Comparative Study of ANN and Traditional MPPT Techniques in PV Applications

Il sole offre una fornitura illimitata di energia pulita, ma catturarla in modo efficiente richiede molto più che il semplice posizionamento di pannelli su un tetto. Le celle solari sono dispositivi sensibili la cui capacità di generare elettricità cambia costantemente con il meteo. Quando l'intensità del sole varia o la temperatura sale, il punto in cui un pannello produce la sua massima potenza si sposta, proprio come un bersaglio che si muove su una parete mobile. Per raccogliere la massima energia possibile, un sistema deve dare la caccia costantemente a questo bersaglio mobile. Questo processo è noto come inseguimento del punto di massima potenza (maximum power point tracking). Per decenni, gli ingegneri si sono affidati a metodi tradizionali per guidare i sistemi solari verso questo punto ideale, utilizzando algoritmi che sollecitano leggermente il sistema e osservano come reagisce l'uscita di potenza. Sebbene queste tecniche consolidate funzionino, possono essere lente nel reagire ai rapidi cambiamenti meteorologici e spesso oscillano attorno all'impostazione ideale, sprecando una parte dell'energia disponibile.

In uno studio recente, i ricercatori della Near East University hanno esplorato se un approccio diverso, ispirato al modo in cui il cervello umano impara, potesse superare questi metodi consolidati. Si sono concentrati su un tipo specifico di intelligenza artificiale chiamata rete neurale profonda. A differenza degli algoritmi tradizionali che seguono un insieme fisso di regole, questa rete neurale è stata addestrata su enormi quantità di dati storici relativi al meteo e al sole. I ricercatori hanno fornito al sistema informazioni sull'intensità della luce solare, la temperatura dell'aria e la corrente e la tensione elettrica che fluiscono dai pannelli. L'obiettivo era insegnare al computer a prevedere istantaneamente l'esatto punto di funzionamento ottimale, senza bisogno di procedere per tentativi ed errori. Confrontando questo nuovo metodo basato sui dati con le tecniche standard utilizzate nel settore, il team ha cercato di determinare se l'intelligenza artificiale potesse rendere la generazione di energia solare significativamente più efficiente e reattiva.

I ricercatori hanno costruito il loro esperimento attorno a una simulazione digitale di un sistema di energia solare. Hanno raccolto registrazioni dettagliate di luce solare e temperatura da una specifica località di Cipro del Nord, utilizzando dati provenienti da un database dell'Unione Europea che monitora le risorse solari. Per creare un ambiente di test realistico, hanno utilizzato questi record meteorologici per generare il comportamento elettrico atteso di un pannello solare. Hanno poi testato tre diverse strategie di controllo contro lo stesso dato meteorologico. Le prime due erano i metodi tradizionali: uno che perturba semplicemente il sistema per vedere se la potenza aumenta o diminuisce, e un altro che calcola il tasso di variazione della conduttanza elettrica per trovare il picco. La terza strategia era il nuovo modello di intelligenza artificiale. Questo modello era stato addestrato in precedenza per riconoscere la complessa relazione non lineare tra le condizioni meteorologiche e l'impostazione elettrica ottimale. Una volta addestrata, la rete neurale agiva come un controllore, prendendo misurazioni in tempo reale di luce solare e temperatura e prevedendo immediatamente la tensione perfetta per il pannello solare.

I risultati del confronto sono stati chiari e hanno favorito l'approccio dell'intelligenza artificiale. I metodi tradizionali, pur essendo funzionali, hanno mostrato difficoltà in termini di velocità e precisione. La tecnica standard "perturb and observe" (perturba e osserva), che si basa sul tentativo ed errore, ha impiegato in media 8,5 passaggi per trovare il punto di massima potenza dopo un cambiamento nelle condizioni. Il metodo basato sulla conduttanza, leggermente più avanzato, ha migliorato il risultato, richiedendo 6,2 passaggi. Al contrario, il modello di rete neurale ha trovato l'impostazione ottimale in soli 2,8 passaggi. Questa velocità significava che il sistema poteva adattarsi ai cambiamenti delle nuvole o alle variazioni di temperatura quasi istantaneamente, invece di restare indietro. Inoltre, i metodi tradizionali tendevano a oscillare attorno al bersaglio, costantemente superando o mancando il livello di potenza ideale. La rete neurale, avendo appreso il modello dei dati, si è stabilizzata sull'impostazione corretta con molto meno movimento, mantenendo un'operazione costante ed efficiente.

In termini di efficienza complessiva, il controllore a intelligenza artificiale ha catturato il 98,7 percento della potenza disponibile, una cifra che ha superato il 95,8 percento ottenuto dal metodo della conduttanza e il 94,2 percento dell'approccio tradizionale basato sul tentativo ed errore. Lo studio ha anche misurato quanto fossero vicini i parametri previsti rispetto ai parametri ottimali reali. La rete neurale ha raggiunto un'accuratezza del 99,57 percento, il che significa che ha raramente mancato il bersaglio. I ricercatori hanno notato che i metodi tradizionali producevano più errori nelle loro previsioni, portando a una perdita di energia potenziale. Il modello di rete neurale è stato in grado di gestire la natura complessa e variabile della generazione di energia solare senza l'esitazione o la confusione che spesso affligge i sistemi basati su regole. Non aveva bisogno di aspettare che un cambiamento avvenisse prima di reagire; poteva anticipare la migliore impostazione in base alle condizioni correnti.

Questo lavoro dimostra che l'apprendimento basato sui dati può offrire un miglioramento tangibile rispetto alle regole ingegneristiche consolidate per l'energia solare. Lo studio conferma che un sistema addestrato su dati storici può navigare il comportamento complesso dei pannelli solari in modo più efficace rispetto agli algoritmi che si affidano a formule matematiche fisse. Sebbene i risultati derivino da una simulazione piuttosto che da un test su hardware fisico, la coerenza dei dati suggerisce che l'approccio della rete neurale detenga una grande promessa per le applicazioni nel mondo reale. Riducendo il tempo necessario per trovare la migliore impostazione di potenza e minimizzando l'energia persa a causa delle oscillazioni, un sistema del genere potrebbe aiutare i parchi solari e gli impianti sui tetti a generare più elettricità dalla stessa quantità di luce solare. I ricercatori intendono portare avanti queste scoperte testando il sistema su hardware reale ed esplorando modi per combinare questo tracciamento intelligente con altre misure protettive, con l'obiettivo di rendere l'energia solare ancora più affidabile e produttiva.