Universitatea”Ștefan cel Mare” din Suceava

Facultatea Inginerie Electrică şi Ştiinţa Calculatoarelor

Controlere MPPT Bazate pe Inteligență

Artificială pentru Sisteme Fotovoltaice
Coordonator științific, Student,
Conf. univ. dr. ing. Elena Crenguţa BOBRIC Silviu-Marian ANIȚA
01 Introducere

• Context Global al Energiei Solare:

La nivel mondial, capacitatea instalată de fotovoltaice a crescut semnificativ, ajungând la 1.89 TW la sfârșitul anului 2022
și preconizându-se să atingă 6 TW în anul 2030.

• Dependența de Variabile Meteorologice:

Eficiența conversiei energiei solare în energie electrică prin efectul fotovoltaic este afectată de variabile precum iradierea
solară și temperatura. Această dependență directă de condițiile meteorologice reprezintă o provocare semnificativă în
asigurarea fiabilității sistemelor fotovoltaice.

• Eficiența Redusă a Modulelor Fotovoltaice:

Modulele fotovoltaice au o eficiență cuprinsă între 10% și 23%, iar costurile ridicate de instalare impun necesitatea unui
control precis al punctului de putere maxim (MPPT).
02 Ce este un MPPT?

• Este un convertor DC-DC avansat utilizat în sistemele fotovoltaice pentru a optimiza transferul
de energie între panourile solare fotovoltaice și bateria de acumulatori. Acest dispozitiv joacă
un rol esențial în eficientizarea producției de energie solară.

• Analizează constant tensiunea de ieșire a panoului solar și o compară cu cea a acumulatorului.

În urma acestei analize, dispozitivul ia decizii rapide pentru a determina puterea optimă ce
trebuie transferată către acumulatori, asigurând astfel transferul maxim de curent de la panou la
bateria de acumulatori.

• Poate crește transferul de energie cu 20-45% iarna iar vara cu 10-15%. Performanța este
influențată de condițiile meteorologice, temperatură și starea de încărcare a acumulatorilor.
03 Diferențele Cheie între Algoritmii
Tradiționali și cei AI în MPPT
Algoritmii Tradiționali:
Metode Fixe:
Utilizează strategii fixe și predefinite pentru urmărirea
punctului de putere maximă (MPP).
Răspuns Limitat la Variații:
Sunt mai puțin eficienți în gestionarea schimbărilor
rapide ale condițiilor meteorologice sau a umbrării
parțiale.
Performanță Standard:
Furnizează performanță standard, cu eficiență maximă
în condiții ideale, dar cu pierderi semnificative în
situații neuniforme
Algoritmii AI:
Adaptabilitate Dinamică:
Se adaptează dinamic la schimbările în condițiile de operare,
optimizând continuu urmărirea MPP.
Învățare Continuă & Reacție Rapidă:
Au capacitatea de a învăța și a ajusta performanța în timp,
crescând eficiența în varietatea condițiilor meteorologice,
minimizând pierderile de energie în situații instabile.
Optimizare în Condiții Dificile:
Gestionează eficient umbrări parțiale, variații neuniforme și
condiții meteorologice adverse, menținând o eficiență ridicată.
04 Metode AI Utilizate în MPPT
05 Metode AI Utilizate în MPPT
Rețele neuronale (ANN):
• Structură Inspirată de Creier: ANN este o rețea de
calcul similară cu structura creierului uman, formată
din noduri interconectate care procesează informațiile.
• Proces de Învățare: Cu ajutorul unui proces de
învățare, ANN poate ajusta și optimiza parametrii
pentru a realiza urmărirea eficientă a punctului de
putere maximă (MPPT) în condiții variate.
Sistemele Neuro-Fuzzy Adaptive(ANFIS):
• Combinație de Logica Fuzzy și Rețele Neuronale:
ANFIS integrează logica fuzzy cu rețelele neuronale,
oferind astfel o abordare hibridă pentru urmărirea MPP.
• Adaptabilitate la Variații: ANFIS se adaptează
dinamic la schimbările condițiilor meteorologice,
permițând o urmărire precisă și eficientă a MPP în
medii neuniforme.
06 Rețele neuronale(ANN)
Acestea au capacitatea de a învăța din exemple și de a
gestiona date incomplete, oferind soluții eficiente.

În contextul sistemelor fotovoltaice, unde punctul de

putere maxim (PPM) variază în funcție de radiația solară
și temperatură, controlerul MPPT bazat pe ANN
utilizează o rețea feed-forward(fară bucle) cu două
straturi.

Structura acestei rețele neuronale include numărul de straturi, numărul de neuroni din fiecare strat, funcțiile de activare și
interconexiunile.
07 Rezultatele Controlerelor ANN

Eficiență Sub Condiții de Lumină Redusă: În luna

martie, controllerul ANN a demonstrat o eficiență
remarcabilă sub condiții de lumină redusă, menținând o
producție de energie stabilă.

Performanță În Situații de Lumină Ridicată: În luna

august, ANN a excelat în condiții de lumină ridicată,
atingând și menținând rapid punctul de putere maximă
în condiții de iluminare solară intensă.
08 Aplicarea în Condiții Neuniforme de Vreme:

• Algoritmii ANN și ANFIS sunt

capabili să gestioneze condiții
neuniforme de vreme, cum ar fi
umbrări parțiale sau variații bruște
ale luminii solare.

• Prin adaptabilitatea lor, aceste metode AI asigură menținerea eficienței sistemului fotovoltaic, chiar și în situații
dificile, contribuind astfel la optimizarea producției de energie solară.
09 Sistemele Neuro-Fuzzy
Adaptive(ANFIS)
• Rețeaua este optimă, flexibilă și adaptabilă
oricărei noi configurații pentru managementul
inteligent al puterii unui sistem solar.

• ANFIS folosește un algoritm hibrid (ANN +

Fuzzy Logic) de învățare care combină
estimatorul celor mai mici pătrate și metoda
gradientului.

• Iradierea solară și temperatura ambiantă sau

tensiunea și curentul PV pot fi folosite ca
intrări ale modelului.
10 Rezultatele Controlerelor ANFIS
• Stabilitate în Variații de Temperatură: ANFIS a
evidențiat o bună stabilitate în variațiile de
temperatură specifice lunii martie, adaptându-se
dinamic la schimbările climatice.

• Adaptabilitate la Variații Ale Luminii Solare:

ANFIS a demonstrat o adaptabilitate remarcabilă la
variațiile bruște ale luminii solare, asigurând o
producție de energie constantă și eficientă.
11 Concluzii
ANN ANFIS
Avantaj major : Avantaj major:
• Abilitatea de a generaliza după procesul de • Abilitatea de a se adapta diferitelor condiții
învățare Dezavantaj:
Dezavantaj: • Necesitatea de date de antrenare precise.
• Necesitatea unui proces de antrenare
amănunțit.

În încheiere, controlerele bazate pe inteligența artificială în sistemele MPPT reprezintă un pilon esențial
pentru optimizarea producției de energie solară, aducând cu sine beneficii semnificative în eficiență și
adaptabilitate în fața condițiilor de mediu variate.
 Autori: Amadou BA,Alphousseyni NDIAYE,El hadji Mbaye NDIAYE,Senghane MBODJI

01 Power optimization of a photovoltaic system with artificial intelligence algorithms over two
seasons in tropical area. În: MethodsX, Volumul 10, 2023, 101959

Autori: Ali Omar BABA, Guangyu LIU, Xiaohui CHEN

02 Classification and Evaluation Review of Maximum Power Point Tracking Methods. În:
Sustainable Futures, Volumul 2, 2020, 100020

Autori: Mostefa KERMADI, El Madjid BERKOUK

03
Artificial intelligence-based maximum power point tracking controllers for Photovoltaic
systems: Comparative study. În: Renewable and Sustainable Energy Reviews, Volumul 69,

Referințe
Martie 2017
Autori: Pallavi VERMA, Priya MAHAJAN, Rachana GARG

04
Comparison of intelligent and conventional MPPT algorithms for PhotoVoltaic system under
partially shaded conditions. În: Recent Developments in Control, Automation & Power
Engineering (RDCAPE), Octombrie 2017

05
***https://www.ecovolt.ro/ro/support/ce_este_un_controler_solar_mppt.htm, 16.01.2024

06
***https://www.ecovolt.ro/ro/support/ce_este_un_controler_solar_mppt.htm, 16.01.2024