利用两级分层物理信息神经网络提高光伏模型中参数的估计精度

《IEEE Journal of Photovoltaics》：Improving Estimation of Parameters in Photovoltaic Models Using Two-Level Layered Physics-Informed Neural Networks

物理信息神经网络模型有效提升了光伏参数动态估计精度，在无噪声条件下分别实现辐照度0.25%、温度1.5%、结电容2.1%的参数识别误差，较传统方法在非线性结电容建模方面表现更优，并通过0-5%高斯噪声测试验证了方法鲁棒性。

　　

摘要：

在光伏模型中准确估计参数对于提高系统监控、控制和诊断至关重要。本研究提出了一种新颖的双层分层物理信息神经网络（PINN）架构，用于估计动态单二极管光伏模型中的辐照度（G）、温度（T）和结电容（Cj）参数。在没有噪声影响光伏电流和电压波形的情况下，所提出的方法对于辐照度的估计误差为0.25%，对于温度的估计误差为1.5%，对于结电容的估计误差为2.1%。与传统优化方法相比，双层分层PINN在学习结电容的非线性行为方面表现出更好的性能。在加性高斯噪声（0% – 5%）条件下的敏感性分析证实了该方法的鲁棒性，尽管识别误差略有增加。结果证明了将物理知识融入神经网络对于实现动态光伏系统中参数的鲁棒和可靠估计的有效性。

引言

光伏（PV）模块中的参数估计对于控制应用至关重要，并支持各种基于模型的监控、故障检测和诊断，旨在提高系统性能和可靠性。在光伏半导体中，耗尽电容（）是由p-n结内自由电荷载流子的分离产生的，形成了一个空间电荷区域。根据[1]，该电容直接依赖于施加到模块上的瞬时电压和电流，因为这些变量会动态改变耗尽区域的宽度。在瞬态条件下，电荷载流子的重新分布和内部电场随时间的变化会导致耗尽电容的动态和非线性行为。通过分析耗尽电容的瞬态行为，我们可以进行诊断并提取有关光伏模块运行状态的动态信息[2]。这种现象在晶体硅（c-Si）光伏电池中尤为重要，其中耗尽电容在决定设备的动态响应方面起着核心作用。在这种电池中，结电容对电压和电流都表现出非线性依赖性，这是由于耗尽区域宽度的变化所致。c-Si技术的固有特性使其成为瞬态条件下时域建模的合适选择。尽管之前的研究使用频域方法（如阻抗谱法[1]、[3]）来研究这种行为，但这些技术通常涉及复杂的分析。相比之下，本研究采用时域方法，这是一种更简单且有效的方式来捕捉基于硅的光伏模块的动态电容行为[11]。