基于边缘人工智能的正激-反激谐振拓扑用于太阳能发电最大功率点跟踪控制

《Journal of Low Power Electronics and Applications》：Forward-Flyback Resonant Topology with Edge AI for MPPT Control in Solar Power Generation Juan Cruz-Cozar, Javier Mendez, Miguel Molina, Jorge Perez-Martinez, Alberto Martin-Martin, Noel Rodriguez and Diego P. Morales

　　

分布式能源系统为电力电子学开辟了广阔的研究领域。本地太阳能发电需要直流-直流（DC-DC）变换器将光伏电池板产生的能量适配至现场配电母线。此外，对功率变换器进行控制以从太阳能源获取最大可能能量，对于这些分布式电网的正确部署至关重要。在本研究中，针对该应用提出了系统级解决方案，具体如下：一方面，新型谐振正激-反激（Forward-Flyback）变换器的使用能够实现比传统反激变换器更高的能量密度，同时使开关元件上的耐压要求更为宽松。另一方面，利用边缘人工智能（Edge AI）实现太阳能最大功率点跟踪（Maximum Power Point Tracking, MPPT）算法，可部署能够在本地最大化获取能量的算法。上述改进通过原型验证机进行了展示，该验证机采用先进的微控制器，并实现了基于所提出拓扑的DC-DC功率变换器。

分布式可再生能源系统（Distributed Renewable Energy Systems, DRESs）相较于传统集中式结构，能够实现更优的能源管理，对绿色能源固有的产能变化具有更强的抵御能力。太阳能因其成本低廉、结构简单、模块化及大规模可复制性而在其中扮演重要角色。太阳能的典型应用场景包括： Vehicle-Added PV（VAPV，即车辆加装光伏）与Vehicle-Integrated PV（VIPV，即车辆集成光伏）等车载太阳能系统，以及航空航天、农业应用、远程电动汽车充电系统和偏远小型居住区供电等离网系统。

在分布式能源系统中，模块级功率电子（Module-Level Power Electronics, MLPE）技术包括微型逆变器（AC输出）和太阳能功率优化器（Solar Power Optimizers, SPOs）。该分布式方法的优势在于：当发生遮挡情况时，各电池板获得的能量被最大化，且互不干扰；同时系统可靠性提高，因单个电池板或变换器故障不会影响其余部分运行。然而，该方法需要在每个电池板处进行电压和电流测量，产生海量数据集，并增加了系统中变换器的数量。

DC-DC变换器拓扑方面，非隔离拓扑存在太阳能板漏电流及缺乏电气隔离的安全隐患。隔离拓扑中，反激（Flyback）变换器因其结构简单、元件数量少、高升压比、控制简单及可靠性高而在工业应用中最为突出。为进一步提升反激变换器效率，谐振拓扑可实现软开关（Soft Switching），从而获得高功率密度，但以更复杂的控制和更多元件为代价。本研究聚焦于一种混合拓扑，该拓扑既利用谐振行为实现更高效的能量传输，又利用反激变压器进行储能，提供更大的控制灵活性。

研究人员针对上述应用需求，开展了基于有源钳位正激-反激（Active Clamp Forward-Flyback, ACFF）谐振拓扑的DC-DC变换器设计，以及基于边缘人工智能的MPPT控制算法研究。实验样机在英飞凌科技（Infineon Technology）慕尼黑实验室构建，采用PSoC Edge E84 SOM低功耗微控制器作为核心，并开发了定制硬件板卡。

ACFF变换器拓扑在传统反激结构基础上增加了二极管D₂和谐振电容C_r，使能量能够以谐振方式传输，同时回收变压器漏感（作为L_r）的能量，并提供软开关特性。此外，研究人员提出了有源钳位（Q₂ + C_sn）的引入，该设计防止了Q₁关断时的电压尖峰，并将此能量传递至变换器输出，使得开关频率可高于无源缓冲电路，从而提升效率与功率密度。拓扑工作过程包含四个主要能量流动阶段：第一阶段，Q₁导通，D₂正向偏置，L_r与C_r之间发生谐振，同时L_m被激励；第二阶段，D₂电流因谐振特性自然过零，实现零电流开关（Zero Current Switching, ZCS），Q₁保持导通使L_m继续充电；第三阶段，Q₁关断后经短暂延时实现Q₂的零电压开关（Zero Voltage Switching, ZVS），D₁正向偏置，能量向输出转移；第四阶段，D₁再次反向偏置，能量循环阶段被延长以使变换器工作于边界模式，实现Q₁再次导通时的ZVS。

AI-based MPPT解决方案方面，研究人员开发了基于人工神经网络（Artificial Neural Network, ANN）与传统技术相结合的MPPT跟踪优化方法。该过程分为两个子场景：第一子场景针对外部环境参数（温度、辐照度）变化时的初始占空比估计，采用多层感知器（Multi-Layer Perceptron, MLP）ANN模型预测最优电压和电流值，进而利用电压增益公式计算系统占空比；第二子场景针对相同环境条件下的内部优化，采用扰动观察法（Perturb and Observate, P&O）算法进一步微调。该方案输入特征包括环境温度、基于前一次占空比估计的新电压（V₀）和电流（I₀），以及相对于前次迭代的变化量（δV和δI），仅需直接测量系统量（除环境温度外），避免了辐照度传感器的成本及测量偏差问题。

研究人员使用美国洪堡州立大学（HSU）提供的公开数据集（2020年9月5日至2023年9月1日，约3年真实数据）进行算法训练。通过GridSearch技术对神经网络多种拓扑和超参数配置进行评估，最终确定MLP网络结构为9层：输入层（5神经元，Sigmoid激活）、7个隐含层（64-128-256-256-256-128-64神经元，ReLU激活）及输出层（2神经元，线性激活）。模型经量化处理（8位整数量化感知训练），将参数和数学运算从浮点值转换为整数值，显著降低内存占用和执行时间。

系统设计中，变换器匝比N的选择是关键要素。根据电压增益公式V_o = NV_pv/(1-D)和等效电阻公式R_eq = (1-D)²R_o/N²，匝比N决定了变换器在MPPT中的极化能力、元件耐压要求及输入输出电压范围。研究人员选用N=3.5的匝比，该值既能覆盖宽范围的V-I曲线（包括低辐照度条件），又能使用相对低耐压的器件，并实现最佳电压增益。元件选择方面，功率器件由英飞凌提供，变压器采用Ferroxcube 3C95磁芯材料在慕尼黑实验室定制绕制。

功率级效率实验结果显示，在标称天气条件（G = 1000 W/m²，T = 25 °C）下，最大效率达97.18%（最大负载、标称辐照度）。与现有技术对比表明，该变换器在保持高效率的同时，功率元件（开关、二极管、电容和磁性元件）的物料清单显著减少，增强了经济性和操作可行性；采用硅基MOSFET实现良好性能与低成本平衡，而氮化镓（Gallium Nitride, GaN）半导体的应用将进一步提升输出功率和功率密度。

MPPT硬件设计以PSoC Edge E84 SOM为核心，工作温度范围-20至70 °C（消费级）或-40至105 °C（工业级），适用于光伏系统安装的恶劣户外环境。定制硬件板卡集成电压电流传感器、通信模块（UART、I2C、BLE）及电源管理模块，通过蓝牙协议传输系统信息至外部设备供用户监控。

AI算法性能方面，浮点模型单迭代准确率达99.98%，量化后（Int8）模型延迟从7 ms降至0.3 ms，准确率有所下降；结合P&O算法后，量化模型在平均7次迭代（额外0.0125 ms）下准确率达99.73%，优于传统P&O技术（60次迭代，0.15 ms）。在高度变化场景中，由于MLP模型提供初始估计，所提出方法收敛速度远快于传统P&O算法。按数据集信息转换为年平均发电量，量化模型+P&O方法较浮点模型平均仅少产出0.05%能量。

研究结论指出，有源钳位正激-反激谐振拓扑与边缘人工智能MPPT控制的结合，实现了软开关和通过电容的前向能量传输，支持高转换效率和宽电压范围；边缘AI MPPT算法通过智能预测天气波动最大化太阳能获取。实验验证机在硅基开关下实现97.18%效率，边缘AI在非量化单迭代模型中实现99.98%准确率，量化模型经七次迭代达99.73%准确率。该低功耗微控制器方案（约12美元）在长期能量产出方面具有显著优势，尤其适用于能源成本高且受化石燃料价格波动影响的国家，且可扩展至更高功率配置。