理想测量基准,但在实际非理想条件下进行更广泛的转换器级别验证仍然是未来工作的课题。

6. 结论
本工作表明,所提出的架构,特别是循环模型,可以在保持与硬件约束的部署场景兼容的同时支持预测MPPT。在采用的基于数据集的评估协议下,这些模型在少量的内部控制迭代内实现了接近最优的跟踪性能,并且在一年气候数据下的平均效率保持在99.90%以上。与评估的P&O和自适应P&O基线相比,所提出的模型需要更少的控制更新来接近MPP,并在测试的场景中实现了更高的整体能量产出。额外的噪声感知实验进一步强化了这一结论,表明即使在最强的干扰下,循环控制器也能保持超过98%的聚合效率,而无需重新训练,而评估的P&O基线则下降得更严重。综上所述,这些结果支持使用先前引入的框架作为预测MPPT的有希望的基础。量化模型保持了低资源的FPGA特性,具有适度的LUT、FF和功率使用,同时在采用的评估协议和单二极管光伏电气模型下保持了高跟踪性能。总体而言,所提出的方法为预测MPPT提供了一个有前景的部署导向基础,并激发了未来HIL或真实系统验证向更广泛部署评估的兴趣。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号