Техніка та енергетика

Математичне моделювання сонячних перетворювачів електроенергії

Максат Садиков, Назгуль Темірбаєва, Максат Наримбетов, Гульмира Шабікова, Ільяз Турдуєв
Завантажити статтю
Анотація

Дослідження було проведене для розробки математичної моделі фотоелектричних систем з використанням штучних нейронних мереж. Було створено математичну модель фотогальванічної системи, реалізовано процес симуляції з урахуванням ключових параметрів, а також застосовано метод відстеження максимальної точки потужності для підвищення ефективності роботи системи. Під час дослідження було розроблено та протестовано математичну модель фотоелектричної системи на основі штучних нейронних мереж, призначену для підвищення ефективності роботи сонячних панелей. Модель показала високу точність у прогнозуванні точки максимальної потужності за мінливих умов навколишнього середовища, таких як освітленість і температура. Аналіз отриманих даних продемонстрував, що використання нейронних мереж для відстеження максимальної потужності значно зменшує втрати енергії порівняно з традиційними методами відстеження. Експериментальні результати підтвердили, що запропонований підхід забезпечує більш стабільне і точне визначення точки максимальної потужності в реальному часі. Висновки показали, що впровадження такої системи може значно підвищити загальну продуктивність фотоелектричних установок, особливо в умовах непостійної сонячної активності, що робить її перспективною для застосування в різних кліматичних зонах. Крім того, модель показала стійкість до зміни параметрів вхідних даних, що робить її адаптивною до різних типів сонячних панелей і умов експлуатації. Також було виявлено, що система на основі нейронних мереж знижує витрати на експлуатацію та обслуговування фотоелектричних установок за рахунок мінімізації необхідності ручного калібрування і моніторингу. Отримана в результаті модель дасть змогу підвищити точність і ефективність відстеження максимальної потужності сонячних панелей за мінливих умов навколишнього середовища

Ключові слова

максимальна потужність, освітлення, температура, прогнозування, нейронні мережі

ЦИТУВАТИ
Sadykov, M., Temirbaeva, N., Narymbetov, M., Shabikova, G., & Turduev, I. (2024). Mathematical modelling of solar power converters. Machinery & Energetics, 15(4), 118-135. https://doi.org/10.31548/machinery/4.2024.118
Використані джерела

[1] Abouzeid, A.F., Eleraky, H., Kalas, A., Rizk, R., Elsakka, M.M., & Refaat, A. (2024). Experimental validation of a low-cost maximum power point tracking technique based on artificial neural network for photovoltaic systems. Scientific Reports, 14, article number 18280. doi: 10.1038/s41598-024-67306-0.

[2] Derakhshandeh, J.F., AlLuqman, R., Mohammad, S., AlHussain, H., AlHendi, G., AlEid, D., & Ahmad, Z. (2021). A comprehensive review of automatic cleaning systems of solar panels. Sustainable Energy Technologies and Assessments, 47, article number 101518. doi: 10.1016/j.seta.2021.101518.

[3] Elnozahy, A., Yousef, A.M., Abo-Elyousr, F.K., Mohamed, M., & Abdelwahab, S.A.M. (2021). Performance improvement of hybrid renewable energy sources connected to the grid using artificial neural network and sliding mode control. Journal of Power Electronics, 21, 1166-1179. doi: 10.1007/s43236-021-00242-8.

[4] Fatima, K., Minai, A.F., & Malik, H. (2022). Intelligent approach-based maximum power point tracking for renewable energy system: A review. In H. Malik, M.W. Ahmad & D. Kothari (Eds.), Intelligent data analytics for power and energy systems (pp. 373-405). Singapore: Springer. doi: 10.1007/978-981-16-6081-8_19.

[5] Ghadami, N., Gheibi, M., Kian, Z., Faramarz, M.G., Naghedi, R., Eftekhari, M., Fathollahi-Fard, A.M., Dulebenets, M.A., & Tian, G. (2021). Implementation of solar energy in smart cities using an integration of artificial neural network, photovoltaic system and classical Delphi methods. Sustainable Cities and Society, 74, article number 103149. doi: 10.1016/j.scs.2021.103149.

[6] González-Castaño, C., Restrepo, C., Kouro, S., & Rodriguez, J. (2021). MPPT algorithm based on artificial bee colony for PV system. IEEE Access, 9, 43121-43133. doi: 10.1109/ACCESS.2021.3066281.

[7] Gorjian, S., Calise, F., Kant, K., Ahamed, M.S., Copertaro, B., Najafi, G., Zhang, X., Aghaei, M., & Shamshiri, R.R. (2021). A review on opportunities for implementation of solar energy technologies in agricultural greenhouses. Journal of Cleaner Production, 285, article number 124807. doi: 10.1016/j.jclepro.2020.124807.

[8] Granata, F., & Di Nunno, F. (2021). Forecasting evapotranspiration in different climates using ensembles of recurrent neural networks. Agricultural Water Management, 255, article number 107040. doi: 10.1016/j.agwat.2021.107040.

[9] Hewitt, C.D., Guglielmo, F., Joussaume, S., Bessembinder, J., Christel, I., Doblas-Reyes, F.J., Djurdjevic, V., Garrett, N., Kjellström, E., Krzic, A., Costa, M.M., & St Clair, A.L. (2021). Recommendations for future research priorities for climate modeling and climate services. Bulletin of the American Meteorological Society, 102(3), E578-E588. doi: 10.1175/BAMS-D-20-0103.1.

[10] Jasiūnas, J., Lund, P.D., & Mikkola, J. (2021). Energy system resilience – a review. Renewable and Sustainable Energy Reviews, 150, article number 111476. doi: 10.1016/j.rser.2021.111476.

[11] Katche, M.L., Makokha, A.B., Zachary, S.O., & Adaramola, M.S. (2023). A comprehensive review of maximum power point tracking (MPPT) techniques used in solar PV systems. Energies, 16(5), article number 2206. doi: 10.3390/en16052206.

[12] Khan, S.U., Khan, N., Ullah, F.U.M., Kim, M.J., Lee, M.Y., & Baik, S.W. (2023). Towards intelligent building energy management: AI-based framework for power consumption and generation forecasting. Energy and Buildings, 279, article number 112705. doi: 10.1016/j.enbuild.2022.112705.

[13] Kiran, K.B.M., Indira, M.S., & S Nagaraja, R. (2021). Mathematical modeling and evaluation of performance characteristics of a hybrid solar PV and wind energy system. Journal of Applied Science and Engineering, 25(4), 785-797. doi: 10.6180/jase.202208_25(4).0014.

[14] Kudabayev, R., Mizamov, N., Zhangabay, N., Suleimenov, U., Kostikov, A., Vorontsova, A., Buganova, S., Umbitaliyev, A., Kalshabekovа, E., & Aldiyarov, Z. (2022). Construction of a model for an enclosing structure with a heat-accumulating material with phase transition taking into account the process of solar energy accumulation. Eastern-European Journal of Enterprise Technologies, 6(8-120), 26-37. doi: 10.15587/1729-4061.2022.268618.

[15] Li, G., Li, M., Taylor, R., Hao, Y., Besagni, G., & Markides, C.N. (2022). Solar energy utilisation: Current status and roll-out potential. Applied Thermal Engineering, 209, article number 118285. doi: 10.1016/j.applthermaleng.2022.118285.

[16] Mari, M.A., Memon, Z.A., Shaikh, P.H., Mirjat, N.H., & Soomro, M.I. (2021). A review study on mathematical modeling of solar parabolic dish‐Stirling system used for electricity generation. International Journal of Energy Research, 45(13), 18355-18391. doi: 10.1002/er.7000.

[17] Mellit, A., & Kalogirou, S. (2021). Artificial intelligence and internet of things to improve efficacy of diagnosis and remote sensing of solar photovoltaic systems: Challenges, recommendations and future directions. Renewable and Sustainable Energy Reviews, 143, article number 110889. doi: 10.1016/j.rser.2021.110889.

[18] Nabavi-Pelesaraei, A., Rafiee, S., Hosseini-Fashami, F., & Chau, K.W. (2021). Artificial neural networks and adaptive neuro-fuzzy inference system in energy modeling of agricultural products. In predictive modelling for energy management and power systems engineering (pp. 299-334). Amsterdam: Elsevier. doi: 10.1016/B978-0-12-817772-3.00011-2.

[19] Osmani, K., Haddad, A., Lemenand, T., Castanier, B., & Ramadan, M. (2021). An investigation on maximum power extraction algorithms from PV systems with corresponding DC-DC converters. Energy, 224, article number 120092. doi: 10.1016/j.energy.2021.120092.

[20] Pulvermüller, F., Tomasello, R., Henningsen-Schomers, M.R., & Wennekers, T. (2021). Biological constraints on neural network models of cognitive function. Nature Reviews Neuroscience, 22(8), 488-502. doi: 10.1038/s41583-021-00473-5.

[21] Qureshi, M.S., Umar, S., & Nawaz, M.U. (2024). Machine learning for predictive maintenance in solar farms. International Journal of Advanced Engineering Technologies and Innovations, 1(3), 27-49.

[22] Restrepo, C., Yanẽz-Monsalvez, N., González-Castaño, C., Kouro, S., & Rodriguez, J. (2021). A fast-converging hybrid MPPT algorithm based on ABC and P&O techniques for a partially shaded pv system. Mathematics, 9(18), article number 2228. doi: 10.3390/math9182228.

[23] Rexhaj, G. (2024). The role of Building Information Modelling in the implementation of sustainable, environmentally friendly, and social infrastructure projects. Architectural Studies, 10(1), 69-78. doi: 10.56318/as/1.2024.69.

[24] Roy, R.B., Rokonuzzaman, M., Amin, N., Mishu, M.K., Alahakoon, S., Rahman, S., Mithulananthan, N., Rahman, K.S., Shakeri, M., & Pasupuleti, J. (2021). A comparative performance analysis of ANN algorithms for MPPT energy harvesting in solar PV system. IEEE Access, 9, 102137-102152. doi: 10.1109/ACCESS.2021.3096864.

[25] Salem, A.A., Ismail, M.M., Zedan, H.A., & Elnaghi, B.E. (2024). Design of a perturb and observe and neural network algorithms-based maximum power point tracking for a gridconnected photovoltaic system. International Journal of Electrical & Computer Engineering, 14(4), article number 3674. doi: 10.11591/ijece.v14i4.pp3674-3687.

[26] Sarang, S.A., Raza, M.A., Panhwar, M., Khan, M., Abbas, G., Touti, E., Altamimi, A., & Wijaya, A.A. (2024). Maximizing solar power generation through conventional and digital MPPT techniques: A comparative analysis. Scientific Reports, 14, article number 8944. doi: 10.1038/s41598-024-59776-z.

[27] Shahini, E., Fedorchuk, M., Hruban, V., Fedorchuk, V., & Sadovoy, O. (2024). Renewable energy opportunities in Ukraine in the context of blackouts. International Journal of Environmental Studies, 81(1), 125-133. doi: 10.1080/00207233.2024.2320021.

[28] Sharma, P., Dhaked, D.K., & Sharma, A.K. (2021). Mathematical modeling and simulation of DC-DC converters using state-space approach. In D. Goyal, P. Chaturvedi, A.K. Nagar & S. Purohit (Eds.), Proceedings of second international conference on smart energy and communication: ICSEC 2020 (pp. 11-29). Singapore: Springer. doi: 10.1007/978-981-15-6707-0_2.

[28] Smyk, I., & Arkhypova, L. (2023). Analysis of influence of meteorological conditions on the efficiency of solar panels in Ivano-Frankivsk Region. Ecological Safety and Balanced Use of Resources, 14(1), 99-107. doi: 10.31471/2415-3184-2023-1(27)-99-107.

[29] Soomar, A.M., Hakeem, A., Messaoudi, M., Musznicki, P., Iqbal, A., & Czapp, S. (2022). Solar photovoltaic energy optimization and challenges. Frontiers in Energy Research, 10, article number 879985. doi: 10.3389/fenrg.2022.879985.

[30] Stoliarov, O. (2024). Big Data technologies in the process of forecasting electricity generation from solar photovoltaic power plants. Bulletin of Cherkasy State Technological University, 29(2), 79-92. doi: 10.62660/bcstu/2.2024.79.

[31] Szafraniec, A., Halko, S., Miroshnyk, O., Figura, R., Zharkov, A., & Vershkov, O. (2021). Magnetic field parameters mathematical modelling of windelectric heater. Przeglad Elektrotechniczny, 97(8), 36-41. doi: 10.15199/48.2021.08.07.

[32] Talaat, M., Said, T., Essa, M.A., & Hatata, A.Y. (2022). Integrated MFFNN-MVO approach for PV solar power forecasting considering thermal effects and environmental conditions. International Journal of Electrical Power & Energy Systems, 135, article number 107570. doi: 10.1016/j.ijepes.2021.107570.

[33] Villegas-Mier, C.G., Rodriguez-Resendiz, J., Álvarez-Alvarado, J.M., Rodriguez-Resendiz, H., Herrera-Navarro, A.M., & Rodríguez-Abreo, O. (2021). Artificial neural networks in MPPT algorithms for optimization of photovoltaic power systems: A review. Micromachines, 12(10), article number 1260. doi: 10.3390/mi12101260.

[34] Zafar, A., Aamir, M., Nawi, N.M., Arshad, A., Riaz, S., Alruban, A., Dutta, A.K., & Almotairi, S. (2022). A comparison of pooling methods for convolutional neural networks. Applied Sciences, 12(17), article number 8643. doi: 10.3390/app12178643.