ПІДВИЩЕННЯ ЕНЕРГОЕФЕКТИВНОСТІ ФАСАДНОЇ  СОНЯЧНОЇ ЕЛЕКТРОСТАНЦІЇ ЗІ ЗАСТОСУВАННЯМ ШТУЧНОГО ІНТЕЛЕКТУ

Богдан Пашкевич; Василь Калінчик

doi:10.20535/1813-5420.4.2025.341352

Автор(и)

Богдан Пашкевич Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Україна https://orcid.org/0009-0004-8598-1940
Василь Калінчик Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Україна https://orcid.org/0000-0003-4028-0185

DOI:

https://doi.org/10.20535/1813-5420.4.2025.341352

Ключові слова:

відновлювана енергетика, інтелектуальне управління, штучний інтелект, машинне навчання, енергетична ефективність, сонячні електростанції, фасадні генераційні системи, комп'ютерне моделювання, адаптивні технології, урбаністична енергетика

Анотація

Статтю присвячено оптимізації сонячних фотоелектричних систем. Метою статті є аналіз останніх досліджень і сучасних підходів до покращення енергоефективності сонячних станцій.

У статті розглянуто сучасні проблеми роботи сонячних електростанцій в умовах щільної міської забудови, які вимагають інтелектуальних та адаптивних стратегій управління для врахування динамічних експлуатаційних факторів. Представлено інформаційно-орієнтовану систему моделювання та оптимізації для фотоелектричної установки на фасаді готелю «River Park» з використанням PyPSA для моделювання системи та багатоагентного глибокого Q-навчання (DQN) для оптимізації управління. Досліджувана система має потужність 30,2 кВт (постійний струм) та інвертор 30 кВт (змінний струм) із річною генерацією 23,38 МВт·год. Коефіцієнт продуктивності (PR) становить 84,3% на основі метеорологічних даних Meteonorm.

Для підвищення ефективності роботи було розгорнуто багатоагентну систему навчання з підкріпленням (MARL), яка включає три взаємодіючі агенти: агент очищення (для зменшення втрат через забруднення), агент кута нахилу (для максимізації сонячного опромінення) та агент інвертора (для оптимізації ефективності перетворення). Кожен агент навчався у середовищі PyPSA–OpenAI Gym з використанням спеціально розроблених функцій винагороди.

Валідація MARL-системи проводилася шляхом порівняння оригінальної та оптимізованої версій. Результати показали зростання місячної віддачі в енергосистему майже для всіх місяців, стабільне покращення PR, а також суттєве збільшення річного виробітку енергії за умови використання навчання з підкріпленням. Отримані результати підтверджують потенціал модульної MARL-системи для оптимізації фасадних фотоелектричних систем у реальному часі в умовах міських енергетичних систем.

Посилання

Iturralde Carrera L. A., Garcia-Barajas M. G., Constantino-Robles C. D., Álvarez-Alvarado J. M., Castillo-Alvarez Y., Rodríguez-Reséndiz J. Efficiency and Sustainability in Solar Photovoltaic Systems: A Review of Key Factors and Innovative Technologies. Eng. 2025. Т. 6. Art. 50. DOI: https://doi.org/10.3390/eng6030050.

Endiz M. S., Gökkuş G., Coşgun A. E., Demir H. A Review of Traditional and Advanced MPPT Approaches for PV Systems Under Uniformly Insolation and Partially Shaded Conditions. Appl. Sci. 2025. Т. 15. Art. 1031. DOI: https://doi.org/10.3390/app15031031.

Tu R., Guo Z., Liu L., Wang S., Yang X. Reviews of Photovoltaic and Energy Storage Systems in Buildings for Sustainable Power Generation and Utilization from Perspectives of System Integration and Optimization. Energies. 2025. Т. 18. Art. 2683. DOI: https://doi.org/10.3390/en18112683.

Mdallal A., Yasin A., Mahmoud M., Abdelkareem M. A., Alami A. H., Olabi A. G. A comprehensive review on solar photovoltaics: Navigating generational shifts, innovations, and sustainability. Sustainable Horizons. 2025. Т. 13. Art. 100137. DOI: https://doi.org/10.1016/j.horiz.2025.100137.

Abdelwahab S. A. M., Khairy H. E., Yousef H., et al. Comparative analysis of reinforcement learning and artificial neural networks for inverter control in improving the performance of grid-connected photovoltaic systems. Scientific Reports. 2025. Т. 15. Art. 24477. DOI: https://doi.org/10.1038/s41598-025-09507-9.

Katche M. L., Makokha A. B., Zachary S. O., Adaramola M. S. A Comprehensive Review of Maximum Power Point Tracking (MPPT) Techniques Used in Solar PV Systems. Energies. 2023. Т. 16. Art. 2206. DOI: https://doi.org/10.3390/en16052206.

Wadehra A., Bhalla S., Jaiswal V., Rana K. P. S., Kumar V. A deep recurrent reinforcement learning approach for enhanced MPPT in PV systems. Applied Soft Computing. 2024. Т. 162. Art. 111728. DOI: https://doi.org/10.1016/j.asoc.2024.111728.

Phan B. C., Lai Y.-C., Lin C. E. A Deep Reinforcement Learning-Based MPPT Control for PV Systems under Partial Shading Condition. Sensors. 2020. Т. 20. Art. 3039. DOI: https://doi.org/10.3390/s20113039.

Kabir F., Yu N., Gao Y., Wang W. Deep reinforcement learning-based two-timescale Volt-VAR control with degradation-aware smart inverters in power distribution systems. Applied Energy. 2023. Т. 335. Art. 120629. DOI: https://doi.org/10.1016/j.apenergy.2022.120629.

Liu D., Zang C., Zeng P., Li W., Wang X., Liu Y., Xu S. Deep reinforcement learning for real-time economic energy management of microgrid system considering uncertainties. Frontiers in Energy Research. 2023. Т. 11. Art. 1163053. DOI: https://doi.org/10.3389/fenrg.2023.1163053.

Ali M. H., Zakaria M., El-Tawab S. A comprehensive study of recent maximum power point tracking techniques for photovoltaic systems. Sci Rep. 2025. Т. 15. Art. 14269. DOI: https://doi.org/10.1038/s41598-025-96247-5.

Jung S.-W., An Y.-Y., Suh B., Park Y., Kim J., Kim K.-I. Multi-Agent Deep Reinforcement Learning for Scheduling of Energy Storage System in Microgrids. Mathematics. 2025. Т. 13. Art. 1999. DOI: https://doi.org/10.3390/math13121999.

Feng C., Liu A. L. Peer-to-peer energy trading of solar and energy storage: A networked multiagent reinforcement learning approach. Applied Energy. 2025. Т. 383. Art. 125283. DOI: https://doi.org/10.1016/j.apenergy.2025.125283.