光伏系统中以氢气喷射压力作为火花点火发动机燃烧、效率及排放控制参数的研究

《Machines》：Hydrogen Injection Pressure as a Control Parameter for Combustion, Efficiency, and Emissions in a Spark-Ignition Engine

　　

最大功率点跟踪(Maximum Power Point Tracking, MPPT)是光伏(Photovoltaic, PV)系统中实现能量最大化提取的关键功能。由于最大功率点(Maximum Power Point, MPP)随辐照度条件变化而具有固有动态特性，实现快速收敛、低稳态振荡和高跟踪效率仍是具有挑战性的研究课题。本文提出一种用于快速变化环境条件下光伏系统运行的基于人工神经网络(Artificial Neural Network, ANN)的混合MPPT策略。所提出的方法集成了一个基于规则的运行工况估计阶段与一个基于递推ANN的控制阶段，能够利用测得的PV电压和电流信号自适应生成占空比(Duty Cycle)。与常规MPPT技术不同，该方法将运行区域估计与扩展的ANN输入特征向量及递推反向传播神经网络相结合，以改善突变辐照度变化下的动态跟踪性能。此外，采用复合损失函数以提高跟踪精度、引导一致性和控制平滑性。ANN先进行离线训练，随后使用轻量级增量自适应进行在线微调，以较低计算负担维持有效运行。研究人员将该MPPT策略与扰动观察法(Perturb and Observe, P&O)、模糊逻辑控制(Fuzzy Logic Control, FLC)、滑模控制(Sliding Mode Control, SMC)及现有基于ANN的方法进行了对比评估。仿真结果表明，在突变辐照度变化下，该方法具有改善的跟踪性能、更快的动态响应和减小的稳态振荡。

论文解读：基于混合递归神经网络的光伏系统最大功率点跟踪(MPPT)方法研究

一、研究背景与意义

光伏(Photovoltaic, PV)发电是 scalable 可再生能源的重要形式，但其输出功率随太阳辐照度和温度连续变化，最大功率点(Maximum Power Point, MPP)具有时变非线性特征，使持续工作在MPP上较为困难。传统MPPT方法如扰动观察法(Perturb and Observe, P&O)虽结构简单、计算量低，但在突变辐照度下存在MPP附近振荡、跟踪速度慢、低辐照度效率下降等问题；模糊逻辑控制(Fuzzy Logic Control, FLC)无需精确数学模型但依赖经验规则整定；滑模控制(Sliding Mode Control, SMC)具强鲁棒性但易引入抖振。已有基于人工神经网络(Artificial Neural Network, ANN)的MPPT可利用非线性映射能力适应动态环境，但常受限于输出响应振荡明显、需大量高质量训练数据、计算负担大导致实时适应性不足。为此，研究人员提出一种混合ANN-based MPPT框架，融合基于规则的运行区域估计与递推反向传播神经网络，旨在提升突变辐照度下的动态跟踪性能、降低稳态振荡并兼顾嵌入式平台可实施性。该论文发表于《Machines》。

二、主要关键技术方法

研究人员采用KYOCERA KC200GT PV组件模型搭建含蓄电池、DC/DC Boost变换器及MPPT控制器的离网PV系统仿真平台（MATLAB/Simulink 2023，ode4定步长5 μs）。先通过规则阶段计算PV电压V_pv(t)、电流I_pv(t)及其前一时刻采样值，得到瞬时功率P_pv(t)=V_pv(t)·I_pv(t)，以ΔP_pv/ΔV_pv符号判定运行区域R(t)（左/右/处于MPP），并以ΔI_pv作辐照度变化指示ΔIrr_indicator(t)，依区域及上一周期占空比D(t?1)生成辅助占空比引导信号D_aux(t)（ΔD=0.001）。第二阶段将扩展输入特征向量x(t)=[D_aux(t), V_pv(t), I_pv(t), E(t), R(t), ΔIrr_indicator(t)]^T（E(t)为跟踪误差）送入具隐层自反馈连接的递推BP神经网络（两隐层分别含5、4神经元，tanh激活，单输出神经元输出占空比D(t)）。网络先以不同辐照度/变化模式下生成的350组样本离线训练（70%训练、15%验证、15%测试），损失函数为含功率跟踪项、引导一致性项及占空比平滑正则项的复合平方误差，在线以轻量增量学习微调权重（梯度下降法）。对照方法含P&O（初值D=0.5，固定扰动步长ΔD）、FLC（Mamdani推理，七级模糊集，E(k)与ΔE(k)输入）及SMC（以dP_pv/dV_pv=0为滑模面）。

三、研究结果

2. Conventional MPPT Approaches and PV System Description

研究人员描述了含PV阵列、蓄电池储能、DC/DC变换器、MPPT控制器、监控模块及负载的典型自主PV系统架构，给出KC200GT组件及系统参数，并详述了用于对比的三类经典MPPT原理：FLC基于P-V曲线斜率(E)及其变化率(ΔE)模糊推理输出占空比增量；SMC以dP_pv/dV_pv构造切换函数，依运行区域（左区增电压、右区减电压）设计等效加切换控制律；P&O通过周期性扰动V_pv并据ΔP/ΔV符号决定下一扰动方向使工作点趋近MPP，同时指出P&O存在MPP附近振荡、突变辐照度性能差、动态响应慢及低辐照度效率低的缺陷。ANN-MPPT部分说明典型前馈网络结构（两输入V_pv、I_pv，八神经元单隐层）及训练依赖数据集质量与计算开销的限制。

3. Proposed ANN-Based MPPT Approach

研究人员提出两阶段混合结构：第一阶段基于规则估算运行区域R(t)（ΔP_pv/ΔV_pv>0→左侧R=1，<0→右侧R=2，≈0→MPP处R=0）、跟踪误差E(t)=P_pv(t)?P_{pv_max_ref}(t)（参考取前一刻P_pv近似）及由ΔI_pv(t)=I_pv(t)?I_pv(t?1)反映的辐照度变化指示ΔIrr_indicator(t)，依R(t)和上一占空比D(t?1)给D_aux(t)=D(t?1)±0.001（左增右减）。第二阶段将[D_aux(t), V_pv(t), I_pv(t), E(t), R(t), ΔIrr_indicator(t)]送入带自反馈的两隐层（5、4神经元）递推反向传播ANN，输出更新占空比D(t)。损失函数L=w(t)·[E(t)]²+λ₁·[D(t)?D_aux(t)]²+λ₂·[ΔD(t)]²，λ₁增强暂态跟随引导信号加速收敛，λ₂抑制占空比剧变减小振荡，权重w(t)依|E(t)|自适应调大（暂态）或调小（稳态）。网络先离线收敛后在线增量更新。结论：此结构融合物理启发规则引导与ANN动态记忆，可在不显著增加计算量的前提下改善突变辐照度下的MPPT瞬态与稳态表现。

4. Results and Discussions

研究人员在辐照度从200 W/m²突变为1000 W/m²条件下对比所提ANN-MPPT与P&O、FLC、SMC。结果表明：所提方法平均提取功率最高、调节时间(settling time)最短、MPP附近振荡最小；P&O与FLC平均功率较低且调节时间长，SMC具一定鲁棒性但仍较所提方法有更大振荡与纹波。电池荷电状态(State of Charge, SOC)曲线显示所提控制使电池以更快稳态响应充至约152.5 Ah。输出电压、电流波形更快同步调整至新最优值，占空比达新最优值的调节时间最短。量化指标汇总：所提ANN-MPPT跟踪效率99.6%，纹波幅值2.4 W，振荡幅值1.2 W，跟踪误差最低；FLC效率98.74%；P&O振荡大、纹波大、收敛慢；SMC振荡与纹波大于所提方法。结论：混合递推ANN-MPPT在突变辐照度下具更快动态响应、更高效率及更低稳态振荡，提升能量收集能力。

四、讨论与结论翻译

本研究提出了一种用于动态辐照度条件下光伏系统运行的混合基于人工神经网络(ANN)的最大功率点跟踪(MPPT)策略。所提框架集成一个基于规则的运行工况估计阶段与一个基于神经网络的控制阶段，以增强整体跟踪性能和动态响应。在第一阶段，从测得的PV电压和电流信号中提取关键运行指标，包括跟踪误差、辐照度变化和运行区域。这些指标被用于构建辅助占空比信号，为后续控制动作提供引导。在第二阶段，采用反向传播神经网络，以提取的指标和测得电气变量为输入生成最终占空比指令。网络先利用仿真数据集离线训练，随后通过轻量级增量学习方案在线更新，确保适应能力且不造成显著计算负担。在突变辐照度变化下MATLAB/Simulink仿真结果显示，与P&O、FLC和SMC等常规MPPT技术相比，所提基于ANN的方法具改善的跟踪性能和减小的稳态振荡。未来工作将聚焦于实验验证及将该框架扩展至故障容错光伏控制应用，并进一步增强神经网络处理渐变辐照度变化的能力。