Comparative Study of ANN and Traditional MPPT Techniques in PV Applications

태양은 무한한 공급의 깨끗한 에너지를 제공하지만, 이를 효율적으로 포착하는 것은 단순히 지붕 위에 패널을 설치하는 것 이상의 작업이 필요합니다. 태양 전지는 날씨에 따라 전기를 생성하는 능력이 끊임없이 변하는 민감한 장치입니다. 태양의 강도가 변하거나 온도가 상승하면, 패널이 최대 전력을 생산하는 지점도 마치 움직이는 벽 위의 타겟이 이동하는 것처럼 바뀝니다. 가능한 가장 많은 에너지를 수확하기 위해 시스템은 이 변화하는 타겟을 끊임없이 추적해야 합니다. 이 과정을 최대 전력 점 추적(maximum power point tracking)이라고 합니다. 수십 년 동안 엔지니어들은 태양 시스템을 이 최적의 지점으로 안내하기 위해, 시스템을 약간씩 자극하고 전력 출력이 어떻게 반응하는지 관찰하는 알고리즘을 사용하여 전통적인 방식에 의존해 왔습니다. 이러한 확립된 기술들이 작동하기는 하지만, 급격한 날씨 변화에는 반응이 느릴 수 있으며 종종 이상적인 설정값 주변에서 흔들리며 가용 에너지의 일부를 낭비하기도 합니다.

최근 연구에서 근동 대학교(Near East University)의 연구진은 인간의 뇌가 학습하는 방식에서 영감을 얻은 접근 방식이 이러한 오랜 방식보다 더 뛰어난 성능을 보일 수 있는지 탐구했습니다. 그들은 딥 뉴럴 네트워크(deep neural network)라고 불리는 특정 유형의 인공지능에 집중했습니다. 고정된 규칙을 따르는 전통적인 알고리즘과 달리, 이 신경망은 방대한 양의 역사적 기상 및 태양 데이터를 바탕으로 훈련되었습니다. 연구진은 시스템에 햇빛의 강도, 기온, 그리고 패널에서 흐르는 전류와 전압에 대한 정보를 입력했습니다. 목표는 컴퓨터가 '시행착오'를 거칠 필요 없이 즉각적으로 정확한 최적 작동 지점을 예측하도록 가르치는 것이었습니다. 이 데이터 기반 방식이 업계에서 사용되는 표준 기술들과 비교하여, 인공지능이 태양광 발전의 효율성과 반응성을 유의미하게 높일 수 있는지 확인하고자 했습니다.

연구진은 태양광 발전 시스템의 디지털 시뮬레이션을 중심으로 실험을 구축했습니다. 그들은 유럽 연합의 태양 자원 추적 데이터베이스를 사용하여 북키프로스의 특정 지역에서 얻은 상세한 일조량 및 온도 기록을 수집했습니다. 실제와 같은 테스트 환경을 만들기 위해, 이 기상 기록을 사용하여 태양 패널의 예상 전기적 동작을 생성했습니다. 그런 다음 동일한 기상 데이터에 대해 세 가지 서로 다른 제어 전략을 실행했습니다. 첫 번째 두 가지는 전통적인 방식입니다. 하나는 시스템을 섭동(perturb)시켜 전력이 올라가는지 내려가는지를 보는 방식이고, 다른 하나는 전기 전도율의 변화율을 계산하여 정점을 찾는 방식입니다. 세 번째 전략은 새로운 인공지능 모델입니다. 이 모델은 기상 조건과 최적의 전기적 설정 사이의 복잡하고 비선형적인 관계를 인식하도록 사전에 훈련되었습니다. 훈련을 마친 후, 신경망은 컨트롤러 역할을 수행하며 실시간 햇빛과 온도 측정값을 받아 태양 패널의 완벽한 전압 설정을 즉시 예측했습니다.

비교 결과는 명확했으며 인공지능 방식의 손을 들어주었습니다. 전통적인 방식들은 기능적이기는 했지만 속도와 정밀도 면에서 어려움을 겪었습니다. 시행착오에 의존하는 표준 "섭동 및 관찰(perturb and observe)" 기술은 조건 변화 후 최대 전력 점을 찾는 데 평균 8.5단계가 걸렸습니다. 약간 더 발전된 전도율 기반 방식은 6.2단계가 필요하여 이를 개선했습니다. 반면, 신경망 모델은 단 2.8단계 만에 최적의 설정을 찾아냈습니다. 이 속도는 시스템이 변화하는 구름이나 변화하는 온도에 뒤처지지 않고 거의 즉각적으로 적응할 수 있음을 의미했습니다. 더욱이, 전통적인 방식들은 타겟 주변에서 진동하거나 흔들리며, 최적의 전력 수준을 계속해서 초과하거나 미달하는 경-향이 있었습니다. 데이터의 패턴을 학습한 신경망은 움직임이 훨씬 적게 발생하며 정확한 설정값에 안착하여 안정적이고 효율적인 운영을 유지했습니다.

전반적인 효율성 측면에서 인공지능 컨트롤러는 가용 전력의 98.7%를 포착했는데, 이는 전도율 방식이 달성한 95.8%와 전통적인 시행착오 방식이 달성한 94.2%를 상회하는 수치입니다. 연구는 예측된 설정값이 실제 최적의 설정값과 얼마나 일치하는지도 측정했습니다. 신경망은 99.57%의 정확도를 달성했는데, 이는 목표를 놓치는 경우가 거의 없음을 의미합니다. 연구진은 전통적인 방식들이 예측에서 더 많은 오차를 발생시켜 잠재적 에너지 손실로 이어진다고 언급했습니다. 신경망 모델은 규칙 기반 시스템이 흔히 겪는 망설임이나 혼란 없이, 복잡하고 변화하는 태양광 발전의 특성을 처리할 수 있었습니다. 이 모델은 변화가 일어나기를 기다릴 필요 없이, 현재의 조건을 바탕으로 최적의 설정을 예측할 수 있었습니다.

이 연구는 데이터 기반 학습이 확립된 공학적 규칙보다 실질적인 개선을 제공할 수 있음을 보여줍니다. 본 연구는 역사적 데이터로 훈련된 시스템이 고정된 수학 공식에 의존하는 알고리즘보다 태양 패널의 복잡한 동작을 더 효과적으로 탐색할 수 있음을 확인해 줍니다. 비록 결과가 물리적 하드웨어 테스트가 아닌 시뮬레이션에서 나왔지만, 데이터의 일관성은 신경망 방식이 실제 응용 분야에서 상당한 가능성을 지니고 있음을 시사합니다. 최적의 전력 설정을 찾는 시간을 단축하고 진동으로 인한 에너지 손실을 최소화함으로써, 이러한 시스템은 태양광 발전소나 가정용 옥상 설치 시설이 동일한 양의 햇빛으로부터 더 많은 전기를 생산하는 데 도움을 줄 수 있습니다. 연구진은 이 발견을 더 발전시켜 실제 하드웨어에서 시스템을 테스트하고, 이 지능형 추적 기술을 다른 보호 조치들과 결래하는 방법을 탐구하여 태양광 발전을 더욱 신뢰할 수 있고 생산적으로 만드는 것을 목표로 하고 있습니다.