1. SEPES
  2. Всі випуски
  3. Випуск 6, Номер 1, 2024
  4. Порівняльний аналіз алгоритмів відстеження точки максимальної потужності фотоелектричної панелі

Порівняльний аналіз алгоритмів відстеження точки максимальної потужності фотоелектричної панелі

SEPES.
2024;
Випуск 6, Номер 1
: cc. 72 - 83
Автори:
  1. Ю. А. Пайташ
  2. Ярослав Паранчук
1
Національний університет «Львівська політехніка», кафедра електромехатроніки та комп’ютеризованих електромеханічних систем
2
Національний університет «Львівська політехніка»

Зростаючий попит на електроенергію та потреба в екологічно чистих джерелах енергії зумовлюють активний розвиток відновлюваних технологій, серед яких сонячна енергетика має провідну роль. Фотоелектричні (ФЕ) системи здатні перетворювати сонячне випромінювання на електричну енергію, однак ефективність їх роботи залежить від здатності їх адаптації до змін зовнішніх умов, таких як інтенсивність інсоляції та температура навколишнього середовища. Однією з ключових проблем під час роботи з ФЕ панелями є нелінійність вольт-амперних характеристик та характеристик потужності, що ускладнює визначення точки максимальної потужності (ТМП) за умов динамічних змін інсоляції та температури навколишнього середовища. Для вирішення цієї проблеми використовуються алгоритми відстеження точки максимальної потужності (ВТМП), що дають змогу забезпечити максимальну продуктивність системи.

Досліджено різні підходи до ВТМП, зокрема традиційні алгоритми, такі як метод збурення і спостереження (ЗіС), інкрементальної провідності (ІП) та метод напруги розімкнутого кола (НРК). Проте ці алгоритми мають низьку ефективність у разі швидких змін умов навколишнього середовища, що призводить до коливань і затримок у досягненні ТМП.

Проаналізовано новий підхід на основі штучної нейронної мережі (ШНМ) з алгоритмом зворотного поширення похибки, який значно покращує ефективність відстеження ТМП завдяки здатності до навчання і прогнозування оптимальних параметрів. Модель використовує інсоляцію та температуру навколишнього середовища як вхідні змінні для прогнозування оптимального коефіцієнта заповнення підвищуючого перетворювача напруги. Вихідним сигналом є коефіцієнт заповнення імпульсів широтно-імпульсної модуляції (ШІМ), що формує вихідну напругу перетворювача.

Результати моделювання підтвердили переваги застосування ШНМ для ВТМП. Порівняння з традиційними алгоритмами за критеріями швидкості реакції, стабільності роботи, зменшення коливань та перерегулювання показало суттєве підвищення ефективності нейромережевого керування. Отримані результати демонструють можливість значного зниження середньоквадратичної похибки у процесі відстеження точки максимальної потужності та підвищення стабільності роботи ФЕ системи в реальних умовах.

автономна система
фотоелектрична установка
алгоритм відстеження точки максимальної потужності
нейронна мережа
енергетична ефективність
  1. Selvan S., Nair P., Umayal U. A Review on Photo Voltaic MPP.T Algorithms. International Journal of Electrical and Computer Engineering (IJECE). Apr. 2016. Vol. 6. no. 2. P. 567. DOI: http://doi.org/10.11591/ijece.v6i2.Pp.567-582.
  2. Mahalakshmi R., Aswin Kumar A., Kumar A. Design of Fuzzy Logic based Maximum Power Point Tracking controller for solar array for cloudy weather conditions. 2014 POWER AND ENERGY SYSTEMS: TOWARDS SUSTAINABLE ENERGY. Mar. 2014. DOI: https://doi.org/10.1109/PESTSE.2014.6805308.
  3. Khanam J., Foo S. Y. Neural Networks Technique for Maximum Power Point Tracking of Photovoltaic Array. SoutheastCon 2018. Apr. 2018. DOI: https://doi.org/10.1109/SECON.2018.8479054.
  4. Jyothy L. P., Sindhu M. R. An Artificial Neural Network based MPP.T Algorithm For Solar PV System. 2018 4th International Conference on Electrical Energy Systems (ICEES). Feb. 2018. DOI:  https://doi.org/10.1109/ICEES.2018.8443277.
  5. Assahout Salwa, El Ougli Abdelghani, Zrouri Hafida. A Neural Network and Fuzzy Logic based MPP.T Algorithm for Photovoltaic Pumping System. International Journal of Power Electronics and Drive Systems. December 2018. 9(4):1823. DOI: https://doi.org/10.11591/ijpeds.v9.i4.Pp.1823-1833.
  6. Xu L., Cheng R., Yang J. A New MPP.T Technique for Fast and Efficient Tracking under Fast Varying Solar Irradiation and Load Resistance. International Journal of Photoenergy. 2020. Pp. 1–18. Feb. 2020. DOI:  https://doi.org/10.1155/2020/6535372.
  7. Won Chung-Yuen, Kim Duk-Heon, Kim Sei-Chan, Kim Won-Sam, Kim Hack-Sung. A new maximum power point tracker of photovoltaic arrays using fuzzy controller. Proceedings of 1994 Power Electronics Specialist Conference - PESC’9. DOI: https://doi.org/10.1109/PESC.1994.349703.
  8. Khabou H., Souissi M., Aitouche A. MPP.T implementation on boost converter by using T–S fuzzy method. Mathematics and Computers in Simulation. Jan. 2020. Vol. 167. Pp. 119–134. DOI:  https://doi.org/10.1016/j.matcom.2018.05.010.
  9. Kulaksız A. A., Akkaya R. A genetic algorithm optimized ANN-based MPP.T algorithm for a stand-alone PV system with induction motor drive. Solar Energy. Sep. 2012. Vol. 86. no. 9. Pp. 2366–2375. DOI:  https://doi.org/10.1016/j.solener.2012.05.006.
  10. de Brito M. A. G., Galotto L., Sampaio L. P., e Melo G. de A., Canesin C. A. Evaluation of the Main MPP.T Techniques for Photovoltaic APp.lications. IEEE Transactions on Industrial Electronics. Mar. 2013. Vol. 60. no. 3. Pp. 1156–1167. DOI: https://doi.org/10.1109/TIE.2012.2198036.
  11. Gergaud O., Multon B., Ahmed H. B. Analysis and experimental validation of various photovoltaic system models. August. 2002. URL: https://hal.science/hal-00674669.
  12. Azab M. A new maximum power point tracking for photovoltaic systems. WASET. ORG. 2008. 34. Pp. 571-574.  URL:  http://surl.li/gxhfhb.
  13. Yafaoui A., Wu B., Cheung R. Implementation of maximum power point tracking algorithm for residential photovoltaic  systems.  In  2nd  Canadian  solar  buildings  conference  Calgary.  June.  2007.  Pp.  10-14.  URL: https://griml.com/1AAAf.
  14. Bertin C., Fapi N., Kamta Martin, Patrice W. I. R. A. A comprehensive assessment of MPP.T algorithms to optimal power extraction of a PV panel. Journal of Solar Energy Research. 2019. Vol. 4. no 3. Pp. 172-179.  DOI:  https://doi.org/10.22059/jser.2019.287029.1126.
  15. Tofoli F., Lessa F., Pereira L. D. C., de Paula W. J. Comparative study of maximum power point tracking techniques for photovoltaic systems. International Journal of Photoenergy. 2015. DOI:  https://doi.org/10.1155/2015/812582.
  16. Zeˇcevi´c Z., Rolevski M. Neural Network APp.roach to MPP.T Control and Irradiance Estimation. APp.lied Sciences. Jul. 2020. Vol. 10. no. 15. P. 5051. DOI: https://doi.org/10.3390/aPp.10155051.
  17. Arjun M., Zubin J. B.. Artificial Neural Network Based Hybrid MPP.T for Photovoltaic Modules. 2018 International CET Conference  on Control, Communication, and Computing (IC4). Jul. 2018.  DOI:  https://doi.org/10.1109/CETIC4.2018.8530922.
  18. Li Jiyong, Wang Honghua. A novel stand-alone PV generation system based on variable step size INC MPP.T and SVPWM control. 2009 IEEE 6th International  Power Electron. DOI:  https://doi.org/10.1109/IPEMC.2009.5157758.
  19. Ayop R., Tan C. W.. Design of boost converter based on maximum power point resistance for photovoltaic aPp.lications. Solar Energy. Jan. 2018. Vol. 160. Pp. 322–335. DOI:  https://doi.org/10.1016/j.solener.2017.12.016.