Comparative Study of ANN and Traditional MPPT Techniques in PV Applications

सूर्य ऊर्जा का एक असीम भंडार प्रदान करता है, लेकिन इसे कुशलतापूर्वक कैप्चर करने के लिए केवल छत पर पैनल लगाने से कहीं अधिक की आवश्यकता होती है। सौर सेल संवेदनशील उपकरण होते हैं जिनकी बिजली उत्पन्न करने की क्षमता मौसम के साथ लगातार बदलती रहती है। जब सूर्य की तीव्रता बदलती है या तापमान बढ़ता है, तो वह बिंदु जिस पर एक पैनल अपनी अधिकतम शक्ति उत्पन्न करता है, बदल जाता है, ठीक वैसे ही जैसे चलती हुई दीवार पर एक लक्ष्य खिसक रहा हो। अधिकतम ऊर्जा प्राप्त करने के लिए, एक प्रणाली को इस बदलते हुए लक्ष्य का निरंतर शिकार (हंट) करना चाहिए। इस प्रक्रिया को 'मैक्सिमम पावर पॉइंट ट्रैकिंग' के रूप में जाना जाता है। दशकों से, इंजीनियर सौर प्रणालियों को इस आदर्श स्थिति (स्वीट स्पॉट) तक ले जाने के लिए पारंपरिक तरीकों पर भरोसा करते रहे हैं, जिसमें ऐसे एल्गोरिदम का उपयोग किया जाता है जो सिस्टम को थोड़ा सा हिलाते (नज) हैं और देखते हैं कि बिजली का आउटपुट कैसे प्रतिक्रिया देता है। हालांकि ये स्थापित तकनीकें काम करती हैं, लेकिन वे मौसम में तेजी से होने वाले बदलावों के प्रति धीमी हो सकती हैं और अक्सर आदर्श सेटिंग के आसपास डगमगाती रहती हैं, जिससे उपलब्ध ऊर्जा का एक हिस्सा बर्बाद हो जाता है।

हाल ही में, नियर ईस्ट यूनिवर्सिटी के शोधकर्ताओं ने यह पता लगाने के लिए अन्वेषण किया कि क्या एक अलग दृष्टिकोण, जो मानव मस्तिष्क के सीखने के तरीके से प्रेरित है, इन लंबे समय से चले आ रहे तरीकों से बेहतर प्रदर्शन कर सकता है। उन्होंने आर्टिफिशियल इंटेलिजेंस के एक विशिष्ट प्रकार, जिसे 'डीप न्यूरल नेटवर्क' कहा जाता है, पर ध्यान केंद्रित किया। पारंपरिक एल्गोरिदम के विपरीत जो नियमों के एक निश्चित सेट का पालन करते हैं, इस न्यूरल नेटवर्क को ऐतिहासिक मौसम और सौर डेटा की विशाल मात्रा पर प्रशिक्षित किया गया था। शोधकर्ताओं ने सिस्टम को सूर्य के प्रकाश की तीव्रता, वायु तापमान और पैनलों से बहने वाली विद्युत धारा और वोल्टेज के बारे में जानकारी दी। लक्ष्य कंप्यूटर को बिना अनुमान लगाने और जांचने (गेस एंड चेक) की आवश्यकता के, तुरंत सटीक सर्वोत्तम ऑपरेटिंग पॉइंट की भविष्यवाणी करना सिखाना था। इस नए, डेटा-संचालित पद्धति की मानक तकनीकों के साथ तुलना करके, टीम यह निर्धारित करना चाहती थी कि क्या आर्टिफिशियल इंटेलिजेंस सौर ऊर्जा उत्पादन को काफी अधिक कुशल और उत्तरदायी बना सकता है।

शोधकर्ताओं ने अपने प्रयोग को एक सौर ऊर्जा प्रणाली के डिजिटल सिमुलेशन के इर्द-गिर्द बनाया। उन्होंने उत्तरी साइप्रस के एक विशिष्ट स्थान से सूर्य के प्रकाश और तापमान के विस्तृत रिकॉर्ड एकत्र किए, जो यूरोपीय संघ के एक डेटाबेस से लिया गया था जो सौर संसाधनों को ट्रैक करता है। एक यथार्थवादी परीक्षण वातावरण बनाने के लिए, उन्होंने इन मौसम रिकॉर्ड का उपयोग करके सौर पैनल के अपेक्षित विद्युत व्यवहार को उत्पन्न किया। इसके बाद, उन्होंने इसी मौसम डेटा के विरुद्ध तीन अलग-अलग नियंत्रण रणनीतियों को चलाया। पहले दो पारंपरिक तरीके थे: एक जो सिस्टम को केवल विचलित (परटर्ब) करता है यह देखने के लिए कि शक्ति बढ़ती है या घटती है, और दूसरा जो शिखर खोजने के लिए विद्युत चालकता (कंडक्टेंस) की परिवर्तन दर की गणना करता है। तीसरी रणनीति नया आर्टिफिशियल इंटेलिजेंस मॉडल था। इस मॉडल को पहले से ही मौसम की स्थितियों और इष्टतम विद्युत सेटिंग के बीच जटिल, गैर-रेखीय संबंध को पहचानने के लिए प्रशिक्षित किया गया था। एक बार प्रशिक्षित होने के बाद, न्यूरल नेटवर्क एक नियंत्रक के रूप में कार्य करता था, जो सूर्य के प्रकाश और तापमान के वास्तविक समय के माप लेता था और तुरंत सौर पैनल के लिए सटीक वोल्टेज सेटिंग की भविष्यवाणी करता था।

तुलना के परिणाम स्पष्ट थे और आर्टिफिशियल इंटेलिजेंस के दृष्टिकोण के पक्ष में थे। पारंपरिक तरीके, कार्यात्मक होने के बावजूद, गति और सटीकता में संघर्ष करते रहे। मानक "परटर्ब एंड ऑब्जर्व" तकनीक, जो परीक्षण और त्रुटि (ट्रायल एंड एरर) पर निर्भर करती है, परिस्थितियों में बदलाव के बाद अधिकतम पावर पॉइंट खोजने में औसतन 8.5 स्टेप्स लेती है। थोड़ी अधिक उन्नत कंडक्टेंस-आधारित विधि ने इसमें सुधार किया, जिसे 6.2 स्टेप्स की आवश्यकता थी। इसके विपरीत, न्यूरल नेटवर्क मॉडल ने केवल 2.8 स्टेप्स में इष्टतम सेटिंग खोज ली। इस गति का अर्थ था कि सिस्टम बादलों के बदलने या तापमान के शिफ्ट होने पर लगभग तुरंत अनुकूलित हो सकता था, बजाय इसके कि वह पीछे छूट जाए। इसके अलावा, पारंपरिक तरीके लक्ष्य के चारों ओर दोलन (ऑसिलेट) करते थे, यानी वे लगातार आदर्श पावर स्तर से ऊपर या नीचे जाते रहते थे। न्यूरल नेटवर्क ने, डेटा के पैटर्न को सीखकर, बहुत कम हलचल के साथ सही सेटिंग पर स्थिरता प्राप्त की, जिससे एक स्थिर और कुशल संचालन बना रहा।

कुल दक्षता के मामले में, आर्टिफिशियल इंटेलिजेंस कंट्रोलर ने उपलब्ध शक्ति का 98.7 प्रतिशत कैप्चर किया, जो कि कंडक्टेंस पद्धति द्वारा प्राप्त 95.8 प्रतिशत और पारंपरिक परीक्षण-और-त्रुटि दृष्टिकोण के 94.2 प्रतिशत से अधिक था। अध्ययन ने यह भी मापा कि अनुमानित सेटिंग्स वास्तविक सर्वोत्तम सेटिंग्स से कितनी करीब थीं। न्यूरल नेटवर्क ने 99.57 प्रतिशत की सटीकता हासिल की, जिसका अर्थ है कि इसने शायद ही कभी लक्ष्य से चूक की। शोधकर्ताओं ने नोट किया कि पारंपरिक तरीकों ने अपनी भविष्यवाणियों में अधिक त्रुटि पैदा की, जिससे संभावित ऊर्जा का नुकसान हुआ। न्यूरल नेटवर्क मॉडल जटिल, बदलती प्रकृति वाली सौर ऊर्जा पीढ़ी को बिना किसी हिचकिचाहट या भ्रम के संभालने में सक्षम था जो अक्सर नियम-आधारित प्रणालियों में देखा जाता है। इसे प्रतिक्रिया देने के लिए बदलाव होने का इंतजार करने की आवश्यकता नहीं थी; यह वर्तमान स्थितियों के आधार पर सर्वोत्तम सेटिंग का पूर्वानुमान लगा सकता था।

यह कार्य प्रदर्शित करता है कि डेटा-संचालित लर्निंग स्थापित इंजीनियरिंग नियमों की तुलना में एक मूर्त सुधार प्रदान कर सकती है। अध्ययन पुष्टि करता है कि ऐतिहासिक डेटा पर प्रशिक्षित प्रणाली सौर पैनलों के जटिल व्यवहार को निश्चित गणितीय सूत्रों पर निर्भर एल्गोरिदम की तुलना में अधिक प्रभावी ढंग से नेविगेट कर सकती है। हालांकि परिणाम भौतिक हार्डवेयर परीक्षण के बजाय एक सिमुलेशन से आए हैं, डेटा की निरंतरता यह सुझाव देती है कि न्यूरल नेटवर्क दृष्टिकोण वास्तविक दुनिया के अनुप्रयोगों के लिए महत्वपूर्ण संभावना रखता है। सर्वोत्तम पावर सेटिंग खोजने में लगने वाले समय को कम करके और दोलन के कारण होने वाली ऊर्जा हानि को न्यूनतम करके, ऐसा सिस्टम सौर फार्मों और रूफटॉप इंस्टॉलेशन को समान मात्रा में सूर्य के प्रकाश से अधिक बिजली उत्पन्न करने में मदद कर सकता है। शोधकर्ता इन निष्कर्षों को वास्तविक हार्डवेयर पर परीक्षण करके और इस इंटेलिजेंट ट्रैकिंग को अन्य सुरक्षात्मक उपायों के साथ जोड़ने के तरीकों की खोज करके आगे ले जाने की योजना बना रहे हैं, जिसका लक्ष्य सौर ऊर्जा को और भी विश्वसनीय और उत्पादक बनाना है।