Энергетика. Инновационные направления в энергетике. CALS-технологии в э

взаимодействия конструкторов и технологов «на основе Тимцентра. Однако для того, чтобы довести инновационные разработки наших ученых, конструкторов, технологов, энергетиков до технологичного исполнения производственной программы, необходима координация всех функциональных подсистем с подсистемой оперативного управления производством (ОУП). При этом рекомендации по обоснованию и выбору программных продуктов для решения функциональных задач должны осуществляться с учетом отраслевой специфики предприятия.

Таким образом, внедрение инновационных проектов, повышение энергоэффективности машиностроительного производства и эффективности производства в целом диктуют необходимость комплексного подхода, а именно:

♦обеспечение эффективной взаимосвязи функциональных подсистем предприятия, производственно-технических, ор- ганизационно-экономических и социально-психологических факторов производства;

♦разработка методики комплексной оценки энергоэффективности на предприятии;

♦разработка методики оценки энергоэффективности производства через основные (ключевые) технико-экономические

ифинансовые показатели предприятия;

♦исследование возможности применения программных продуктов для вышеназванных целей, мониторинга энергоэффективности и эффективности организации производства на предприятии;

♦формирование организационно-экономического механизма, направляющего локальные цели исполнителей всех уровней (в том числе службы главного энергетика) на стратегические цели предприятия.

31

Список литературы

1.Тимофеева Г.А. Проблемы реализации основных научных принципов организации производства на предприятиях отечественного двигателестроения // Экономика и предпринимательст-

во. – 2014. – № 1, ч. 3 (42–3). – С. 611–615.

2.Тимофеева Г.А. Организация инновационной деятельности на промышленном предприятии // Экономика и предприни-

мательство. – 2015. – № 2 (55). – С. 516–518.

Сведения об авторе

Тимофеева Галина Анатольевна – кандидат экономических наук, доцент кафедры экономики и управления промышленным производством Пермского национального исследовательского политехнического университета, e-mail: galati99@mail.ru.

32

Е.А. Энгель

Хакасский государственный университет им. Н.Ф. Катанова, г. Абакан

ОБЕСПЕЧЕНИЕ МАКСИМАЛЬНОЙ ВЫХОДНОЙ МОЩНОСТИ ФОТОЭЛЕКТРИЧЕСКОЙ ЭНЕРГОСИСТЕМЫ НА ОСНОВЕ АДАПТИВНОГО НЕЙРОКОНТРОЛЛЕРА

На основе концепции интеллектуальной электроэнергетической системы с активно-адаптивной сетью разработана интеллектуальная система стабилизации точки максимальной мощности солнечной батареи на базе адаптивного нейроконтроллера. Результаты моделирования в среде Simulink Matlab разработанного адаптивного нейроконтроллера для фотоэлектрической энергосистемы выявили его адекватность и эффективность в сравнении с традиционными регуляторами точки максимальной мощности.

Ключевые слова: фотоэлектрическая система, регулятор точки максимальной мощности, адаптивный нейроконтроллер.

E.A. Engel

Katanov State University of Khakassia, Abakan

ENERGY SAVING TECHNOLOGY OF PV SYSTEM ON THE BASIS OF THE ADAPTIVE NEUROCONTROLLER

Within Smart Grid concept the intellectual system of maximum power point tracking of the solar battery on the basis of the adaptive neurocontroller is developed. Simulink Matlab simulation results of the developed adaptive neurocontroller for a PV system revealed its adequacy and efficiency in comparison with traditional maximum power point regulators.

Keywords: photovoltaic system, maximum power point regulator, neurocontroller.

Для современного мира актуально и значимо сбережение электроэнергии, реализуемое посредством возобновляемой энергетики и ее динамично развивающегося направления – солнечной энергетики. Правительственной комиссией по высоким

Работа выполнена при поддержке РФФИ, проект №14-41-0402-а.

33

технологиям и инновациям утверждены отвечающие задачам реализации национального приоритета, связанного с обеспечением энергосбережения, энергоэффективного потребления и развития использования ВИЭ, три технологические платформы (ТП): Интеллектуальная энергетическая система России, Малая распределённая энергетика, Перспективные технологии возобновляемой энергетики [1].

Главная особенность фотоэлектрических комплексов – стохастические характеристики первичного источника энергии. Также для указанных комплексов характеристики первичного преобразователя энергии имеют выраженный максимум коэффициента полезного действия (КПД), зависящий от параметров источника энергии, преобразователя и питаемых потребителей. Таким образом, с целью повышения эффективности фотоэлектрических систем необходимо регулировать процессы преобразования посредством регулятора точки максимальной мощности (РТММ). Современные концепции электроэнергетики – Smart Grid, интеллектуальная электроэнергетическая система с активно-адаптив- ной сетью – для повышения эффективности электроэнергетических систем регламентируют использование интеллектуальных методов. В настоящее время для электроэнергетических систем, в том числе в солнечной энергетике, характерна тенденция замены широко используемых ПИ-регуляторов интеллектуальными регуляторами на базе нечеткой, нейросетевой или нейронечеткой технологии [2]. В данном исследовании разработан адаптивный нейроконтроллер, обеспечивающий максимальную выходную мощность солнечной батареи. С целью сравнительного анализа проведено моделирование указанного адаптивного нейроконтроллера и существующих алгоритмов управления регулятором точки максимальной мощности для различных сценариев временного изменения плотности потока солнечного излучения. Сложность фотоэлектрической системы, многообразие применяемых технологий, необходимость их совершенствования обосновывают применение моделирования энергетических систем,

34

реализованного в данном исследовании с использование среды для инженерных вычислений Matlab Simulink, выделяющейся из линейки аналогичных средств высокой производительностью, широким набором интеллектуальных методов.

Модель Simulink Matlab фотоэлектрической системы

В данном научном исследовании рассматривается Simulink Matlab модель фотоэлектрической системы [3], содержащей:

♦фотоэлектрические преобразователи солнечной энергии,

обеспечивающее максимум 100 кВт, при плотности потока солнечного излучения 1 кВт/м2;

♦конвертер повышения на 5 кГц, увеличивающий напряжение постоянного тока СБ (при максимальной мощности солнечного излучения постоянный ток равен 272 В) до 500 В;

♦трехуровневый трехфазный преобразователь напряжения (1980 Гц), преобразующий постоянный ток (500 В) в переменный (260 В);

♦конденсаторный банк емкостью 10-kvar, фильтрующий гармонику, произведенную трехуровневым трехфазным преобразователем напряжения;

♦100-kVA 260V/25kV трехфазный сдвоенный трансфор-

матор;

♦25 кВ электросеть (система передачи на 120 кВ).

Для указанной модели электрическая схема дискретизирована с шагом 10–6 с модельного времени, а модельное время, используемое для систем управления, – 10–4 с.

Существующие алгоритмы управления регулятором точкимаксимальной мощности солнечнойбатареи

Управление РТММ осуществляется рядом алгоритмов [3]:

♦алгоритм случайных возмущений (perturb and observe method);

♦алгоритм постоянного напряжения (тока) (constant voltage (current) method);

♦алгоритм дополненной проводимости (incremental conductance method).

35

Наибольшее распространение при практической реализации солнечных батарей получил алгоритм случайных возмущений ввиду простоты реализации. Тем не менее этот алгоритм снижает эффективность РТММ вследствие следующих недостатков:

♦невозможность точного определения момента достижения регулятором ТММ;

♦снижение уровня освещенности сглаживает вольт-ам- перную характеристику, что усложняет определение точки максимальной мощности вследствие малых изменений в мощности по сравнению с изменением напряжения.

Регулятор на основе алгоритма дополненной проводимости вычисляет частную производную мощности солнечной батареи по напряжению. Поскольку указанная производная в точке максимальной мощности равна нулю,

Из (1) следует:

Левая часть уравнения (2) есть величина обратной мгновенной проводимости солнечной батареи, а правая часть – приращение проводимости. Для точки максимальной мощности указанные величины равны по абсолютной величине, но противоположны по знаку. Случай выхода рабочей точки за пределы ТММ, описываемой уравнением (2), характеризуют следующие неравенства:

Выражения (3), (4) определяют направление изменения приращения проводимости до достижения условия (2) и определяют рабочее напряжение соответственно выше или ниже напряже-

36

ния ТММ. РТММ остается в достигнутой точке максимальной мощности, пока не изменится ток.

Блок-схема алгоритма приращения проводимости изображена на рис. 1. Изменение тока соответствует изменению уровня освещенности солнечной батареи, представляющего собой сложный нестационарный случайный процесс.

Для стабилизации целевого состояния ТММ с увеличением или уменьшением освещенности необходимо соответственно увеличить или уменьшить рабочее напряжение солнечной батареи. Таким образом, необходима система стабилизации целевого состояния сложного нелинейного объекта, что актуализирует ее разработку в форме нечеткой селективной нейросети.

Рис. 1. Блок-схема алгоритма приращения проводимости

37

Интеллектуальная система стабилизации целевого состояния солнечной батареи в форме нечеткой селективной нейросети. Рассматриваемая фотоэлектрическая система является сложным нелинейным многорежимным электроэнергетическим объектом с характеристиками, зависящими от плотности потока солнечного излучения (представляющего собой сложный нестационарный случайный процесс). Указанные аспекты определяют сложность, нелинейность интеллектуальной системы стабилизации ТММ солнечной батареи и актуализируют формирование ее как нечеткой селективной нейросети. Нечеткая селективная нейросеть настраивается на наборе, содержащем m точек экспериментальных данных:

где i {1, ..., m} – моменты времени, error = dI/dV + I/V, Ii, Vi –

сила тока и напряжение фотоэлектрической системы, ∆V – приращение рабочего напряжения солнечной батареи, соответствующее управляющему воздействию. Нечеткая селективная нейросеть реализует преобразования: нейронечеткое μ (X), идентифицирующие состояние ТММ фотоэлектрической систе-

мы, X = (I, V, error, μ (X)) и нейросетевые ∆V = fj (X), j = 1..4,

формирующие приращение рабочего напряжения солнечной батареи, соответствующее управляющему воздействию.

Разработанная интеллектуальная система стабилизации ТММ солнечной батареи на базе адаптивного нейроконтроллера представляет собой интеллектуальную систему управления без целеполагания, функционирующую на основе интеллектуальных вычислений настроенной нечеткой селективной нейросети (НСН) [3].

Моделирование энергосберегающей технологии фотоэлектрической энергосистемы на базе адаптивного нейро-

контроллера. Реализованный в среде Matlab Simulink I модуль гибридных интеллектуальных вычислений сформировал интел-

38

лектуальную систему стабилизации ТММ солнечной батареи на базе адаптивного нейроконтроллера для фотоэлектрической энергосистемы.

Функционирование интеллектуальной системы стабилизации ТММ солнечной батареи на базе адаптивного нейроконтроллера реализует II модуль интеллектуальных вычислений в виде модели Simulink [3].

Для имитации реальных условий воздействия возмущений в фотоэлектрической энергосистеме, в том числе затенения солнечной батареи, в Simulink-модель на входы адаптивного нейроконтроллера добавлен шум, являющийся распределением Гаусса с параметрами среднего значения 1, со стандартным отклонением 0,001. На рис. 2 представлен контур управления стабилизацией ТММ солнечной батареи на основе АН Simulink-модели фотоэлектрической энергосистемы. При сравнении эффективности

РММТ суммарная выделенная на нагрузке мощность P(t) сравнивалась с максимально возможной мощностью Pmax (t ) (при одинаковых сценариях моделирования):

где Pmax (t ) = E (t ) k, E (t ), – мощность солнечного света, поступающего на солнечные батареи; k – коэффициент преобразования солнечной батареи.

Рис. 2. Контур управления стабилизацией ТММ солнечной батареи на основе АН Simulink-модели фотоэлектрической энергосистемы

39

Сравнение полученных в результате моделирования оценок качества РТММ фотоэлектрической системы на основе адаптивного нейроконтроллера и ПИ-регуляторов ТММ выявило адекватность и эффективность разработанной системы стабилизации ТММ солнечной батареи на базе АН в условиях возмущающих воздействий (таблица).

Суммарный средний КПД РММТ

В результате моделирования в условиях возмущающих воздействий установлено, что адаптивный нейроконтроллер в сравнении с ПИ-регуляторами на основе традиционных алгоритмов обеспечивает более высокий КПД фотоэлектрической системы, даже в условиях резкого изменения плотности потока солнечного излучения (с 1000 Вт/м2 до 150 за 0,05 с по результатам 50 прогонов моделирования). Таким образом, адаптивный нейроконтроллер робастен к белому шуму и внешним возмущениям, что позволяет реализовывать эффективное управление при условии резкого изменения плотности потока солнечного излучения и зашумленности данных.

Заключение

Разработанная в форме настроенной нечеткой селективной нейросети, обеспечивающей максимальную выходную мощность солнечной батареи в условиях случайных возмущений, интеллектуальная система стабилизации ТММ солнечной батареи на базе адаптивного нейроконтроллера при моделировании в среде Simulink Matlab проявила следующие достоинства: поддерживает режим реального времени; настроенные нейронечеткие структуры эффективно обрабатывают зашумленные

40