电池供电的准Z源逆变器（QZSI）可以均匀分散光伏（PV）功率的随机变化，这些电力被均匀地送入电网或负载。然而，在电池放电过程中，各种不连续导电模式限制了当前拓扑的功率。本文提出了一种新型混合能源方法，用于基于QZSI的光伏电厂和电池储能。莲花效应优化（LEO）和量子完备图神经网络（QCGNN）系统在所提混合方法中联合执行。因此，它被称为LEO-QCGNN技术。该方法的主要目标是最小化功率损失并降低总谐波失真（THD）。LEO方法用于优化系统参数以提升其效能。QCGNN预测QZSI最优的控制信号。利用MATLAB平台，该方法与其他方法进行了评估和对比，包括改良人工蜂群-人工神经网络（MABC-ANN）、阿基米德优化算法-回忆增强循环神经网络（AOA-RERNN）以及准对抗化学反应优化与金鹰优化器（QOCRO-GEO）。该技术显示THD值仅5%，功率损耗仅2瓦，优于现有方法如AOA-RERNN、QOCRO-GEO和MABC-ANN，后者分别显示功率损耗为12瓦、8瓦和5瓦。其均方误差（MSE）为0.0741，测试时间为0.512毫秒，验证了其准确性和计算效率。该方法在改善能源管理和增强可再生能源（RES）在电力系统中的整合方面取得了显著进展。

简介

由于环境问题日益增长、政府激励措施以及全球对可持续能源解决方案的推动，光伏系统正被住宅、商业和工业领域越来越广泛地采用[1]。可再生能源系统，尤其是光伏系统的广泛整合，凸显了高效电力转换和管理的重要性[2]。通常，光伏系统的能量转换分为两个阶段。第一阶段涉及一个直流-直流转换器，将输出电压调节到合适的电平[3]。对于电网集成或局部负载消耗，第二级使用电压源逆变器（VSI）将直流电转换为交流电[4]。Z源逆变器（ZSI）已成为传统两级变流器的更有效替代品[5]。ZSI 通过阻抗网络连接电源与逆变器，实现单级功率转换并具备电压提升能力[6]。QZSI 作为 ZSI 的一个变体，主要以其性能提升和流线型设计著称[7]。QZSI显著降低了开关纹波，并从光伏面板提供稳定的直流输入电流，这与传统ZSII形成鲜明对比[8]。它还消除了额外的滤波电容需求，有助于最小化元件的电压应力，并提升整体系统可靠性[9]。然而，尽管QZSI具有诸多优势，将QZSI与电池储能集成到光伏系统中仍存在多项运营挑战。太阳能的不稳定性导致功率输出波动，可能影响电网稳定性和逆变器性能[10]。确保电池充电、放电和直接负载供电等多种操作模式之间的平滑过渡，需要精确控制以防止过压、欠压和电流尖峰等状况[11]。频繁的充放电循环还会加速电池劣化，降低效率并缩短电池的工作寿命[12]。除了影响系统性能外，这种劣化最终还会增加维护和更换成本[13]。这些挑战凸显了在动态能源环境中有效管理基于QZSI的混合光伏系统的复杂性，这些环境要求高度可靠性和长期耐用性[14]。解决这些问题对于QZSI基础光伏电站的可靠高效运行至关重要。
已有大量文献发表，基于使用QZsi、具备能源管理和电池储能功能的光伏电厂。其中几部评测如下。
Santhi和Srinivasan[15]开发了一种有效的AOA-RERNN控制技术，用于一种新型多能级逆变器并网光伏系统，该系统非隔离且具有准Z源。建议的方法采用了一种新型多能级逆变器设计（NIQZS-NMLI），采用非隔离的准Z源（QZS）和光伏系统接口的高效控制方法。RERNN和AOA结合了建议的技术，称为AOA-RERNN技术。
Anand等人[16]开发了Q2OGEO技术，用于基于有源开关升压准Z源的多电平逆变系统中的光伏连接。作为一种可行的混合解决方案，建议ASB-qZSI作为扩展增压逆变器，以提升光伏系统的效率。Q2OGEO是结合“准对抗化学反应优化”（QOCRO）和GEO的混合方法的另一种名称。
Gayathri等人[17]展示了改进的网格连接光伏系统建模与控制方法，采用优化的ANN-MPPT算法和高增益Quasi-Z源转换器。建议使用高增益准Z源（HG-qZS）转换器来调节并网太阳能光伏装置。利用MABC和人工神经网络算法，开发了复杂的最大功率点跟踪（MPPT）控制器，以提升太阳能光伏模块的电力提取效率。
Horrillo-Quintero 等人[18]开发了容错微电网管理方法，将储能和光伏系统集成到带有准Z源级联的H桥多电级逆变器中。根据电荷状态（SOC）比例功率分配，能源管理系统（EMS）引入了一种平衡电网供电方式。BESS的目的是减少光伏发电的变异。
刘和李[19]开发了一种高精度的QZSI预测功率控制模型，将能量储存在电池中。对于BES-qZSI，建议采用高精度模型预测功率控制技术，以最大限度减少功率波动，同时提升输出电流和直流侧电感电流质量。为了精确跟踪参考指令并减少波动，死拍控制被调整为调节电感电流。
EL-Banna 等人[20]提出了针对基于逆变器、部分着色的光伏系统采用高尔夫优化方法（GOA）的最优MPPT方法。该方法论重点在于提升跟踪效率、减少稳态纹波，以及优化逆变器参数以增强电压和电流调节。GoA与传统方法如P&O、GWO和SOA进行了比较。优点包括更好的电力质量和在各种遮蔽和温度条件下的跟踪性能。然而，该方法对元启发式算法的依赖导致计算复杂度增加。
Do等人[21]开发了一种用于燃料电池混合动力汽车的双源主动开关QZS逆变器，这些汽车采用了依赖模式的能源调节。该方法建议采用基于模式的 FC-HEV，使用高性能主动切换（HP AS）QZSI（HP AS）作为动力传动系统。随后采用增强差分演化（IDE）技术开发并优化适用于所有驾驶模式的离线四模模糊逻辑控制器（FLC）。
Khazaeefar等人[22]建议为并网光伏系统采用增强型Z源多级逆变器（MLI）架构，提升电力转换效率和运营灵活性。该设计集成了MPPT的低频切换策略，该策略在Z源网络中实现，运行在射通（ST）状态期间。建议的方法确保MPPT过程不会对THD产生不利影响，从而保持系统的稳定性和性能。
Chen 等人[23]提出了一种利用具备虚阻抗的“虚拟同步发电机”（VSG）用于储能准Z源光伏系统的控制策略。该技术通过评估等效阻抗原理并实施次级频率控制，解决并网太阳能系统中的功率振荡和频率偏差。
Saleem等人[24]建议为并网太阳能电池微电网优化EMS，旨在提升能源经济性，减少电池劣化，并保持电压稳定。EMS采用有限视界模型预测控制（MPC）结构，高效协调电池储能、太阳能发电和负载需求。该方法采用了蒙特卡洛模拟来解决不确定性。优势包括有效优化运营成本，而依赖复杂的优化和仿真方法则增加了计算需求。
Kihal等人[25]提出了一种多功能并网光伏系统，采用分源逆变器（SSI）以提升电力质量和能源管理。该系统在直流和交流两侧均采用滑动模式控制（SMC）方案，优化无功补偿，满足非线性负载需求，并将多余电力注入电网。该方法包括解耦控制方案和修改空间矢量调制（MSVM）。优势包括提升的增压能力和高效的功率管理，同时在系统复杂性和先进控制需求方面存在限制。
近期在电网联网光伏系统（尤其是涉及QZSI和多级配置）的控制策略和逆变器拓扑方面的发展显示出有希望的进展。然而，仍有若干关键空白。大多数现有方法，如AOA-RERNN和QOCRO-GEO，专注于独立优化控制策略或系统参数，缺乏能够同时处理两者以提升整体系统效率的集成框架。像ANN-MPPT和BES-QZSI预测控制等技术通常旨在最小化单一性能指标，无论是功率损失还是THD，但未能同时优化两者，而这对于提升电力质量和能耗利用至关重要。此外，当前基于QZSI的拓扑结构中，电池放电期间不连续导电模式的处理能力有限，限制了功率处理能力和稳定性。深度学习方法如RERNN、基于模糊逻辑的EMS和标准人工神经网络模型，在面对可变的太阳辐照度和动态负载条件时，收敛速度变慢或不准确，降低了实际适应性。同样，元启发式优化技术如AOA、MABC、GOA和微分演化常常收敛缓慢，且有被局限于局部最优状态的风险，尤其是在时间变化的场景中。这些局限性凸显了需要一种统一的自适应控制策略，将精确的控制信号预测与高效的系统参数优化相结合。
为解决基于QZSI的光伏系统与电池储能的能源管理未解决挑战，本文提出将LEO与QCGNN集成。这种统一方法同时执行参数优化和控制信号预测，克服了传统方法的局限性，传统方法分开执行这些任务。LEO算法在复杂高维搜索空间中表现出色，具备稳健的收敛行为和避免局部最优现象的能力。它用于微调直接影响功率损耗和多重断裂的关键系统参数。与此同时，QCGNN采用量子启发的图学习结构，捕捉了逆变器和系统动力学中的复杂相互依赖关系。这使得在可变太阳辐照度、电池SOC和负载条件下，能够高度准确且自适应地预测控制信号。通过联合优化决策和控制过程，所提方法提供了更优的适应性和响应性。它有效管理电池放电期间的不连续导电模式，降低多重断裂，减少功率损失，并提升整体系统的稳定性和效率。这代表了现代并网光伏系统智能能源管理的重大进展。
以下是各项贡献的总结：

• •
  本研究引入了一种结合LEO和QCGNN的新型混合技术，用于使用QZSI并具备电池储能的光伏电厂中的先进能源管理。
• •
  应用LEO以精确优化关键系统参数，提升整体逆变器性能和系统效率。
• •
  采用QCGNN精确预测最优控制信号，实现在太阳辐照度波动和动态负载条件下更佳的逆变器管理。
• •
  同时实现了THD和功率损失的降低，这对电力质量和效率至关重要。
• •
  通过提供适合不同太阳辐照度和负荷需求的强有力能源管理策略，增强了可再生能源系统的整合。