基于优化后的RNN方法提升混合可再生能源系统中光伏系统的动态性能

《Electric Power Systems Research》：Dynamic performance improvement in photovoltaic systems for hybrid renewable energy systems using enhanced optimized RNN approach

　　•混合可再生能源系统通过结合光伏发电系统和风力发电系统，为满足清洁能源需求提供了有前景的解决方案。然而，其效率会受到太阳辐射强度变化以及复杂控制动态等因素的影响。•本文介绍了一种高分辨率脉宽调制谐振直流-直流转换器，该转换器与基于改进的爬行优化循环神经网络的最大功率点跟踪技术相配合。•这种高分辨率脉宽调制转换器旨在在最小化组件压力的同时实现最大的电压增益和效率。此外，还采用了双向隔离型转换器，以便在发电量和负载条件变化时实现有效的电池管理和能量平衡。最后，解耦径向基函数神经网络控制器可确保有功/无功功率管理的稳定性以及与电网的同步。

引言
随着人口增长和技术进步导致全球能源消耗不断增加，目前现有的能源系统所带来的负面影响日益严重[1]。大部分能源仍来自化石燃料和核能，而这些能源已被证明会对环境造成危害，并产生有害排放物和温室气体[2]。不过，如果能够将二氧化碳排放量降至最低或为零，预计每年可减少高达2°C的全球变暖幅度。化石燃料储备的不断减少以及对电力需求的日益增加，使得采用新的可再生能源变得愈发重要[3]。这些资源为满足能源需求提供了可持续的解决方案，同时也是化石燃料的环保替代品。由于可再生能源具有不可预测性，在开发如光伏和风能系统这样的混合可再生能源系统模型时，电力管理、系统可靠性以及经济可行性是需要重点考虑的因素[4]。与单独的光伏或风能系统相比，混合光伏/风能系统能够提供更稳定的电力输出[5]。因此，近年来研究人员致力于实施混合光伏/风能系统，因为它能够帮助电网系统以更加灵活的方式运作，而且多种能源来源的存在提升了供电的可靠性[6]。阳光强度的快速变化会导致所有太阳能发电网络的输出功率持续波动。许多研究人员正在开发新的最大功率点跟踪方法，这些方法可分为人工智能类、受自然启发的优化方法、传统方法、神经计算技术以及进化控制器等类别[7,8]。在过去一年中，关于这一主题的研究成果大量涌现，其中包括各种智能控制策略[9,10]。这类策略适用于极其复杂且天气状况多变的场景，它们通常具有较高的跟踪速度和效率[11]。不过，这些方法在处理大量数据以支持系统复杂的控制电路及前期训练方面存在困难。尽管人工神经网络是一种快速的跟踪技术，但它需要大量的训练数据才能提高跟踪精度。在动态环境中，人们还利用诸如布谷鸟搜索算法、粒子群优化算法、灰狼优化算法、蚁群优化算法、人工蜂群算法以及分层鸽子启发式优化算法等基于优化的方法来寻找最大功率点[12,13,14]。由于这类模型所使用的微控制器成本较低，因此它们能够提供一种有效的跟踪方法，且稳态振荡较少，便于实现。不过，这类算法在收敛过程中需要复杂的计算，而且在高维空间中容易陷入局部最优解。与其它方法相比，本文提出的基于改进的爬行优化循环神经网络的最大功率点跟踪策略不仅提高了响应速度和精度，还降低了稳态振荡幅度（见图1）。

在光伏系统中，无论是在正常光照条件下还是处于遮阴状态下，升压转换器都负责提升电压水平，将光伏板产生的少量电能转换为更高电压的电能[15]。传统上，提升电压增益的方法是级联使用两个升压转换器。然而，这种方式会导致输出二极管和输入电感分别承受更高的电流和电压应力，从而降低系统效率[16]。有研究提出了一种结合二次升压转换器和?uk转换器的新型转换器，以此来提升电压增益和效率[17]。不过，这种转换器虽然电压增益有限，但组件数量较多，导致其效率指标不高。还有研究提出了电压提升方案以及主动开关电感单元技术[18]。尽管这类转换器具有较高的转换比率，但由于其小信号阶数较高，需要复杂的控制器来控制输出电压，因此有研究设计了带有复杂采样数据控制器的转换器[19]。还有研究通过将级联升压转换器与开关电容单元相结合，设计出了独特的转换器[20]。在开发基于主动开关电感的转换器时，还运用了再生升压单元技术和扩展的电容-二极管网络技术[21,22]。尽管这类转换器具有较高的电压增益，但它们也存在源电流波动以及缺乏公共接地等问题。此外，由于电路结构的级联特性，这类转换器的效率也会降低。还有研究将传统的升压转换器和?uk转换器与电压倍增单元相结合，设计出了新型的单开关无变压器转换器[23]。不过，这类转换器的缺点是组件数量较多，被动元件也更多，这不仅降低了功率密度，还增加了控制复杂性。还有研究为太阳能应用设计了新的转换器[24]。然而，这类转换器仍然存在源电流脉冲现象、整体电压应力较高以及缺乏公共接地的问题。以上文献中的一些重要发现如下：•在高增益转换器中，输入组件（电感）会承受较高的电流应力，而输出组件（二极管）则面临较高的电压应力。•在某些转换器中[[25], [26], [27], [28]]以及[29]，输入电感需要承受全部的输入电流，因此其功率损耗较大。•在另外一些转换器中[[30], [31], [32], [33]]以及[34]，输出二极管所承受的电压应力较大，甚至等于输出电压。

随着城市化进程和科技发展带来全球能源需求的持续上升，从传统的化石燃料能源系统转向环保型替代能源的必要性愈发迫切。利用可自然再生的能源，尤其是光伏和风能集成系统，为解决能源问题提供了可行的路径。然而，由于可再生能源本身具有不可预测性和间歇性，其电力可靠性、控制稳定性以及经济可行性都受到了极大影响。光伏系统采用最大功率点跟踪技术来提供稳定且高效的能源供应。尽管像人工神经网络、模糊逻辑控制器和Smith预估控制器这类智能最大功率点跟踪控制器能够在天气变化较大的情况下实现快速跟踪和高精度控制，但由于它们的计算复杂度较高，且需要大量的训练数据，因此很难将其集成到实时系统中。不过，像粒子群优化算法、灰狼优化算法和人工蜂群优化算法这类元启发式优化算法展现出了良好的应用前景，但它们在高维控制空间中的收敛性较差，且容易陷入局部最优解。此外，用于将光伏板产生的低电压提升至与电网匹配水平的直流-直流转换器的性能，对电力传输效率至关重要。尽管已经有了很多改进，包括基于电压倍增器的电路、级联升压结构、基于开关电容的设计以及衍生自?uk模型的设计，但转换器拓扑结构仍然存在一些问题，比如各种组件（如二极管和电感）会因高电压和高电流而承受较大压力，同时组件数量的增加也会导致功率密度下降。为了解决这些问题，本研究提出了一种全新的谐振转换器，并搭配优化的最大功率点跟踪模型，其性能优于现有各类拓扑结构。

本研究提出了一种融合了先进直流-直流转换器、最大功率点跟踪技术、电池管理系统以及参考电流生成模型的混合可再生能源集成模型。其主要贡献如下：•高分辨率脉宽调制谐振转换器能够实现更高的电压增益和效率，它与直流母线电压水平相匹配，同时还能在降低电压和电流应力的前提下提升光伏板的电压。•基于改进的爬行优化算法的循环神经网络最大功率点跟踪技术能够在各种环境条件下精准追踪最大功率点，从而减少功率波动并提升动态跟踪性能。•为了确保在发电量较低时的供需平衡及备用供电，双向隔离型直流-直流转换器与电池储能系统相互配合，实现可再生能源与电网之间的平稳能量管理。•为了提升电力质量并增强系统动态响应能力，本研究采用了基于解耦径向基函数神经网络的逆变器控制方式，用于管理有功/无功功率流动并提升与电网的同步性能。所提出的系统具有高分辨率脉宽调制谐振转换器这一独特特点，该转换器具有更高的电压增益、更高的效率，同时还能降低组件压力。基于改进的爬行优化算法的循环神经网络最大功率点跟踪技术则能够实现精准且快速的功率跟踪。而解耦径向基函数神经网络控制器则有助于提升逆变器控制性能以及与电网的同步效果。通过这种集成化的设计，该系统实现了良好的共同接地、较低的控制复杂度，以及电网、电池和光伏系统之间的高效协调。

系统模型概述
对于并网运行而言，所提出的解决方案将光伏能源系统与如图2所示的电力管理及控制架构相结合。高分辨率脉宽调制谐振转换器在将光伏电压提升至适合接入直流母线的水平的同时，还能保持较高的效率，并降低组件的压力。基于改进的爬行优化算法的循环神经网络的最大功率点跟踪控制器则用于处理光伏板产生的波动较大的直流电压和电流。通过生成理想的占空比，该最大功率点跟踪模块能够实现最大化的能量转换效率。

结果与讨论
本节将对所提出的转换器、优化后的最大功率点跟踪技术、电池管理系统以及电网性能进行验证。为了体现转换器和最大功率点跟踪技术的重要性，我们在稳态工况、电压和负载变化等多种工况下对它们进行了测试。此外，通过对比分析，证明了所提模型在效率、最大功率点跟踪性能以及误差控制方面均优于近期开发的其他模型。表2中所列参数是根据系统的功率等级来选取的。

结论
本文提出了一种结合高分辨率脉宽调制转换器以及改进的爬行优化算法循环神经网络最大功率点跟踪模型的综合混合可再生能源系统，旨在满足并网系统中对可靠且清洁电能的日益增长的需求。基于改进的爬行优化算法的循环神经网络最大功率点跟踪技术有效解决了太阳辐射强度变化、转换效率低下以及控制要求复杂等问题，大幅提升了动态跟踪的准确性。通过采用高分辨率脉宽调制谐振转换器，不仅可以降低组件的压力，还能提升系统的电压增益。

伦理审批
无需伦理审批。

资金支持
作者们未获得任何特定资金支持。

作者贡献说明
N. Sridhar：负责原始稿撰写、方法设计、数据整理以及概念构思工作。K.Sathish Kumar：负责审稿与编辑、性能验证、项目监督、行政管理以及方法研究工作。N. Sridhar | K.Sathish Kumar