基于深度递归神经网络的二次升压变换器光伏系统最大功率控制改进

《Energies》：Improved Maximum Power Control of Photovoltaic Systems Using Quadratic Boost Converter Based on Deep Recurrent Neural Network

　　

温度和太阳辐射都会引起光伏输出功率的变化。然而，每种变化都有一个最大功率点（Maximum Power Point, MPP），代表光伏输出的最大效率。为了实现最佳效率，光伏功率必须在最大点进行管理。这可以通过使用转换器将光伏输出电压调节在最大功率点来实现。研究人员提出了一种二次升压变换器（Quadratic Boost Converter, QBC），利用深度递归神经网络（Deep Recurrent Neural Network, DRNN）算法来控制光伏输出功率。DRNN的目标是减小最大点处的纹波并加快达到最大功率点的时间。QBC设计用于获得比常规升压变换器更高的直流输出电压，因此如果光伏连接到逆变器，可以消除升压变压器的使用。所提出的方法应用于一个50 Wp太阳能电池板，使用Arduino微控制器作为控制设备。实验结果表明，基于DRNN算法的QBC有效地将太阳能电池板输出功率控制在最大点，具有更平滑的纹波和更快的响应。QBC还能够根据其特性产生更高的电压输出。

随着化石燃料供应日益枯竭，各国加速推广可再生能源。太阳能光伏因其清洁性和可持续性成为重要方向，但光伏输出功率受温度和太阳辐射影响，存在一个最大功率点（Maximum Power Point, MPP），对应最大效率。为实现最优效率，必须通过最大功率点跟踪（Maximum Power Point Tracking, MPPT）技术将光伏输出电压控制在MPP处。传统MPPT算法如扰动观察法（Perturbation and Observation, P&O）存在固定步长难以兼顾响应速度与稳态纹波的问题：大步长响应快但纹波大，小步长纹波小但响应慢。为此，研究人员提出基于深度递归神经网络（Deep Recurrent Neural Network, DRNN）的MPPT算法，并结合二次升压变换器（Quadratic Boost Converter, QBC）以提升输出电压增益，从而消除逆变器中升压变压器的需求。该研究在50 Wp太阳能电池板上，以Arduino Mega 2560微控制器为控制核心，通过实验验证了所提方法。结果表明，DRNN算法能有效加速响应并降低功率纹波，QBC实现了高电压输出，研究成果发表在《Energies》期刊上。

研究人员开展研究时，主要采用以下关键技术方法：首先，设计深度递归神经网络（DRNN）中的长短期记忆（Long Short-Term Memory, LSTM）模型，以光伏功率变化量（ΔP）和电压变化量（ΔP）为输入，输出可变步长（ΔD），替代传统P&O算法的固定步长，用于MPPT控制。其次，设计二次升压变换器（QBC），包含两个电感、两个电容、三个二极管和一个开关管，实现输出电压与输入电压的二次方关系，以获得更高直流增益。实验平台采用50 Wp太阳能电池板（开路电压22.5 V，最大功率点电压17.6 V），Arduino Mega 2560微控制器，辐照传感器PYR20、K型热电偶温度传感器、电流传感器ACS712及电压分压传感器，QBC开关频率为31 kHz，采样时间0.05 s。DRNN模型在MATLAB/Simulink R2022b中训练，使用100个隐藏层、50个数据样本和500个epoch。

**3. 结果**
**LSTM训练结果**：通过深度学习工具箱训练LSTM模型，输出ΔD范围-0.35至0.35。训练误差在100个epoch时降至0.005，模型输出与目标吻合，证明DRNN模型有效，可用于MPPT算法。
**第一实验（恒定辐照）**：在约630 Wb/m2恒定辐照和31°C条件下，对比高步长P&O（ΔD=0.1）、低步长P&O（ΔD=0.001）和DRNN三种MPPT方法。高步长P&O在0.6秒内达到最大功率点，但稳态功率纹波为±0.5 W；低步长P&O需15秒，纹波仅为±0.1 W；DRNN在0.7秒内达到最大功率点，且稳态纹波为±0.1 W，兼顾了快速响应和低纹波。三种方法均将太阳能电池板输出功率控制在19.5 W。QBC输出功率为15 W（效率约76%），输出电压达180 V（输入电压17.5 V），输入电流1.15 A，输出电流0.08 A，证实QBC按特性工作。
**第二实验（变化辐照）**：辐照从630 Wb/m2降至400 Wb/m2再降至310 Wb/m2，温度从31°C升至33°C后下降。DRNN算法生成的占空比随辐照变化而调整，QBC输出电压相应变化（180 V、150 V、135 V），输出电流和功率随之变化（19.5 W、13 W、10 W），表明系统在辐照变化下仍能有效追踪MPP。

**4. 讨论**
DRNN-based MPPT通过可变步长ΔD（范围-0.35至0.35）解决了传统P&O算法固定步长的矛盾。实验对比显示，高步长P&O响应快（0.6 s）但纹波大（±0.5 W），低步长P&O纹波小（±0.1 W）但响应慢（15 s），而DRNN同时实现快速响应（0.7 s）和低纹波（±0.1 W），性能更优。QBC方面，输入电压17.5 V时输出180 V，直流增益达10.28，高于常规升压变换器（增益2），且与文献中其他升压变换器相比，组件数量更少，满足系统需求。

**5. 结论**
研究人员提出通过基于深度递归神经网络（DRNN）算法的二次升压变换器（QBC）来增强光伏系统最大功率控制性能。使用QBC的目的是获得更高的输出电压比，而DRNN方法作为MPPT算法，旨在提高达到最大功率点的响应速度并降低最大点处的功率纹波。所提方法在50 Wp太阳能电池板模块上实现，以Arduino Mega 2560微控制器作为控制设备。基于DRNN和QBC的最大功率控制系统设计与传统的P&O MPPT算法进行了评估和比较。实验室实验结果表明，所提出的基于DRNN的MPPT算法成功加速了达到最大功率点的响应，并成功降低了最大点处的功率纹波。QBC的使用能够根据目标产生高输出电压。当太阳能电池板转换器输入电压为17.5 V时，QBC可产生180 V的输出电压。所有这些结果表明，基于DRNN和QBC的最大功率控制设计符合预期目标。