인공 벌새 최적화 장치를 이용한 PV 모듈의 전기적 매개변수 추출

Scientific Reports 13권, 기사 번호: 9240(2023) 이 기사 인용

측정항목 세부정보

PV 모델의 매개변수 추출은 비선형 및 다중 모델 최적화 문제입니다. 그러나 전력 및 전류 생산 측면에서 PV 시스템 효율에 영향을 미치기 때문에 PV 장치의 매개변수를 정확하게 추정하는 것이 중요합니다. 결과적으로 본 연구에서는 이러한 PV 장치의 주어지지 않은 매개변수의 최상의 값을 생성하기 위해 개발된 인공 벌새 기술(AHT)을 도입합니다. AHT는 벌새의 독특한 비행 능력과 야생에서의 채집 방법을 모방합니다. AHT는 참치 떼 옵티마이저, 아프리카 독수리 옵티마이저, 교육 학습 학습 기반 옵티마이저 및 기타 최신 최적화 기술 등 최근에 영감을 받은 수많은 기술과 비교됩니다. 통계 연구 및 실험 결과에 따르면 AHT는 STM6-40/36, KC200GT 및 PWP 201 다결정의 다양한 PV 모델의 매개 변수를 추출하는 데 있어 다른 방법보다 성능이 뛰어납니다. AHT의 성능은 제조사에서 제공하는 데이터시트를 이용하여 평가됩니다. AHT 우위를 강조하기 위해 그 성능을 다른 경쟁 기술의 성능과 비교합니다. 시뮬레이션 결과는 AHT 알고리즘이 제공되는 솔루션에서 높은 수준의 정확도를 유지하면서 빠른 처리 시간과 꾸준한 수렴을 특징으로 한다는 것을 보여줍니다.

태양 에너지는 환경 대응성과 수많은 공급으로 인해 유망한 재생 가능 기술입니다. 태양광 발전(PV) 시스템 개발이 계속되고 있으며, 이는 에너지 수요를 충족시키기 위해 전력을 생산하는 데 이러한 시스템의 효과적인 사용을 장려합니다1. 또한, PV 패널 생산성이 부족하고 패널이 요소에 직접 공개되는 등 PV 시스템 성능에는 몇 가지 단점이 있습니다2. 결과적으로 PV 시스템의 현실적인 효율성을 결정하는 것은 PV 모듈을 효율적으로 계획, 제어 및 시뮬레이션하는 데 중요합니다. 이 목표를 달성하기 위해 모듈 단자에서 수집되는 전류 및 전압 샘플을 기반으로 실제 모델이 사용됩니다. PV 매개변수가 설정될 수 있으며, 그 모델은 수학적 표현의 도움으로 구축될 수 있습니다.

문헌에서 많은 연구자들이 SDM(단일 다이오드 모델) 및 DDM(이중 다이오드 모델)을 비롯한 다양한 PV 모델을 개발했습니다. 또한 PV 모델 성능은 확인되지 않은 내부 매개변수에 따라 달라집니다. 성능 저하, 노후화 및 예측할 수 없는 기능 상태로 인해 알려지지 않은 모든 매개변수를 안정적으로 유지하고 평가하는 것은 어렵습니다. 관련 전기 매개변수를 설정하지 않으면 PV 모듈을 설계, 추정, 시뮬레이션 및 최적화하는 것이 불가능합니다. 결과적으로 PV 시스템 매개변수를 정량화하기 위한 군집 최적화 방법의 효율성이 연구되고 있습니다3. 분석적 접근 방식4은 정확도 저하를 무시하고 단순화된 가정이나 특정 근사치를 생성합니다. 그러나 이 분석 모델은 최고 전력 출력과 관련된 전류 및 전압을 계산할 때 병렬 및 직렬 저항의 영향을 무시하여 단순화되었습니다. In5에서는 태양전지 모듈의 전력 출력을 최적화하기 위해 SDM/DDM에 대해 LMM(Lagrange Multiplier Method)이 제안되었습니다. 6에서는 전력 1차 도함수를 사용하여 제로 전압 상태에 대한 경계 요구 사항을 생성한 제조업체의 데이터시트에서 중요한 정보가 축소되었습니다. 또한, 7에서는 근사나 단순화 없이 분석적으로 SDM 매개변수를 추출하기 위해 I-V 곡선과 그 기울기에 4개의 무작위 위치가 설명되었습니다. 그러나 이러한 분석적 접근 방식은 기존 테스트 시나리오로 제한됩니다. 계산이 많고 변경되면 실패합니다8.

다른 한편으로는 결정론적 알고리즘과 메타휴리스틱적 알고리즘을 포함한 수치적 접근 방식이 제시되었습니다. 부정확한 초기 값은 결정론적 방법에서 국소 최적값으로 이어질 수 있으며 실제 모델은 목적 함수 방정식의 한계를 충족하는 데 어려움을 겪을 수 있습니다9. 반대로, 메타휴리스틱 방법은 PV 모델 매개변수를 결정하는 효과적이고 간단한 접근 방식을 제공합니다. 결과적으로 매개변수 추출 주제는 메타휴리스틱 방법에 대한 연구로 다루어졌습니다. PV 모델의 매개변수 식별 문제를 해결하기 위해 Differential Evolution(DE)10,11을 사용하여 수많은 연구가 수행되었습니다. In12에서는 역학습 과정, 다중 모집단 전략 및 돌연변이 전략을 포함하는 유사한 DE가 SDM 및 DDM에 대해 제안되었습니다. RTC France 태양전지와 Photowatt-PWM201의 PV 셀 특성을 예측하기 위해 두 가지 간단하고 은유가 없는 방법인 Rao-2와 Rao-3이 수행되었습니다. 고릴라 부대 최적화14, 점균류 최적화 알고리즘15, 개선된 그래스호퍼 최적화 알고리즘(IGOA)16이 전기 태양광 PV 시스템용으로 개발되었습니다. In17에서는 Harris Hawks 최적화가 Nelder-Mead 심플렉스 및 (수평 및 수직) 크로스오버와 통합되어 DDM 및 SDM을 포함한 KC200GT, SM55 및 ST40에 구현되었습니다. 또한 JAYA 알고리즘은 18의 카오틱 맵을 사용하여 수정되었으며 19의 엘리트 상대 프로세스 기반 학습 전략과 결합되어 PV 매개변수 추출을 수행했습니다.