Оптимизация энергии фотоэлектрических систем при частичном затенении с использованием различных методов MPPT

Почему более «умные» солнечные панели важны

Крышные и коммунальные солнечные панели становятся одним из основных способов обеспечения энергией домов, городов и даже больниц. Но в реальных условиях панели часто частично затеняются облаками, соседними зданиями или загрязнениями, что незаметно снижает их выработку. В этой статье рассматривается, как «интеллектуальные» методы управления на основе искусственного интеллекта помогают солнечным установкам извлекать практически каждый возможный ватт даже в сложных и постоянно меняющихся условиях.

Скрытая проблема неравномерного освещения

Поведение солнечных панелей нелинейно: при изменении напряжения вырабатываемая мощность следует изгибающейся, часто неровной кривой. При идеальных условиях полного солнца эта кривая имеет один ясный максимум — точку, в которой система выдает максимальную мощность. При частичном затенении, однако, могут появляться несколько меньших пиков. Стандартные контроллеры могут зацепиться за один из таких «ложных» максимумов вместо истинного глобального максимума, теряя 5–15% потенциальной энергии или больше. Изменения температуры добавляют ещё один уровень сложности, постоянно смещая положение точки максимальной мощности. При уже существующей мировой солнечной мощности свыше 630 ГВт и прогнозируемом её более чем двукратном росте к 2030 году эти скрытые потери означают значительные упущенные экономии и ненужные затраты на инфраструктуру.

Как солнечные системы ищут оптимальную точку

Чтобы поддерживать панели в наиболее эффективном режиме, системы используют контроллеры отслеживания точки максимальной мощности (MPPT). Традиционные методы, такие как perturb-and-observe (P&O) или метод приращения проводимости, сдвигают рабочее напряжение вверх или вниз и наблюдают, растет ли мощность. Эти методы просты и дешевы, но у них есть недостатки: они могут медленно реагировать на внезапные изменения погоды, склонны «дрожать» вокруг оптимума вместо стабильного удержания и при частичном затенении могут принять локальный всплеск кривой за истинный оптимум. В крупных сетевых или автономных системах такая неэффективность влияет не только на выработку энергии, но и на размеры батарей и резервных генераторов, которые приходится устанавливать планировщикам.

Обучение контроллеров «распознавать» лучшую точку

Авторы предлагают два более продвинутых MPPT-контроллера на основе искусственных нейронных сетей (ANN) и адаптивной нейро‑нечёткой системы вывода (ANFIS). Вместо слепого перебора эти контроллеры обучаются распознавать шаблоны в том, как меняются мощность и напряжение панели. Они используют два простых сигнала: как меняется мощность при изменении напряжения и с какой скоростью само напряжение меняется во времени. На основе этих данных ИИ предсказывает в один шаг, какое управляющее действие должен предпринять DC–DC преобразователь, чтобы приблизиться к истинной точке максимальной мощности. Данные для обучения получены из детальных компьютерных симуляций, где уточнённая версия обычного метода P&O сначала находит точный лучший пункт. Затем ИИ выучивает прямое соответствие между наблюдаемым поведением панелей и правильным управляющим сигналом, не перенимая ограничений старого алгоритма.

Испытание интеллектуального управления

Используя смоделированную солнечную массив с реалистичными колебаниями освещённости и температуры, исследователи сравнили свои ANN и ANFIS контроллеры со стандартным подходом P&O. При равномерном освещении оба контроллера на основе ИИ быстро вели систему близко к теоретическому максимуму: нейронная сеть достигала примерно 99,5% от максимально возможной мощности, а ANFIS — около 99,75%. Они делали это в четыре‑шесть раз быстрее, чем P&O, и с значительно меньшими «колебаниями» напряжения, тока и управляющего сигнала преобразователя, что означало более плавную и стабильную выдачу мощности. При частичном затенении — когда на кривой мощности появляются несколько конкурирующих пиков — преимущество становилось ещё заметнее. Обычный контроллер часто фиксировался на меньшем пике, тогда как оба ИИ-контроллера находили глобальный максимум, обеспечивая примерно на 35% больше мощности, чем P&O в протестированном сценарии затенения. Важно, что эти улучшения требовали очень небольших вычислительных ресурсов: каждый управляющий шаг можно было вычислить менее чем за 0,2 миллисекунды, что делает методы пригодными для недорогого аппаратного обеспечения.

Что это значит для будущей солнечной энергетики

Для неспециалистов ключевая мысль проста: более «умная» электроника управления может сделать те же солнечные панели заметно более производительными, особенно когда условия далеки от идеальных. Используя компактные модели ИИ, которые быстро реагируют и не застревают на ложных пиках, предложенные контроллеры ANN и ANFIS помогают панелям извлекать почти всю доступную энергию, уменьшают износ силовой электроники и снижают стоимость солнечной энергии в течение срока службы системы. Среди двух подходов ANFIS выигрывает в точности и плавности, тогда как ANN почти столь же эффективна и чуть проще. В совокупности они демонстрируют, как небольшая доля искусственного интеллекта внутри инвертора может сделать солнечную энергию более надёжной, доступной и привлекательной как для домов, так и для крупных проектов.

Цитирование: Benabdallah, N., Belabbas, B., Tahri, A. et al. Energy optimization of PV systems under partial shading conditions using various technique-based MPPT methods. Sci Rep 16, 5128 (2026). https://doi.org/10.1038/s41598-026-36117-w

Ключевые слова: солнечная энергия, фотоэлектрические системы, отслеживание точки максимальной мощности, управление с использованием искусственного интеллекта, частичное затенение