用于Boost变换器光伏系统在辐照度快速变化下的混合人工神经网络(ANN)最大功率点跟踪(MPPT)策略

《Machines》：Hybrid ANN-Based MPPT Strategy for Boost Converter PV Systems Under Rapid Irradiance Variations

　　

最大功率点跟踪(Maximum Power Point Tracking, MPPT)是光伏(Photovoltaic, PV)系统中实现能量提取最大化的关键功能。由于最大功率点(Maximum Power Point, MPP)随辐照度条件变化具有内在动态特性，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的混合人工神经网络(ARTificial Neural Network, ANN)基MPPT策略。该方法集成了基于规则的运行工况估算阶段与基于循环(recurrent)ANN的控制阶段，能够利用测得的PV电压与电流信号自适应生成占空比(Duty Cycle)。与常规MPPT技术不同，所提方法利用运行区域估计结合扩展的ANN输入特征向量及循环反向传播神经网络，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(Composite Loss Function)以提高跟踪精度、引导一致性与控制平滑性。ANN先进行离线训练，随后利用轻量级增量自适应进行在线精调，以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(Perturb and Observe, P&O)法、模糊逻辑控制(Fuzzy Logic Control, FLC)法、滑模控制(Sliding Mode Control, SMC)法及已有ANN基方法进行对比评估。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、更快的动态响应及减小的稳态振荡。

论文解读：基于混合人工神经网络(ANN)的光伏Boost变换器快速变辐照度下最大功率点跟踪(MPPT)策略

一、研究背景与意义

光伏(Photovoltaic, PV)发电是具前景的可再生能源，但其输出功率受太阳辐照度(Irradiance)和温度影响显著，最大功率点(Maximum Power Point, MPP)随环境连续漂移。经典扰动观察(Perturb and Observe, P&O)法存在稳态振荡及突变辐照度下误判与跟踪迟缓问题；模糊逻辑控制(Fuzzy Logic Control, FLC)依赖经验规则且难以自适应动态剧烈变化；滑模控制(Sliding Mode Control, SMC)虽具鲁棒性但在MPPT中仍有振荡。传统人工神经网络(ARTificial Neural Network, ANN)基MPPT多直接用G(辐照度)和T(温度)估MPP电压或占空比，需额外传感器、大数据集且实时适应性有限，部分仅用电气量但输入表征不足或网络无记忆致动态跟踪欠佳。针对Boost变换器PV系统在辐照度快速/突变工况下MPPT要求快收敛、低稳态振荡和高效率的需求，研究人员提出一种混合(Hybrid) ANN基MPPT框架，融合基于规则的运行区域估计与带自反馈(Self-feedback)的循环(Returrent) BP神经网络及复合损失函数，并辅以离线预训练加在线轻量增量适应。论文发表于《Machines》。

二、主要关键技术方法

研究人员采用KYOCERA KC200GT PV模块模型，搭建含蓄电池的PV-Boost-DC/DC系统，在MATLAB/Simulink 2023中以ode4(Runge-Kutta)、固定步长5 μs(200 kHz)仿真。第一阶段：由采样PV电压V_pv(t)、电流I_pv(t)及其前一时刻值算瞬时功率P_pv(t)，求跟踪误差E(t)=dP_pv/dV_pv近似、辐照度变化指标ΔIrr_indicator(t)=I_pv(t)?I_pv(t?1)及运行区域指标R(t)依ΔP_pv/ΔV_pv符号判为左(R=1)、右(R=2)或MPP(R=0)，据此给辅助占空比D_aux(t)=D(t?1)±ΔD(ΔD=0.001)。第二阶段：构造扩展输入特征向量 x(t)=[V_pv(t), I_pv(t), E(t), R(t), ΔIrr_indicator(t), D_aux(t)] 送入两隐层(5、4神经元)带隐层自反馈连接的循环反向传播神经网络，输出为占空比D(t)。损失函数为复合形式：L=w(t)·(E(t))2+λ?·(D(t)?D_aux(t))2+λ?·(ΔD(t))2，含功率跟踪项、引导一致性项和平滑正则项，权重w(t)依|E(t)|自适应。ANN先用350组不同辐照度工况仿真数据(70%训练、15%验证、15%测试)离线训练，再于仿真运行时做轻量在线增量权值更新(η为学习率)。对比基准为P&O、FLC(Mamdani，七语言变量NG~PG)、SMC(基于dP/dV=0滑模面)及既有ANN方法，测试工况为辐照度从200 W/m2突变为1000 W/m2。

三、研究结果

2. Conventional MPPT Approaches and PV System Description

研究人员描述了含PV阵列、电池储能、DC-DC Boost变换器、MPPT控制器及负载的自洽PV系统架构，列KYOCERA KC200GT参数并说明仿真配置，指出经典P&O存在稳态振荡与慢动态、FLC无需精确模型但有规则设计局限、SMC具强鲁棒性但可能伴较大抖振，为后续对照提供基础。

2.1. Fuzzy Logic Control(FLC)-Based MPPT

研究人员采用Mamdani型FLC，输入为E(k)与ΔE(k)(基于dP/dV特征)，输出ΔD经比例因子与上一占空比叠加，七级模糊语言变量(NG,NM,NP,Z,PP,PM,PG)及对应规则表给出优化后规则，说明FLC可通过语言规则逼近非线性MPPT但调参依赖经验。

2.2. Slide Mode Control(SMC)

研究人员定义滑模面S(x)=dP_pv/dV_pv，据P-V曲线左(S>0需增V)右(S<0需减V)区设计切换控制律u=u_eq+k·sgn(S)，说明SMC对参数摄动和外部扰动的不变性及其在PV MPP追踪中的应用原理与局限。

2.3. Perturb and Observe(P&O) Algorithm

研究人员阐述P&O通过比较ΔP与ΔV符号决定下一电压扰动方向趋近MPP，初始占空比0.5、固定扰动步长ΔD，归纳其易实现但存稳态损耗、突变辐照度性能差、低照度效率低等缺陷。

2.4. Artificial Neural Network-MPPT

研究人员说明典型前馈ANN结构(输入-隐层-输出)可学非线性映射，指出现有ANN-MPPT受训数据集质量制约、计算负荷高于经典法、快变环境下采样率限制致瞬态偏差，本文选用双输入单输出(后经扩展)及8神经元单隐层作参照对比。

3. Proposed ANN-Based MPPT Approach

研究人员详述混合结构：(1)规则估计段算E(t)、ΔIrr_indicator(t)、R(t)及D_aux(t)；(2)将扩展六维向量喂入带回环(Recurrent, 隐层具自反馈)双隐层(5,4神经元)BP-ANN，激活函数tanh，输出D(t)。复合损失函数平衡MPP追踪、遵循辅助引导(λ?)及占空比变化平滑(λ?)，权值w(t)随|E(t)|增大而增，促暂态快跟、稳态稳；离线预训练加在线轻量增量更新(式13 w←w?η?L/?w)保证低计算开销与适应性。

4. Results and Discussions

研究人员在辐照度200→1000 W/m2突变下对比各法：所提混合ANN-MPPT达最高平均提取功率、最短调节时间(Settling Time)、最低稳态纹波(2.4 W)、最小振荡幅值(1.2 W)及最低跟踪误差，MPPT效率99.6%；FLC次之为98.74%；P&O振荡大收敛慢；SMC较稳但有相对大纹波。电压电流曲线显示该方法更快同步调至新MPP对应值，占空比过渡平滑且达新最优值耗时最少，证实其在暂态与稳态阶段均优。

四、讨论与结论翻译

本研究提出一种用于动态辐照度条件下光伏系统的混合人工神经网络(ANN)基最大功率点跟踪(MPPT)策略。所提框架集成基于规则的运行工况估算阶段与神经网络控制阶段以增强整体跟踪性能和动态响应。在第一阶段，从测得的光伏电压和电流信号中提取关键运行指标，包括跟踪误差、辐照度变化量和运行区域；这些指标用于构造辅助占空比信号以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，以提取的指标及实测电学变量为输入生成最终占空比指令。网络先利用仿真数据集进行离线训练，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的MATLAB/Simulink仿真结果表明，与P&O、FLC及SMC等常规MPPT技术相比，所提ANN基MPPT策略具有改善的跟踪性能与减小的稳态振荡。未来工作将聚焦于实验验证及将该框架拓展至故障容错光伏控制应用，并增强神经网络处理渐变辐照度变化的能力。