Neurális hálók alkalmazása napenergia hasznosító rendszerekben

OData támogatás
Konzulens:
Dr. Stumpf Péter Pál
Automatizálási és Alkalmazott Informatikai Tanszék

Az elmúlt években a globális felmelegedésnek köszönhetően a napenergia hasznosító rendszereket egyre elterjedtebben alkalmazzák kedvező tulajdonságaiknak köszönhetően. A napelemek nem szennyezik a környezetet, illetve a napsugárzást közvetlenül elektromossággá képesek alakítani. Hátrányuk azonban az alacsony hatékonyság, amit erősen befolyásolnak a környezeti változások, úgy mint a napsugárzás és a hőmérséklet. Annak érdekében, hogy a napelem mindig a lehető legnagyobb teljesítményt adja le, úgynevezett maximális teljesítményű munkapont követő (angolul Maximum Power Point Tracking, MPPT) algoritmusok használata szükséges. Több különböző algoritmus létezik, melyek komplexitásban, robusztusságban és hatékonyságban is eltérnek egymástól. A klasszikus megoldások használata egyszerű és stabil környezeti feltételek esetén megfelelő eredményt ad, azonban gyorsan változó napsugárzás esetén, vagy ha a napelem csak részlegesen van leárnyékolva, könnyen elveszíthetik a maximális teljesítményű munkapontot. Ezen problémák kiküszöbölése végett új algoritmusok jelentek meg, mint például a Fuzzy alapú MPPT, vagy a mesterséges neurális háló (Artificial Neural Network) alapú algoritmus, melyek jól teljesítenek gyorsan változó körülmények mellett is. A neurális hálóknak számos előnyük van, amit MPPT algoritmusoknál ki lehet használni: off-line betaníthatók, robusztusok és nem-lineáris feladatokat is képesek megoldani.

A jelen munka a neurális hálók MPPT algoritmusokban történő alkalmazásával foglalkozik, és a kapott eredményeket más, széles körben használt algoritmusokkal is összehasonlítja. A tárgyalt napenergia hasznosító rendszer egy napelemből (36 sorosan kötött cella), egy Buck/Boost DC/DC konverterből és ellenállásterhelésből áll. A különböző vizsgált algoritmusok angol nevei: Perturb and Observe, Incremental Conductance, Fuzzy MPPT, Adaptive Network Based Inference System (ANFIS) alapú MPPT, illetve a mesterséges neurális háló (ANN) alapú algoritmus. Mivel a jelen tanulmány a neurális hálókra összpontosít, azok tulajdonságai részletesebben vannak tárgyalva, illetve különböző tanító algoritmusok is bemutatásra és összehasonlításra kerültek, úgy, mint a sztochasztikus gradiens módszer, a Levenberg-Marquard valamint a Neuron-by-Neuron algoritmusok. Ezen algoritmusokat MATLAB környezetben implementáltam, és egy függvény approximáció példán keresztül hasonlítottam össze. Az MPPT algoritmusok vizsgálata először szimulációkon át, MATLAB/Simulink környezetben, majd Hardware-in-the-Loop tesztek segítségével történt. Az eredmények alapján állítható, hogy mindkét teszt során a neurális háló alapú algoritmus nyújtotta a legjobb eredményeket, azonban ha a rendszer paraméterei eltérnek a névleges értékektől, akkor a neurális háló elveszíti hatékonyságát, és akár az egyszerű konvencionális algoritmusok is jobb hatásfokkal működnek. Egy külön fejezetben a részleges árnyékolás problémájára is kitér a tanulmány, szintén szimulációkon keresztül. Az eredményekből látható, hogy ha a neurális háló a részleges árnyékolást is figyelembe véve van betanítva, akkor sokkal jobb hatásfokkal képes működni, mint a többi algoritmus.

Letölthető fájlok

A témához tartozó fájlokat csak bejelentkezett felhasználók tölthetik le.