부분 그늘 환경에서 향상된 MPPT: ANN 보조 순차 몬테카를로와 빠른 변화 탐지

본 논문은 급격한 일사량 변화와 부분 그늘에 의해 발생하는 다중 피크 현상이 PV 시스템의 최대전력점(MPP) 추적을 어렵게 만든다는 문제 인식에서 출발한다. 기존의 전통적 MPPT 기법인 Perturb‑and‑Observation(P&O)와 Incremental‑Conductance(I‑C)는 구현이 간단하고 비용이 저렴하지만, 일사량이 급변하거나 부분 그늘이 발생하면 수렴 속도가 늦어지고 전역 최대전력점(GMPP)을 놓치는 경우가 빈번하다. 최근에는 퍼지 로직, 입자 군집 최적화(PSO), 인공신경망(ANN) 등 고급 기법이 제안되었지만, 이들 역시 모델 학습에 필요한 대량 데이터와 높은 연산 복잡도, 그리고 잡음에 대한 민감성 문제를 안고 있다. 이에 저자들은 세 가지 주요 개선점을 제시한다. 첫째, I‑C 기반 전압 전이 모델을 고정 스텝 m₀에서 변수 스텝으로 확장하고, 비선형 전압 전이 모델을 상태‑공간 형태로 기술한다. 이 모델은 전압 V(t)라는 숨은 상태와 측정값 P(t), I(t)·V(t) 사이의 관계를 정의하며, 전압 변화가 비선형적일 때도 정확히 기술한다. 이러한 비선형 모델을 추정하기 위해 순차 몬테카를로(SMC) 필터를 도입한다. SMC는 입자 집합을 통해 사후 확률분포를 근사하고, 각 입자는 전압 상태에 대한 가설을 나타낸다. 측정 잡음이 존재하는 상황에서도 입자 가중치를 재계산함으로써, 실시간으로 노이즈‑프리 전압 상태를 추정한다. 둘째, 전역 최대전력점 예측을 위해 ANN을 활용한다. 기존 연구에서는 전체 PV 배열의 순간 전압·전류 혹은 단일 일사량 값만을 입력으로 사용했지만, 이는 부분 그늘에 의해 발생하는 복잡한 피크 구조를 충분히 포착하지 못한다. 본 논문에서는 여러 패널에서 동시에 측정된 전압·전류 시퀀스 혹은 다중 일사량 데이터를 입력으로 하는 다층 퍼셉트론(MLP)을 설계한다. 학습 단계에서는 다양한 부분 그늘 시나리오와 잡음 레벨을 포함한 데이터셋을 이용해 GMPP 전압 위치를 레이블링한다. 학습된 ANN은 실시간으로 현재 환경에 맞는 GMPP 전압을 예측하고, 이 예측값은 SMC 입자 가중치의 초기값 혹은 재조정에 사용되어 추정 과정을 가속한다. 셋째, 급격한 일사량 변화를 감지하기 위한 GLLR(Generalized Likelihood Ratio) 기반 순차 변화 탐지기를 도입한다. 전통적인 임계값 기반 방법은 잡음에 의해 오탐이 발생하거나 탐지 지연이 길어지는 단점이 있다. 여기서는 전력 신호 P(t)를 백색 가우시안 잡음 모델(N(0,σ²))로 가정하고, 변화 전후의 통계적 차이를 GLLR 검정으로 평가한다. 검정 통계량이 사전에 설정한 임계값을 초과하면 즉시 변화가 선언되고, ANN이 활성화된다. 이 과정은 허위 경보 확률을 사전에 지정할 수 있어, 시스템이 불필요하게 ANN을 호출하는 상황을 최소화한다. 시뮬레이션 설정은 다음과 같다. PV 배열은 3‑panel 및 4‑panel 구성으로, 각 패널에 서로 다른 일사량(0.2~1.0 kW/m²)과 온도 변화를 적용하였다. 잡음 레벨은 σ=0.01, 0.05, 0.1 kW로 다양하게 설정했으며, 샘플링 주기는 1 ms(1 kHz)로 가정하였다. 비교 대상은 전통적 I‑C, P&O, 기존 ANN‑보조 I‑C(단일 입력) 및 PSO 기반 MPPT이다. 주요 결과는 다음과 같다. (1) 평균 추적 효율은 제안 방법이 96.8%~98.2%를 기록했으며, 급격한 일사량 감소(30% 이상) 상황에서도 2~3% 포인트의 효율 향상을 보였다. (2) GLLR 탐지기의 평균 탐지 지연은 3~5 샘플(3~5 ms)로, 기존 임계값 기반 방법(10~15 ms)보다 현저히 빠르다. 허위 경보율은 0.1% 이하로 유지되었다. (3) SMC 입자 수를 200으로 설정했을 때 연산 시간은 0.8 ms 이하였으며, 이는 임베디드 DSP(예: TI C2000)에서도 실시간 실행이 가능함을 의미한다. (4) ANN 입력을 다중 전압·전류 시퀀스로 확장함으로써, 동일한 학습 데이터량에서도 예측 오차가 기존 단일 입력 ANN 대비 30% 이상 감소하였다. 이러한 결과는 세 가지 요소가 상호 보완적으로 작용함을 보여준다. GLLR 탐지기가 급격한 일사량 변화를 빠르게 포착하면 ANN이 GMPP를 예측하고, 이 예측값은 SMC 필터의 입자 초기화에 활용되어 전압 상태 추정이 빠르게 수렴한다. 반대로 일사량이 안정된 구간에서는 SMC만으로 충분히 MPP를 추적하므로, 불필요한 ANN 연산을 피할 수 있다. 결론적으로, 본 논문은 (1) 비선형 전압 전이 모델링을 통한 SMC 기반 상태 추정, (2) 다중 입력 ANN을 이용한 GMPP 예측, (3) GLLR 기반 빠른 변화 탐지라는 세 축을 결합한 MPPT 프레임워크를 제시한다. 이 프레임워크는 부분 그늘 및 급변 일사량 환경에서도 높은 효율, 낮은 연산 복잡도, 그리고 강인성을 동시에 달성한다는 점에서 실용적인 PV 시스템 구현에 큰 기여를 할 것으로 기대된다.