Soft Actor-Critic-Based MPPT Control of Solar PV Systems Under Partial Shading Conditions
Notice bibliographique
Résumé
This paper presents a soft actor-critic (SAC)-based method for solving the solar photovoltaic (PV) Maximum Power Point Tracking (MPPT) control problem under partial shading conditions (PSCs). The MPPT method optimizes the solar PV power and ensures that it constantly operates at its “maximum power point (MPP),” regardless of the dynamics of weather conditions. Traditional MPPT methods, such as the perturb and observe (P&O) method are commonly employed to solve the MPPT control problem. However, they often suffer from a slower convergence rate, significant oscillation near the MPP, drift problems, and frequently fail to track the solar PV global maximum power point (GMPP) in the presence of partial shading. These problems were addressed using the deep Q-network (DQN) method. However, DQN cannot be applied to continuous action spaces. It also uses inefficient experience replay and suffers from Q-value overestimation. Thus, under PSCs and certain environmental conditions, DQN produces fluctuations of power close to the MPP or GMPP, resulting in power loss. To solve the MPPT control problem, a mathematical model based on a Markov Decision Process which allowed the SAC agent to learn the solar PV behavior was developed. Key hyperparameters affecting the SAC algorithm's performance were also investigated. Furthermore, the P&O method were developed for comparison. Simulation results show that the SAC-based MPPT method achieved better tracking accuracy than the DQN method under standard testing conditions, varying irradiance levels, and PSCs. Also, it is shown that both the DQN and SAC methods have superior tracking performance compared to the P&O method under similar environmental conditions tested.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».