Алгоритм онлайн-корекції коефіцієнтів штучної нейронної мережі MPPT-контролерів сонячних батарей
DOI:
https://doi.org/10.15276/opu.2.68.2023.09Ключові слова:
штучна нейронна мережа, вольт-амперна характеристика (ВАХ), вольт-ватна характеристика (ВВХ), Light induced degradation (LID), Potential induced degradation (PID), система управління, сонячна батарея, відстеження точки максимальної потужності (MPPT)Анотація
Основним елементом сонячних енергетичних установок зазвичай є силовий каскад (DC/DC – перетворювач, інвертор). Перетворювачі у таких системах генерування повинні мати високий ККД (не менше 90%), високу якість вихідного сигналу та забезпечувати роботу енергоустановки з максимальним відбором потужності від сонячної батареї. Характеристики сонячних батарей суттєво залежать від погодних умов, таких як освітленість та температура. Протягом дня температура та потужність опромінення сонячного генератора постійно змінюються. Ці зміни призводять до зсуву точки максимальної потужності та до часткової втрати потужності установки. Щоб забезпечити отримання максимально можливої потужності від сонячної батареї, необхідно використовувати відповідний алгоритм відстеження точки максимальної потужності (MPPT). Для MPPT застосовуються спеціалізовані контролери, які використовують один із алгоритмів для оптимізації робочої точки фотомодулів. Найчастіше використовувані методи: обурення та спостереження, метод зростаючої провідності, метод постійної напруги. Метод відстеження точки максимальної потужності, що використовується, багато в чому визначатиме ефективність фотоелектричної системи генерування. Максимальний вибір потужності від сонячних батарей можливий лише при здійсненні безперервного регулювання напруги батареї в оптимальній робочій точці. Таким чином, при проектуванні та створенні сучасних ефективних фотоелектричних систем генерування повинні вирішуватись завдання не лише покращення технології сонячних елементів з підвищеним ККД, а й низка питань проектування фотоелектричних перетворювачів та їх системи управління з метою суттєвого підвищення їх енергетичної ефективності.
Завантаження
Посилання
Technical photosynthesis involving CO2 electrolysis and fermentation / T. Haas, R. Krause, R. Weber, M. Demler, and G. Schmid. Nat. Catal. 2018. vol. 1, № 1. P. 32–39.
Single-Junction Organic Solar Cell with over 15% Efficiency Using Fused-Ring Acceptor with Electron-Deficient Core / J. Yuan et al. Joule. 2019. vol. 3, № 4. P. 1140–1151.
18% Efficiency organic solar cells / Q. Liu et al. Sci. Bull. 2020. vol. 65, № 4. P. 272–275.
Photocatalytic and Photoelectrochemical Systems: Similarities and Differences / H. Wu et al. Adv. Mater. 2020. vol. 32, № 18. 1904717. DOI: https://doi.org/10.1002/adma.201904717.
Organic and solution-processed tandem solar cells with 17.3% efficiency / L. Meng et al. Science. 2018. vol. 361, № 6407. P. 1094–1098.
Stable perovskite solar cells with efficiency exceeding 24.8% and 0.3-V voltage loss / M. Jeong et al. Science. 2020. vol. 369 (6511). P. 1615–1620. DOI: 10.1126/science.abb7167.
Rahman M. W., Bathina C., Karthikeyan V., Prasanth R. Comparative analysis of developed incremental conductance (IC) and perturb observe (P&O) MPPT algorithm for photovoltaic applications. in 2016 10th International Conference on Intelligent Systems and Control (ISCO), Jan. 2016, pp. 1–6.
Ahmed J., Salam Z. A Modified P and O Maximum Power Point Tracking Method with Reduced Steady-State Oscillation and Improved Tracking Efficiency. IEEE Trans. Sustain. Energy. 2016. vol. 7, № 4. P. 1506–1515.
Development of an Improved P&O Algorithm Assisted Through a Colony of Foraging Ants for MPPT in PV System / K. Sundareswaran, V. Vigneshkumar, P. Sankar, S. P. Simon, P. Srinivasa Rao Nayak, and S. Palani. IEEE Trans. Ind. Inform. 2016. vol. 12, № 1. P. 187–200.
Koad R. B. A., Zobaa A. F., El-Shahat A. A Novel MPPT Algorithm Based on Particle Swarm Optimization for Photovoltaic Systems. IEEE Trans. Sustain. Energy. 2017. vol. 8, № 2. P. 468–476.
Papageorgiou E. I., Poczęta K. A two-stage model for time series prediction based on fuzzy cognitive maps and neural networks. Neurocomputing. 2017. vol. 232. P. 113–121.
Zhang N., Sutanto D., Muttaqi K. A review of topologies of three-port DC–DC converters for the integration of renewable energy and energy storage system. Renew. Sustain. Energy Rev. 2016. vol. 56. P. 388–401.
Arulmozhi Subramanian, Santha K.R. Review of multiport isolated bidirectional converter interfacing renewable and energy storage systems. Int. J. Power Electron. Drive Syst. IJPEDS. 2020. vol. 11, № 1. P. 466–476.
A call for quality. Power loss from crystalline module degradation causes a big headache for the industry. PHOTON International. 2018. P. 106–111.
Debije M. G., Verbunt P. P. C. Thirty years of luminescent solar concentrator research: Solar energy for the built environment. Adv. Energy Mater. vol. 2, № 1. P. 12–35. DOI: https://doi.org/10.1002/aenm.201100554.
Piegari L., Rizzo R., Spina I., Tricoli P. Optimized Adaptive Perturb and Observe Maximum Power Point Tracking Control for Photovoltaic Generation. Energies. 2015. vol. 8, № 5. P. 3418–3436.
Selvan S. Modeling and Simulation of Incremental Conductance MPPT Algorithm for Photovoltaic Applications. Int. J. Sci. Eng. Technol. 2013. vol. 2. P. 2277–1581.
Perturb and Observe MPPT algorithm with a current controller based on the sliding mode / E. Bianconi et al. Int. J. Electr. Power Energy Syst. 2013. vol. 1, № 44. P. 346–356.
Jordan D. C., Kurtz S. R. Photovoltaic Degradation Rates-an Analytical Review: Photovoltaic degradation rates. Prog. Photovolt. Res. Appl. 2013. vol. 21, № 1. P. 12–29.
Sutskever I., Martens J., Dahl G., Hinton G. On the importance of initialization and momentum in deep learning. International Conference on Machine Learning, Feb. 2013, pp. 1139–1147.
Farhat M. Photovoltaic Maximum Power Point Tracking Based on ANN Control. Int. Rev. Model. Simul. IREMOS. 2014. vol. 7. P. 114–120.
