Стратегия отслеживания максимальной мощности фотоэлектрической установки на основе алгоритма IRBMO-VP&O

Почему важно выжимать больше энергии из солнечных панелей

Солнечные панели становятся опорой чистой энергетики, но они не всегда работают максимально эффективно. Когда облака, деревья или соседние здания отбрасывают неравномерные тени на солнечную батарею, её выработка мощности может резко упасть и вести себя сложно и непредсказуемо. В этой работе предложен более умный метод управления, который помогает солнечным системам автоматически находить и поддерживать настоящий оптимальный режим работы, даже когда освещённость пятнами и меняется, так что каждое поле панелей может выдавать больше полезной электроэнергии.

Проблема неравномерного освещения

В идеальном мире каждая панель в массиве получала бы одинаковое яркое солнечное освещение, и зависимость между напряжением и мощностью образовывала бы гладкую кривую с одной явной вершиной. На практике всё сложнее. При частичном затенении одни модули получают сильный свет, а другие — затемняются. Защитные элементы внутри массива включаются в нерегулярных комбинациях, дробя гладкую кривую на несколько пиков. Только один из них — глобальная точка максимальной мощности, место, где весь массив даёт максимум отдачи. Традиционные методы управления часто принимают меньший локальный пик за истинную лучшую точку, оставляя значительный запас энергии неиспользованным.

От простых правил к стратегиям, вдохновлённым природой

Классические методы отслеживания максимальной мощности, такие как простое восхождение по холму или «возмущение и наблюдение» (perturb and observe), работают, немного изменяя рабочее напряжение и наблюдая за изменением мощности. Эти подходы легко реализовать, но они могут застревать на неправильном пике, когда кривая мощности имеет несколько выпуклостей, особенно при быстрых изменениях освещённости. Чтобы преодолеть это, исследователи обратились к стратегиям поиска, вдохновлённым природой, которые имитируют рои животных, стаи или другие коллективные поведения. Такие подходы запускают множество кандидатов, одновременно исследующих пространство решений, что повышает шанс найти глобальный пик, но иногда вредит скорости или стабильности.

Гибридная стратегия, вдохновлённая птицами

В исследовании предложен гибридный метод IRBMO-VP&O, который сочетает новый роевой алгоритм, основанный на охотничьих привычках красно-клювых сойок, с улучшенной версией привычного метода perturb-and-observe. На первом этапе виртуальное «птичье стаю» сойок широко исследует возможные рабочие точки солнечного массива. Дополнительные приёмы — такие как периодические длинные «полёты» и механизм, поощряющий разнообразие внутри стаи — помогают поиску вырываться из мелких вводящих в заблуждение пиков и фокусироваться на области истинного глобального максимума. Когда алгоритм приближается достаточно близко, управление переключается на более осторожную локальную фазу, которая тонко настраивает рабочую точку.

Тонкая настройка финальных шагов

Вторая часть гибрида совершенствует классический метод perturb-and-observe. Вместо фиксированного шага при регулировании преобразователя, связывающего панели с нагрузкой, используется шаг, который автоматически уменьшается по мере приближения системы к оптимальной точке. Такое «экспоненциальное затухание» размера шага позволяет сначала быстро продвигаться, но затем плавно подталкивать систему у вершины кривой мощности, снижая мелкие колебания, которые могут тратить энергию. Встроенный механизм перезапуска отслеживает резкие изменения мощности, сигнализирующие об изменении погоды или затенения; при этом алгоритм снова переходит в режим широкого поиска, чтобы найти новый глобальный максимум.

Демонстрация прироста в моделях

Авторы протестировали гибридный контроллер в детализированных компьютерных моделях массива среднего размера при пяти различных статических схемах затенения и трёх динамических сценариях с резкими изменениями освещённости. Его сравнили с десятью конкурентными методиками, включая несколько популярных ройных алгоритмов и широко используемые традиционные методы. По всем статическим случаям новый подход достигал оптимального региона в среднем примерно вдвое быстрее других методов, одновременно повышая точность отслеживания. В самой сложной схеме частичного затенения он избегал ловушек, в которые попадали даже продвинутые ройные контроллеры, и обеспечивал несколько сотен ватт дополнительной мощности. При быстро меняющемся освещении он стабильно находил новую лучшую точку всего за несколько сотых секунды и сохранял почти идеальную точность.

Что это значит для реальной солнечной энергетики

Для неспециалистов ключевой вывод прост: работа показывает, что более умные, вдохновлённые природой методы управления могут помочь солнечным массивам автоматически адаптироваться к пятнистому и меняющемуся освещению, извлекая больше энергии из того же оборудования. Сочетая широкий, «птичий» поиск с аккуратной настройкой с уменьшающимся шагом и автоматическим триггером перезапуска, стратегия IRBMO-VP&O удерживает систему близко к её истинной оптимальной точке, вместо того чтобы довольствоваться второсортным решением. При внедрении в реальные устройства такие алгоритмы могут сделать как кровельные, так и коммунальные солнечные установки более эффективными и надёжными, особенно в условиях, где облака, деревья или здания часто отбрасывают неравномерные тени.

Цитирование: Wang, X. A photovoltaic maximum power point tracking strategy based on the IRBMO-VP&O algorithm. Sci Rep 16, 12910 (2026). https://doi.org/10.1038/s41598-026-43400-3

Ключевые слова: солнечная фотоэлектрика, отслеживание максимальной мощности, частичное затенение, метаэвристическая оптимизация, управление возобновляемыми источниками энергии