Dirbtinių neuronų tinklo taikymas didžiausios galios taško saulės elementuose sekimo algoritme

Abstract

Mokslininkai intensyviai ieško būdų, kaip pagerinti saulės elementų naudingumo koeficientą, kuris rinkoje paplitusiuose elementuose siekia 20 %. Kai didžiausios galios taškui (DGT) sekti naudojamas lėtas valdiklis arba valdiklis, nesugebantis palaikyti saulės elemento režimo didžiausios galios taške – saulės jėgainės našumas labai sumažėja ir dalis saulės energijos, krentančios į saulės modulį, lieka nepanaudota. Nuolat kuriami įvairūs didžiausios galios taško sekimo algoritmai, tačiau dauguma jų dirba lėtai arba daro klaidas. Siekiant padidinti valdiklio efektyvumą, literatūroje vis dažniau minimas dirbtinių neuronų tinklų (DNT) taikymas DGT sekimo procese. Darbe sukurtas saulės jėgainės modelis, kuriame panaudotas didžiausios galios taškui sekti savaime besimokantis dirbtinių neuronų tinklas, veikiantis kartu su IncCond algoritmu, ir sudarytas valdymo algoritmas. Saulės jėgainės modelis įgyvendintas Matlab/Simulink terpėje.

Scientists are looking for ways to improve the efficiency of solar cells all the time. The efficiency of solar cells which are available to the general public is up to 20%. Part of the solar energy is unused and a capacity of solar power plant is significantly reduced – if slow controller or controller which cannot stay at maximum power point of solar modules is used. Various algorithms of maximum power point tracking were created, but mostly algorithms are slow or make mistakes. In the literature more and more oftenartificial neural networks (ANN) in maximum power point tracking process are mentioned, in order to improve performance of the controller. Self-learner artificial neural network and IncCond algorithm were used for maximum power point tracking in created solar power plant model. The algorithm for control was created. Solar power plant model is implemented in Matlab/Simulink environment.