Порівняльний аналіз алгоритмів відстеження точки максимальної потужності фотоелектричної панелі

Abstract

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.The growing demand for electricity and the need for environmentally friendly energy sources are driving the active development of renewable technologies, with solar energy playing a leading role. Photovoltaic (PV) systems are capable of converting solar radiation into electrical energy; however, their efficiency depends on the ability to adapt to changing external conditions, such as solar irradiance and ambient temperature. One of the key challenges in working with PV panels is the nonlinearity of the current-voltage and power characteristics, which complicates the identification of the Maximum Power Point (MPP) under dynamic changes in solar irradiance and ambient temperature. To address this issue, Maximum Power Point Tracking (MPPT) algorithms are used, allowing the system to operate at its maximum efficiency. This paper investigates various MPPT approaches, including traditional algorithms such as Perturb and Observe (P&O), Incremental Conductance (INC), and the Open Circuit Voltage (OCV) method. However, these algorithms exhibit reduced efficiency under rapidly changing environmental conditions, leading to oscillations and delays in achieving the MPP. A novel approach based on a Multilayer Neural Network (MLNN) with a backpropagation algorithm is proposed, significantly improving MPPT efficiency due to its learning and prediction capabilities. The model uses solar irradiance and ambient temperature as input variables to predict the optimal duty cycle of a boost converter. The output signal is the pulse width modulation (PWM) duty cycle, which controls the converter's output voltage. Simulation results confirmed the advantages of using MLNN for MPPT. Comparisons with traditional algorithms in terms of response speed, operational stability, reduction of oscillations, and overshoot showed significant efficiency improvements. The results demonstrate the potential for substantial reduction in the root mean square error during MPP tracking and enhanced stability of the PV system under real-world conditions.