Kısmi gölgelenme koşullarında çeşitli teknik tabanlı MPPT yöntemleri kullanılarak PV sistemlerinin enerji optimizasyonu

Daha akıllı güneş panellerinin önemi

Çatı üstü ve şebeke ölçeğindeki güneş panelleri, evleri, şehirleri ve hatta hastaneleri beslemenin temel yollarından biri haline geliyor. Ancak gerçek dünyada paneller sıklıkla bulutlar, çevredeki binalar veya kir nedeniyle kısmen gölgelendiğinden ürettikleri enerji sessizce azalıyor. Bu makale, yapay zekadan beslenen “akıllı” kontrol yöntemlerinin, zorlu ve sürekli değişen koşullar altında bile kurulumların mümkün olan her watt’ı elde etmesine nasıl yardımcı olabileceğini inceliyor.

Düzensiz güneş ışığının gizli sorunu

Güneş panelleri basit, lineer bir davranış sergilemez: gerilim değiştikçe ürettikleri güç kıvrımlı ve sıklıkla düzensiz bir desen izler. İdeal, tam güneş koşullarında bu eğrinin tek bir belirgin zirvesi vardır; sistemin maksimum güç verdiği nokta budur. Ancak kısmi gölgelenmede birden fazla küçük tepe ortaya çıkabilir. Standart denetleyiciler bu “yanlış” zirvelerden birine kilitlenebilir ve gerçek küresel maksimum yerine orada kalabilir; bu da potansiyel enerjinin %5–15 ya da daha fazlasının boşa gitmesine neden olur. Sıcaklık dalgalanmaları da maksimum güç noktasının yerini sürekli değiştirerek işi daha da karmaşıklaştırır. Küresel güneş kapasitesi zaten 630 gigavatın üzerindeyken ve 2030’a kadar iki katından fazla artması beklenirken, bu gizli kayıplar büyük ölçüde kaçırılan tasarruflar ve gereksiz altyapı maliyetleri anlamına gelir.

Güneş sistemleri tatlı noktayı nasıl arar

Panellerin en verimli noktada çalışmasını korumak için güneş sistemleri maksimum güç noktası takibi (MPPT) denetleyicileri kullanır. Perturb-and-observe (P&O) veya artımlı iletkenlik gibi geleneksel yöntemler, çalışma gerilimini yukarı veya aşağı oynatır ve gücün artıp azaldığını izler. Bu yöntemler basit ve ucuzdur, ancak dezavantajları vardır: ani hava değişimlerine yavaş tepki verebilirler, optimum etrafında titreşim yapma eğilimindedirler ve kısmi gölgelenmede eğrideki yerel bir tümsekle gerçek optimumu karıştırabilirler. Büyük, şebekeye bağlı veya şebekeden bağımsız sistemlerde bu verimsizlik yalnızca enerji verimini etkileyen bir faktör değil, aynı zamanda planlayıcıların kurması gereken batarya ve yedek jeneratörlerin boyutunu da etkiler.

Denetleyicilere en iyi noktayı “tanımayı” öğretmek

Yazarlar, yapay sinir ağları (ANN) ve adaptif nöro-bulandırık çıkarım sistemi (ANFIS) tabanlı iki daha akıllı MPPT denetleyicisi öneriyor. Körü körüne deneme-yanılma adımları yerine bu denetleyiciler, panel gücü ve geriliminin nasıl değiştiğine dair desenleri tanımaya yönelik olarak eğitilir. İki basit sinyal kullanırlar: gerilim değiştikçe gücün nasıl değiştiği ve gerilimin zaman içinde ne kadar hızlı değiştiği. Bu bilgilerden yapay zeka, DC–DC dönüştürücünün gerçek maksimum güç noktasına yakın bir yere ulaşması için tek adımda hangi kontrol eyleminin uygulanması gerektiğini tahmin eder. Eğitim verileri, geliştirilmiş bir P&O sürümünün önce tam en iyi noktayı bulduğu ayrıntılı bilgisayar simülasyonlarından gelir. Yapay zeka daha sonra panellerin gözlemlenen davranışından doğru kontrol sinyaline doğrudan bir eşleme öğrenir; böylece eski algoritmanın sınırlamalarını kopyalamaz.

Akıllı kontrolü teste tabi tutmak

Gerçekçi güneş ve sıcaklık dalgalanmalarına maruz bırakılan simüle edilmiş bir güneş dizisi kullanarak araştırmacılar, ANN ve ANFIS denetleyicilerini standart P&O yaklaşımıyla karşılaştırdı. Uniform güneş ışığı altında her iki yapay zeka tabanlı denetleyici de sistemi teorik maksimuma hızlıca yaklaştırdı; sinir ağı denetleyicisi en iyi mümkün gücün yaklaşık %99,5’ine, ANFIS denetleyicisi yaklaşık %99,75’ine ulaştı. Bunları P&O’dan yaklaşık dört ila altı kat daha hızlı ve gerilim, akım ile dönüştürücünün kontrol sinyalinde çok daha az “dalgalanma” ile yaptılar; bu da daha düzgün, daha istikrarlı güç anlamına geliyor. Kısmi gölgelenme—güç eğrisinde birkaç rekabet eden zirvenin ortaya çıktığı durum—altında avantaj daha da belirginleşti. Standart denetleyici genellikle daha küçük bir zirvede kalırken, her iki yapay zeka denetleyicisi küresel maksimuma odaklandı ve test edilen gölgelenme senaryosunda P&O’ya kıyasla yaklaşık %35 daha fazla güç sağladı. Önemli olarak, bu kazanımlar çok düşük hesaplama maliyetiyle elde edildi: her kontrol adımı 0,2 milisaniyenin altında hesaplanabiliyordu; bu da yöntemleri düşük maliyetli donanımlara uygun kılıyor.

Geleceğin güneş enerjisi için anlamı

Uzman olmayanlar için ana çıkarım basit: daha akıllı kontrol elektroniği, aynı güneş panellerini, özellikle koşullar mükemmel olmadığında, belirgin şekilde daha üretken bir enerji santraline dönüştürebilir. Hızlı yanıt veren ve yanlış zirvelerde takılmayan kompakt yapay zeka modelleri kullanarak önerilen ANN ve ANFIS denetleyicileri, panellerin neredeyse tüm kullanılabilir enerjiyi toplamasına, güç elektroniğinde aşınmayı azaltmasına ve bir sistemin ömrü boyunca güneş enerjisi maliyetini düşürmesine yardımcı olur. İkisi arasında ANFIS doğruluk ve düzgünlük açısından biraz önde görünürken, ANN neredeyse aynı derecede etkili ve biraz daha basittir. Birlikte, invertördeki mütevazı bir yapay zeka dozu sayesinde güneş enerjisinin hem evler hem de büyük ölçekli projeler için daha güvenilir, uygun maliyetli ve çekici hale gelebileceğini gösteriyorlar.

Atıf: 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

Anahtar kelimeler: güneş enerjisi, fotovoltaik sistemler, maksimum güç noktası takibi, yapay zeka kontrolü, kısmi gölgelenme