Yi-Hua Liu · Yu-Shan Cheng · Yu-Chih Huang · IEEE Transactions on Sustainable Energy · 2024年12月

在局部遮阴条件下，光伏系统输出功率与电压关系呈多峰特性，导致全局最大功率点（GMPP）追踪困难。本文提出一种基于机器学习的两阶段GMPPT方法：第一阶段采用回归树预测GMPP大致位置，第二阶段利用α-扰动观察法精确捕获GMPP。通过建立仿真平台生成训练数据，优化并集成回归树模型。在252种遮阴模式下，平均跟踪损耗为2.13 W，平均响应时间0.11秒，准确识别出244种情况下的GMPP区间。实验结果表明，该方法在追踪精度和速度上均优于五种先进方法。

解读: 该机器学习GMPPT技术对阳光电源SG系列光伏逆变器的MPPT算法优化具有重要应用价值。当前SG逆变器在复杂遮阴场景下的多峰功率曲线处理仍依赖传统扰动观察法，易陷入局部最优。该研究提出的回归树+α-扰动观察两阶段方法，可将平均响应时间缩短至0.11秒，跟踪损耗降至2.13W，显著优于现有方案。建议将...