procyberВестник кибернетикиProceedings in Cybernetics1999-7604Бюджетное учреждение высшего образования Ханты-Мансийского автономного округа – Югры «Сургутский государственный университет»10.34822/1999-7604-2019-3-14-25procyber-245Research ArticleСтатьиСистема слежения за точкой максимальной мощности фотоэлектрического массива на основе модифицированной нечеткой нейросетиPhotovoltaic Array Maximum Power Point Tracking System Based on Modified Fuzzy Neural NetworkЭнгельЕ. А.EngelE. A.

г. Абакан

Abakan

ekaterina.en@gmail.comЭнгельН. Е.EngelN. E.

г. Абакан

Abakan

nikita.en@gmail.comХакасский государственный университет им. Н. Ф. КатановаРоссияKatanov Khakass State UniversityRussian Federation20193003202003 (35)1425Copyright © Энгель Е.А., Энгель Н.Е., 20202020Энгель Е.А., Энгель Н.Е.Engel E.A., Engel N.E.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.vestcyber.ru/jour/article/view/245

Рассматривается задача слежения за точкой максимальной мощности фотоэлектриче ского массива. Разработана система слежения на основе модифицированной нечеткой нейросети. В сравнении с существующими нечеткими нейросетями модифицированная нечет кая нейросеть содержит рекуррентные нейросети, одна из которых аппроксимирует многомер ные функции принадлежности модифицированной нечеткой нейросети на основе эксперимен тальных данных. Для создания оптимальной архитектуры модифицированной нечеткой нейросети разработан модифицированный многомерный алгоритм роя частиц, инициализиру ющий начальное положение лучшей частицы роя и ее размерности методом Нгуена – Видроу и сочетающий этапы глобальной оптимизации многомерными частицами роя с этапами гради ентного спуска алгоритмом Левенберга – Марквардта. Разработанная система слежения за точкой максимальной мощности фотоэлектрического массива на основе модифицированной нечеткой нейросети в условиях случайных возмущений апробирована в ходе эксперименталь ного моделирования в среде Octave. Результаты экспериментального моделирования демон стрируют робастность и эффективность системы слежения за точкой максимальной мощности фотоэлектрического массива на основе модифицированной нечеткой нейросети в сравнении со стандартными моделями управления с ПИД-контроллером на основе алгоритма возмуще ния и наблюдения, возрастающей проводимости.

The article considers the task of maximum power point tracking of a photovoltaic array. A photovoltaic array maximum power point tracking system based on a modified fuzzy neural network is developed. Compared to existing fuzzy neural networks a modified fuzzy neural network includes recurrent neural networks, one of which approximates multidimensional membership functions based on experimental data. In order to create an optimal architecture of a modified fuzzy neural network, we developed a modified multi-dimensional particle swarm algorithm. The algorithm generates an initial particle position based on the Nguyen–Widrow method and combines the stages of global optimization based on a multi-dimensional particle swarm optimization with the stages of gradient descent based on the Levenberg–Marquardt algorithm. The validity and advantages of the proposed photovoltaic array maximum power point tracking system based on a modified fuzzy neural network under random perturbations by numerical simulations in Octave are demonstrated. The simulation results show that the proposed tracking system achieves competitive performance and robustness, as compared to a classical control model with a PID controller based on perturbation and observation, or incremental conductance algorithm.

нечеткая нейросетьрекуррентная нейросетьсистема управленияслежение за точкой максимальной мощности фотоэлектрического массиваfuzzy neural networkrecurrent neural networkcontrol systemmaximum power point trackingphotovoltaic arrayИсследование выполнено при финансовой поддержке РФФИ и Республики Хакасия в рамках научного проекта № 19-48-190003.ReferencesПроект энергостратегии Российской Федерации на период до 2035 года : офиц. сайт Министерства энергетики Российской Федерации. 2019. URL: https://minenergo.gov.ru (дата обращения: 10.10.2019).Проект энергостратегии Российской Федерации на период до 2035 года : офиц. сайт Министерства энергетики Российской Федерации. 2019. URL: https://minenergo.gov.ru (дата обращения: 10.10.2019).Об энергосбережении и о повышении энергетической эффективности и о внесении изменений в отдельные законодательные акты Российской Федерации : федер. закон от 23.11.2009 № 261-ФЗ : принят Государственной Думой 11 ноября 2009 года.Об энергосбережении и о повышении энергетической эффективности и о внесении изменений в отдельные законодательные акты Российской Федерации : федер. закон от 23.11.2009 № 261-ФЗ : принят Государственной Думой 11 ноября 2009 года.Макаров И. М., Лохин В. М., Манько С. В, Романов М. П., Ситников М. С. Устойчивость интеллектуальных систем автоматического управления // Информационные технологии. 2013. № S2. C. 1–32.Макаров И. М., Лохин В. М., Манько С. В, Романов М. П., Ситников М. С. Устойчивость интеллектуальных систем автоматического управления // Информационные технологии. 2013. № S2. C. 1–32.Karami N., Moubayed N., Outbib R. General Review and Classification of Different MPPT Techniques // Renewable and Sustainable Energy Reviews. 2017. Vol. 68. P. 1–18.Karami N., Moubayed N., Outbib R. General Review and Classification of Different MPPT Techniques // Renewable and Sustainable Energy Reviews. 2017. Vol. 68. P. 1–18.Jang J.-S. R. ANFIS: Adaptive-network-based Fuzzy Inference System // IEEE Transactions on Systems, Man and Cybernetics. 1993. Vol. 23, No. 3. P. 665–685.Jang J.-S. R. ANFIS: Adaptive-network-based Fuzzy Inference System // IEEE Transactions on Systems, Man and Cybernetics. 1993. Vol. 23, No. 3. P. 665–685.Prokhorov D. V., Feldkamp L. A., Tyukin I. Y. Adaptive Behavior with Fixed Weights in RNNs: An Overview // Proceedings of the 2002 International Joint Conference on Neural Networks. 2002. Vol. 3. P. 2018–2022.Prokhorov D. V., Feldkamp L. A., Tyukin I. Y. Adaptive Behavior with Fixed Weights in RNNs: An Overview // Proceedings of the 2002 International Joint Conference on Neural Networks. 2002. Vol. 3. P. 2018–2022.Kiranyaz S., Ince T., Yildirim A., Gabbouj M. Evolutionary Artificial Neural Networks by Multi-dimensional Particle Swarm Optimization // Neural Networks. 2009. Vol. 22, Is. 10. P. 1448–1462.Kiranyaz S., Ince T., Yildirim A., Gabbouj M. Evolutionary Artificial Neural Networks by Multi-dimensional Particle Swarm Optimization // Neural Networks. 2009. Vol. 22, Is. 10. P. 1448–1462.Levenberg K. A Method for the Solution of Certain Non-Linear Problems in Least Squares // Quarterly of Applied Mathematics. 1944. Vol. 2, No. 2. P. 164–168.Levenberg K. A Method for the Solution of Certain Non-Linear Problems in Least Squares // Quarterly of Applied Mathematics. 1944. Vol. 2, No. 2. P. 164–168.Nguyen D., Widrow B. Improving the Learning Speed of 2-layer Neural Networks by Choosing Initial Values of the Adaptive Weights // Proceedings of the International Joint Conference on Neural Networks. 1990. Vol. 3. P. 21–26.Nguyen D., Widrow B. Improving the Learning Speed of 2-layer Neural Networks by Choosing Initial Values of the Adaptive Weights // Proceedings of the International Joint Conference on Neural Networks. 1990. Vol. 3. P. 21–26.Энгель Е. А. Метод построения эффективной системы обработки информации на основе нечетко-возможностного алгоритма // XV Всерос. науч.-технич. конференция «Нейроинформатика – 2013» : сб. науч. тр. В 3-х ч. 2013. М. : МИФИ, 2013. Ч. 3. С. 139–149.Энгель Е. А. Метод построения эффективной системы обработки информации на основе нечетко-возможностного алгоритма // XV Всерос. науч.-технич. конференция «Нейроинформатика – 2013» : сб. науч. тр. В 3-х ч. 2013. М. : МИФИ, 2013. Ч. 3. С. 139–149.

The authors declare that there are no conflicts of interest present.