Солнечные батареи в настоящее время находят широкое применение во многих сферах. Этому способствует как прогресс в развитии технологии изготовления солнечных элементов, так и уровень развития энергетики в целом. В данной работе рассматривается проблема низкой эффективности автономных источников питания от солнечных батарей. Выделены основные способы повышения КПД солнечных энергоустановок. Рассмотрено схемотехническое решение автономной системы преобразования от солнечных батарей. Описаны основные каналы работы схемы в звене постоянного тока. Создана искусственная нейронная сеть (ИНС), обеспечивающая алгоритм отслеживания точки максимальной мощности (ОТММ) и подробно рассмотрено ее проектирование. Определено количество скрытых слоев и нейронов в скрытом слое. Проведена оптимизация при выборе функции активации ИНС. Произведено сравнение времени расчета искусственных нейронных сетей с различными функциями активации. Обучена нейронная сеть. Сделаны соответствующие выводы. Разработана интеллектуальная система управления на основе данной нейронной сети. Также известно, что изменение внешних условий, таких как освещенность и температура, серьезно сказывается на характеристиках солнечных батарей. В соответствии с этим были определены основные режимы работы схемы, так как для эффективной работы преобразователя необходимо обеспечить отбор максимальной мощности солнечной батареи при любых условиях. Для этого работа системы управления была разделена на режимы в зависимости от условий окружающей среды и работы автономной системы в целом. Отработано управление режимами, переключение между которыми основано на использовании ИНС как ключевого звена системы управления. Организован плавный переход между данными режимами работы преобразователя в зависимости от погодных условий или времени суток. Проведено имитационное моделирование в программном пакете Matlab, подтверждающее работоспособность предложенной системы. Сделаны выводы о преимуществах и недостатках предложенной системы управления.
1. Казанцев Т.В. Российский мировой рынок солнечной энергетики [Электронный ресурс]. – URL: http://www.marketing.spb.ru/mr/industry/solar_energy.htm (дата обращения: 27.03.2018).
2. Энергетика мира: уроки будущего / под ред. И.А. Башмакова. – М.: МТЭА, 1992. – С. 355–380.
3. Стребков Д.С., Муругов В.П. Энергосбережение и возобновляемые источники энергии // Вестник сельскохозяйственной науки. – 1991. – № 2. – С. 117–125.
4. Ефимов В.П. Фотопреобразователи энергии солнечного излучения нового поколения // Физическая инженерия поверхности. – 2010. – Т. 8, № 2. – С. 100–115.
5. Андреев В.М. Гетероструктурные солнечные элементы // Физика и техника полупроводников. – 1999. – Т. 33, вып. 9. – С. 1035–1038.
6. Алферов Ж.И., Андреев В.М., Румянцев В.Д. Тенденции и перспективы развития солнечной фотоэнергетики // Физика и техника полупроводников. – 2004. – Т. 38, вып. 8. – С. 937–948.
7. Нго С.К. Повышение эффективности солнечных батарей с помощью следящей системы // Известия ТулГУ. Технические науки. – 2013. – Вып. 1. – С. 318–321.
8. Faranda R., Leva S. Energy comparison of MPPT techniques for PV Systems // WSEAS Transactions on Power Systems. – 2008. – Vol. 3, iss. 6. – P. 495–506.
9. Perturb and observe MPPT algorithm for solar PV systems-modeling and simulation / J.J. Nedumgatt, K.B. Jayakrishnan, S. Umashankar, D. Vijayakumar, D.P. Kothari // Annual IEEE India Conference (INDICON). – Hyderabad, India, 2011. – P. 1–6.
10. Saravana Selvan D. Modeling and simulation of incremental conductance MPPT algorithm for photovoltaic applications // International Journal of Scientific Engineering and Technology. – 2013. – Vol. 2, iss. 7. – P. 681–685.
11. Esram T., Chapman P.L. Comparison of photovoltaic array maximum power point tracking techniques // IEEE Transactions on Energy Conversion. – 2007. – Vol. 22, iss. 2. – P. 439–449.
12. Фаренбрух А., Бьюб Р. Солнечные элементы: теория и эксперимент / пер. с англ. под ред. М.М. Колтуна. – М.: Энергоатомиздат, 1987. – 280 с.
13. Колтун М.М. Солнечные элементы. – М.: Наука, 1987. – 191 с.
14. Belova I.A., Martinovich M.V. Neural network control algorithm for stand-alone solar cell electrical energy conversion system // 16th International Conference of Young Specialists on Micro/Nanotechnologies and Electron Devices (EDM 2015). – Erlagol, Altai, 2015. – P. 387–390.
15. Методы робастного, нейро-нечеткого и адаптивного управления: учебник / под ред. Н.Д. Егупова. – Изд. 2-е, стер. – М.: Изд-во МГТУ им. Н.Э. Баумана, 2002. – 744 с.
16. Belova I.A., Martinovich M.V., Skolota V.A. Application of photovoltaic cells with an intelligent control system for railway transport // 13th International Scientific-Technical Conference on Actual problems of Electronic Instrument Engineering (APEIE-2016): proceedings, Novosibirsk, 3–6 October 2016. – Novosibirsk, 2016. – Vol. 3. – P. 64–68.
Автономный преобразователь электрической энергии с интеллектуальной системой управления на основе искусственной нейронной сети для фотовольтаики / И.А. Белова, М.В. Мартинович, В.А. Сколота, И.И. Канюков // Доклады АН ВШ РФ. – 2018. – № 1 (38). – C. 36–53. doi: 10.17212/1727-2769-2018-1-36-53
To Reference:
Belova I.A., Martinovich M.V., Skolota V.A., Kanyukov I.I. Avtonomnyi preobrazovatel'
elektricheskoi energii s intellektual'noi sistemoi upravleniya na osnove iskusstvennoi neironnoi seti dlya fotovol'taiki [A stand-alone system converting electric energy fed by solar panels with an intelligent control system based on an artificial neural network]. Doklady Akademii nauk vysshei shkoly Rossiiskoi Federatsii – Proceedings of the Russian higher school Academy of sciences, 2018, no. 1 (38), pp. 36–53. doi: 10.17212/1727-2769-2018-1-36-53.
