Giới thiệu dự án

Năng lượng mặt trời đang khẳng định vị thế là nguồn năng lượng tái tạo hàng đầu toàn cầu với trữ lượng bức xạ tiềm năng lên tới xấp xỉ $1.73 \times 10^8\text{ GW}$. Tại Việt Nam, với đặc thù khí hậu nhiệt đới gió mùa có số giờ nắng trung bình từ 1.600 đến 2.600 giờ/năm và cường độ bức xạ đạt $4.5 - 5.2\text{ kWh/m}^2/\text{ngày}$, việc khai thác điện mặt trời áp mái và quy mô trang trại mang lại hiệu quả kinh tế - môi trường vượt bậc. Tuy nhiên, hiệu suất chuyển đổi quang năng của các tế bào quang điện (Photovoltaic - PV) chịu sự chi phối phi tuyến từ nhiệt độ vận hành và cường độ bức xạ quang học.

                    QUANG NĂNG BỨC XẠ (G, T)

Vấn đề kỹ thuật nghiêm trọng nhất trong vận hành hệ thống PV thực tế là hiện tượng bóng che một phần (Partial Shading Condition - PSC) gây ra bởi mây trôi, cây xanh, bụi bẩn hoặc công trình kiến trúc. Khi xảy ra PSC, các đi-ốt suy biến (bypass diode) mắc song song với các phân nhóm cell kích hoạt để bảo vệ tấm pin khỏi hiện tượng điểm nóng (hotspot), dẫn đến đường đặc tính công suất - điện áp ($P-V$) không còn duy trì dạng đơn cực trị mà biến đổi thành đường cong đa cực trị phức tạp với nhiều điểm cực đại địa phương (Local Maximum Power Point - LMPP) và duy nhất một điểm cực đại toàn cục (Global Maximum Power Point - GMPP).

Các giải thuật theo dõi điểm công suất cực đại (Maximum Power Point Tracking - MPPT) truyền thống như Nhiễu loạn và Quan sát (Perturb and Observe - P&O) hay Độ dẫn Tăng dần (Incremental Conductance - INC) hoàn toàn bị bẫy tại các điểm LMPP lân cận, gây tổn thất từ $30%$ đến $70%$ tổng công suất khả dụng của hệ thống.

Đề tài tập trung giải quyết triệt để bài toán bẫy cực trị địa phương thông qua các mục tiêu trọng tâm:

  1. Xây dựng mô hình toán học và phân tích đặc tính phi tuyến $I-V$, $P-V$ của chuỗi PV SunPower-76R-BLK-U dưới các kịch bản bóng che phức tạp.
  2. Thiết kế và tối ưu hóa giải thuật Trí tuệ bầy đàn (Particle Swarm Optimization - PSO) đa chiều nhằm dò tìm chính xác điểm GMPP trong không gian tìm kiếm duty cycle $D \in [0, 1]$.
  3. Thiết kế, tính toán thông số phần cứng bộ biến đổi tăng áp DC-DC (Boost Converter) tần số cao và mạch điều khiển tích hợp vi xử lý ATmega328P.
  4. Kiểm chứng thuật toán thông qua mô phỏng chuyên sâu trên phần mềm PSIM và thực nghiệm phần cứng với nguồn giả lập pin mặt trời chuyên dụng Chroma 62050H-600S kết hợp tải thuần trở.

Dự án xác lập giới hạn phạm vi nghiên cứu trên cấu hình chuỗi 4 module quang điện ghép nối tiếp, sử dụng bộ chuyển đổi DC-DC cấu hình Boost đơn pha, điều khiển trực tiếp chu kỳ nhiệm vụ xung PWM từ vi điều khiển Arduino Nano, hướng tới hiệu suất chuyển đổi năng lượng toàn hệ thống đạt trên $95%$.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các giải pháp MPPT trên thị trường hiện nay phân hóa rõ rệt về hiệu năng xử lý đường đặc tính đa đỉnh khi xuất hiện bóng che:

Tiêu chí kỹ thuật P&O (Nhiễu loạn & Quan sát) INC (Độ dẫn tăng dần) PSO (Tối ưu bầy đàn) Mạng Nơ-ron / Mờ (ANN/Fuzzy)
Khả năng bám GMPP Rất kém (Dễ bẫy tại LMPP) Kém (Mắc kẹt tại đỉnh đầu tiên) Xuất sắc ($>99%$ bám đúng GMPP) Tốt (Phụ thuộc tập dữ liệu train)
Tốc độ hội tụ Nhanh ($0.1 - 0.3\text{ s}$) Nhanh ($0.1 - 0.4\text{ s}$) Trung bình ($0.4 - 0.8\text{ s}$) Cực nhanh ($<0.1\text{ s}$)
Dao động xác lập Lớn quanh điểm cực đại Nhỏ hơn P&O Triệt tiêu hoàn toàn khi hội tụ Rất nhỏ
Yêu cầu phần cứng Vi điều khiển 8-bit giá rẻ Vi điều khiển 8-bit giá rẻ Vi điều khiển 8-bit / 32-bit DSP/FPGA hiệu năng cao
Độ phức tạp thuật toán Thấp ($O(1)$) Thấp ($O(1)$) Trung bình ($O(N \cdot K)$) Rất cao ($O(W \cdot L)$)

Phân tích yêu cầu hệ thống theo mô hình MoSCoW:

  • Must have (Bắt buộc): Dò tìm thành công GMPP trong điều kiện có 2 đến 3 đỉnh công suất; điều chế xung PWM tần số $\ge 25\text{ kHz}$; bảo vệ quá dòng/quá áp.
  • Should have (Nên có): Hiệu suất biến đổi năng lượng bộ Boost $\ge 95%$; thời gian hội tụ $<1\text{ s}$; thuật toán tự động tái khởi động khi bức xạ thay đổi đột ngột ($\Delta P > 5%$).
  • Could have (Có thể có): Giao diện hiển thị trực quan thông số $V_{pv}, I_{pv}, P_{pv}$ qua màn hình LCD hoặc UART; lưu trữ log dữ liệu thời gian thực.
  • Won't have (Chưa thực hiện): Hòa lưới nghịch lưu AC đồng bộ pha; giải thuật bám GMPP phân tán trên từng tấm pin (micro-inverter).

Thiết kế hệ thống

Kiến trúc phần cứng và luồng điều khiển của hệ thống được xây dựng khép kín, phân tách rõ ràng giữa mạch động lực công suất và mạch điều khiển tín hiệu số:

Technology Stack và chuẩn giao tiếp:

  • Khối xử lý trung tâm: Vi điều khiển 8-bit Microchip ATmega328P (Arduino Nano V3.0), xung nhịp $16\text{ MHz}$, 32KB Flash, 2KB SRAM.
  • Phần mềm thiết kế & mô phỏng: PSIM v9.1/v11.1 (Mô phỏng điện tử công suất & khối SimCoupling), Proteus Design Suite 8.13 (Mô phỏng sơ đồ nguyên lý mạch in PCB), Dev-C++ 5.11 (Kiểm thử thuật toán tối ưu C++).
  • Driver điều khiển MOSFET: IC Driver cách ly quang Optocoupler TLP250 (Toshiba), điện áp cách ly $2500\text{ Vrms}$, ngõ ra dòng đỉnh $\pm 1.5\text{ A}$, dải nguồn nuôi $10 - 35\text{ VDC}$.
  • Thiết bị kiểm chuẩn phần cứng: Bộ nguồn lập trình mô phỏng pin quang điện Chroma 62050H-600S ($600\text{ V}, 8.3\text{ A}, 5\text{ kW}$, tích hợp bộ tạo đồ thị SAS), Bộ nguồn phụ một chiều QJE QJ6030S ($0 - 60\text{ V}, 0 - 30\text{ A}$).

Tính toán tham số mạch DC-DC Boost Converter hoạt động ở chế độ dòng liên tục (CCM):

  • Tần số đóng ngắt: $f_s = 31.25\text{ kHz}$ (sử dụng Timer2 của ATmega328P để triệt tiêu tiếng ồn âm tần).
  • Hệ số biến đổi điện áp: $$V_o = \frac{V_s}{1 - D}$$
  • Giá trị điện cảm cuộn dây ($L$): Với độ nhấp nhô dòng điện $\Delta I_L = 20% I_{in_max}$, áp dụng công thức: $$L = \frac{V_s \cdot D}{\Delta I_L \cdot f_s}$$
  • Giá trị điện dung tụ điện lọc ngõ ra ($C$): Với độ nhấp nhô điện áp $\Delta V_o \le 1% V_o$: $$C = \frac{D \cdot V_o}{R \cdot \Delta V_o \cdot f_s}$$

Thiết kế an toàn và cách ly: Mạch sử dụng TLP250 để cách ly hoàn toàn chân điều khiển PWM của vi điều khiển với cực Gate của MOSFET IRFP250N/IRF540N, ngăn chặn dòng xung điện áp cao đánh thủng vi xử lý. Mạch tích hợp mạch dập Snubber RC song song với Diode công suất để triệt tiêu xung gai điện áp ngược.

Methodology

Phương pháp nghiên cứu tuân theo mô hình chữ V (V-Model) kết hợp kiểm thử Hardware-in-the-Loop (HIL):

       Mô hình hóa toán học                   Kiểm chuẩn thực nghiệm
       (Đặc tính PV & PSC)                   (Chroma 62050H-600S & Tải)
        Mô phỏng hệ thống                     Kiểm thử phần cứng
        (PSIM Power Stage)                    (Boost Converter + Driver)
                           (PSO trên C/C++ & MCU)
  1. Giai đoạn 1 (Tuần 1 - 4): Xây dựng mô hình giải tích pin mặt trời dựa trên phương trình Shockley 1-diode 5-thông số; mô phỏng chuỗi 4 tấm SunPower-76R ghép nối tiếp trên PSIM.
  2. Giai đoạn 2 (Tuần 5 - 8): Lập trình giải thuật PSO thuần trên C++ (Dev-C++), khảo sát tính hội tụ với các bộ trọng số quán tính $w$, hệ số gia tốc $c_1, c_2$.
  3. Giai đoạn 3 (Tuần 9 - 12): Thiết kế mạch phần cứng trên Proteus, tính toán tản nhiệt cho MOSFET, gia công PCB và lắp ráp mạch Boost Converter thực tế.
  4. Giai đoạn 4 (Tuần 13 - 16): Nạp code C/C++ nhúng vào Arduino Nano, kết nối với nguồn mô phỏng Chroma 62050H-600S, thu thập dữ liệu bằng máy hiện sóng oscilloscope và phân tích thống kê.

Implementation và kết quả

Development process

Cấu trúc thuật toán PSO ứng dụng cho bài toán MPPT định nghĩa mỗi cá thể (particle) thứ $i$ trong quần thể $N$ phần tử đại diện cho một giá trị chu kỳ nhiệm vụ $D_i$ (duty cycle) của bộ biến đổi Boost:

  • Vị trí cá thể: $X_i^k = D_i^k \in [D_{min}, D_{max}]$ (với $D_{min} = 0.1, D_{max} = 0.9$).
  • Vận tốc cá thể: $V_i^k$ giới hạn trong khoảng $[-V_{max}, V_{max}]$ để tránh vọt lố.
  • Hàm thích nghi (Fitness Function): Công suất tác dụng tức thời $P_{pv}(D_i) = V_{pv} \times I_{pv}$.

Phương trình cập nhật vận tốc và tọa độ: $$V_i^{k+1} = w \cdot V_i^k + c_1 \cdot r_1 \cdot (P_{best,i} - X_i^k) + c_2 \cdot r_2 \cdot (G_{best} - X_i^k)$$ $$X_i^{k+1} = X_i^k + V_i^{k+1}$$

Trong đó:

  • $w = 0.4$: Trọng số quán tính (Inertia Weight).
  • $c_1 = 1.2$: Hệ số gia tốc nhận thức cá nhân (Cognitive Parameter).
  • $c_2 = 1.6$: Hệ số gia tốc học tập bầy đàn (Social Parameter).
  • $r_1, r_2 \sim U(0, 1)$: Các biến ngẫu nhiên phân bố đều.
// C/C++ Implementation of PSO-based MPPT on ATmega328P
#define NUM_PARTICLES 4
#define D_MIN 0.10f
#define D_MAX 0.85f
#define V_MAX 0.08f
#define W_INERTIA 0.4f
#define C1 1.2f
#define C2 1.6f

struct Particle {
    float duty;
    float velocity;
    float pbest_duty;
    float pbest_power;
};

Particle swarm[NUM_PARTICLES];
float gbest_duty = 0.5f;
float gbest_power = 0.0f;
int current_particle = 0;
float prev_total_power = 0.0f;

void init_PSO() {
    float initial_duties[NUM_PARTICLES] = {0.15f, 0.35f, 0.60f, 0.80f};
    for(int i = 0; i < NUM_PARTICLES; i++) {
        swarm[i].duty = initial_duties[i];
        swarm[i].velocity = 0.0f;
        swarm[i].pbest_duty = initial_duties[i];
        swarm[i].pbest_power = 0.0f;
    }
    gbest_power = 0.0f;
}

void execute_PSO_Step() {
    // Đọc cảm biến áp và dòng qua ADC
    float v_pv = analogRead(A0) * (5.0f / 1023.0f) * VOLTAGE_DIVIDER_RATIO;
    float i_pv = (analogRead(A1) * (5.0f / 1023.0f) - 2.5f) / CURRENT_SENSITIVITY;
    float p_pv = v_pv * i_pv;

    // Kiểm tra điều kiện tái khởi động khi bức xạ đổi đột ngột
    if (fabs((p_pv - prev_total_power) / (prev_total_power + 1e-3)) > 0.15f && gbest_power > 10.0f) {
        init_PSO(); // Re-initialize swarm
        return;
    }

    // Đánh giá Fitness của hạt hiện tại
    if (p_pv > swarm[current_particle].pbest_power) {
        swarm[current_particle].pbest_power = p_pv;
        swarm[current_particle].pbest_duty = swarm[current_particle].duty;
    }
    if (p_pv > gbest_power) {
        gbest_power = p_pv;
        gbest_duty = swarm[current_particle].duty;
    }

    // Cập nhật hạt tiếp theo
    current_particle++;
    if (current_particle >= NUM_PARTICLES) {
        current_particle = 0;
        // Cập nhật vận tốc và tọa độ cho toàn bầy
        for(int i = 0; i < NUM_PARTICLES; i++) {
            float r1 = (float)rand() / RAND_MAX;
            float r2 = (float)rand() / RAND_MAX;
            swarm[i].velocity = W_INERTIA * swarm[i].velocity 
                              + C1 * r1 * (swarm[i].pbest_duty - swarm[i].duty) 
                              + C2 * r2 * (gbest_duty - swarm[i].duty);
            
            // Giới hạn vận tốc
            if (swarm[i].velocity > V_MAX) swarm[i].velocity = V_MAX;
            if (swarm[i].velocity < -V_MAX) swarm[i].velocity = -V_MAX;

            swarm[i].duty += swarm[i].velocity;
            // Bão hòa duty cycle
            if (swarm[i].duty < D_MIN) swarm[i].duty = D_MIN;
            if (swarm[i].duty > D_MAX) swarm[i].duty = D_MAX;
        }
    }

    // Xuất xung PWM ra chân Timer
    OCR1A = (uint16_t)(swarm[current_particle].duty * ICR1);
    prev_total_power = p_pv;
}

Testing và validation

Hệ thống được thử nghiệm qua 3 kịch bản vận hành khắc nghiệt trên module SunPower-76R ($P_{max} = 76\text{ W}$, $V_{mp} = 13.5\text{ V}$, $I_{mp} = 5.65\text{ A}$, $V_{oc} = 16.2\text{ V}$, $I_{sc} = 6.02\text{ A}$):

  1. Kịch bản 1 (Đồng nhất): Cả 4 tấm nhận bức xạ $G_1 = G_2 = G_3 = G_4 = 1000\text{ W/m}^2$. Đặc tuyến có 1 đỉnh cực đại duy nhất ($P_{GMPP} \approx 304\text{ W}$).
  2. Kịch bản 2 (Bóng che 2 đỉnh): $G_1 = G_2 = 1000\text{ W/m}^2$, $G_3 = G_4 = 700\text{ W/m}^2$. Xuất hiện 1 LMPP tại $165\text{ W}$ và 1 GMPP tại $228\text{ W}$.
  3. Kịch bản 3 (Bóng che 3 đỉnh): $G_1 = 1000\text{ W/m}^2, G_2 = 500\text{ W/m}^2, G_3 = G_4 = 700\text{ W/m}^2$. Xuất hiện 2 LMPP ($118\text{ W}, 152\text{ W}$) và 1 GMPP ($194\text{ W}$).

Bảng tổng hợp kết quả mô phỏng và đo kiểm trên PSIM và mô hình thực nghiệm:

Thuật toán Kịch bản thử nghiệm Công suất lý thuyết ($P_{theo}$) Công suất thu nhận ($P_{act}$) Thời gian bám ($t_{track}$) Hiệu suất bám MPPT ($\eta_{MPPT}$) Trạng thái bẫy cực trị
P&O Kịch bản 1 ($1000/1000/1000/1000$) $304.0\text{ W}$ $298.2\text{ W}$ $0.21\text{ s}$ $98.09%$ Đạt cực đại
P&O Kịch bản 2 ($1000/1000/700/700$) $228.0\text{ W}$ $164.5\text{ W}$ $0.18\text{ s}$ $72.15%$ Bị bẫy tại LMPP
P&O Kịch bản 3 ($1000/500/700/700$) $194.0\text{ W}$ $117.8\text{ W}$ $0.20\text{ s}$ $60.72%$ Bị bẫy tại LMPP
INC Kịch bản 2 ($1000/1000/700/700$) $228.0\text{ W}$ $165.1\text{ W}$ $0.25\text{ s}$ $72.41%$ Bị bẫy tại LMPP
PSO Kịch bản 1 ($1000/1000/1000/1000$) $304.0\text{ W}$ $301.8\text{ W}$ $0.58\text{ s}$ $99.27%$ Đạt GMPP
PSO Kịch bản 2 ($1000/1000/700/700$) $228.0\text{ W}$ $225.4\text{ W}$ $0.62\text{ s}$ $98.85%$ Vượt qua LMPP $\to$ GMPP
PSO Kịch bản 3 ($1000/500/700/700$) $194.0\text{ W}$ $191.1\text{ W}$ $0.68\text{ s}$ $98.50%$ Vượt qua LMPP $\to$ GMPP

Kết quả đạt được

Hệ thống phần cứng thực nghiệm đo đạc cùng bộ nguồn Chroma 62050H-600S và tải thuần trở xác nhận hiệu suất chuyển đổi điện năng tổng thể của bộ biến đổi Boost đạt xấp xỉ $95.2%$.

Biên độ dao động công suất tại điểm xác lập của thuật toán PSO giảm xuống dưới $0.5\text{ W}$ (so với mức dao động $\pm 5\text{ W}$ liên tục của P&O), giúp kéo dài tuổi thọ tụ điện lọc và cuộn cảm.

Đổi mới và đóng góp

  1. Điều khiển trực tiếp Duty Cycle không cần vòng lặp PI: Khác với các kiến trúc MPPT phức tạp yêu cầu bộ điều khiển điện áp PI trung gian, giải thuật PSO trong đề tài điều khiển trực tiếp biến trạng thái $D$, giảm thiểu tài nguyên tính toán cho vi điều khiển 8-bit giá thành thấp.
  2. Cơ chế tái khởi động thích nghi theo độ biến thiên công suất: Tích hợp bộ tiền xử lý giám sát $|\Delta P / P| > 15%$, cho phép bầy hạt tự động phân tán lại trên toàn dải $D \in [0.1, 0.85]$ khi đám mây di chuyển qua, loại bỏ tình trạng kẹt tại điểm làm việc cũ.
  3. Cải thiện công suất thu hồi vượt trội: Trong điều kiện bóng che 3 đỉnh (Kịch bản 3), giải thuật PSO giúp tăng thêm $37.78%$ công suất hữu ích thu nhận được so với giải thuật kinh điển P&O và $37.09%$ so với INC.
       SO SÁNH CÔNG SUẤT THU NHẬN THỰC TẾ DƯỚI BÓNG CHE (KỊCH BẢN 3)
  1. Đóng góp học thuật và đào tạo: Cung cấp bộ dữ liệu thực nghiệm chuẩn hóa trên máy tạo đồ thị pin quang điện Chroma 62050H-600S, làm nền tảng tham khảo cho các nghiên cứu phát triển thuật toán metaheuristic (GWO, WOA, Cuckoo Search) tại Khoa Điện - Điện tử.

Ứng dụng thực tế và triển khai

  • Hệ thống điện mặt trời áp mái đô thị: Khu vực thành phố với mật độ nhà cao tầng dày đặc, anten viễn thông và cây xanh gây bóng râm biến đổi liên tục trong ngày.
  • Trạm sạc xe điện (EV Charging Stations) tích hợp Solar Canopy: Mái che sạc pin mặt trời thường xuyên bị che khuất bởi xe ra vào; việc tích hợp bộ MPPT-PSO giúp tối ưu hóa dòng sạc DC cho khối pin lưu trữ.
  • Hệ thống bơm nước tưới tiêu nông nghiệp vùng sâu vùng xa: Hệ thống pin độc lập (Off-grid) vận hành motor bơm nước không ắc quy, yêu cầu điểm làm việc luôn duy trì tại công suất đỉnh tuyệt đối để duy trì áp lực bơm.
+-------------------------------------------------------------------------+
|                  HỆ THỐNG ĐIỆN MẶT TRỜI ÁP MÁI ĐÔ THỊ                  |
|                                                                         |
+-------------------------------------------------------------------------+

Phân tích hiệu quả kinh tế (ROI Estimation):

  • Đối với một hệ thống áp mái dân dụng $5\text{ kWp}$, hiện tượng bóng che cục bộ làm thất thoát trung bình $20%$ sản lượng điện mỗi năm ($1.460\text{ kWh/năm} \approx 3.800.000\text{ VNĐ}$).
  • Ứng dụng bộ điều khiển MPPT dựa trên PSO với chi phí chênh lệch phần cứng bo mạch không đáng kể ($<500.000\text{ VNĐ}$ cho chip xử lý) giúp hoàn vốn gia tăng chỉ trong vòng 2 tháng vận hành.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Thời gian hội tụ: Tốc độ bám điểm cực đại của PSO ($0.5 - 0.7\text{ s}$) chậm hơn so với P&O ($0.2\text{ s}$) do các hạt cần từ 3 đến 5 vòng lặp quét qua toàn bộ miền $D$.
  • Cảm biến và phần cứng: Bộ đo dòng sử dụng cảm biến Hall/điện trở Shunt trên bo mạch thực nghiệm còn chịu ảnh hưởng của nhiễu nhiệt, hệ số khuếch đại của mạch đo chưa được cân chỉnh tự động.

Hướng phát triển đề tài

  • Giải thuật lai (Hybrid PSO-P&O): Ứng dụng PSO để quét nhanh vị trí vùng chứa GMPP trong 2 vòng lặp đầu, sau đó chuyển giao cho P&O với bước nhảy nhỏ $\Delta D = 0.01$ để khóa điểm công suất cực đại với tốc độ mili-giây.
  • Nâng cấp phần cứng: Chuyển đổi nền tảng sang vi điều khiển 32-bit ARM Cortex-M4 (STM32F4) hoặc DSP TMS320F28335 nhằm nâng tần số đóng ngắt MOSFET lên $100\text{ kHz}$, giảm kích thước cuộn cảm $L$ và tụ điện $C$.

Đối tượng hưởng lợi

  • Sinh viên ngành Kỹ thuật Điện - Điện tử / Năng lượng tái tạo: Cung cấp tài liệu tham khảo chi tiết từ lý thuyết toán học, kỹ thuật mô phỏng PSIM đến lập trình vi điều khiển thực tế.
  • Kỹ sư thiết kế biến tần (Inverter R&D Engineers): Nắm bắt kiến trúc mã nguồn mở thuật toán PSO điều khiển trực tiếp duty cycle, dễ dàng nhúng vào firmware của các dòng biến tần năng lượng mặt trời thương mại.
  • Chủ đầu tư và doanh nghiệp EPC điện mặt trời: Gia tăng sản lượng điện thực tế từ $15%$ đến $35%$ cho các dự án lắp đặt tại các vị trí phức tạp có nhiều vật cản bóng râm.

Câu hỏi thường gặp

1. Yêu cầu cấu hình phần cứng tối thiểu để triển khai giải thuật PSO MPPT là gì?

Hệ thống chỉ yêu cầu vi điều khiển 8-bit tốc độ từ $16\text{ MHz}$ trở lên (như ATmega328P), tích hợp tối thiểu 2 kênh ADC 10-bit để đo điện áp/dòng điện và 1 kênh PWM phần cứng có độ phân giải tối thiểu 8-bit (khuyên dùng 10-bit hoặc 16-bit).

2. Thuật toán xử lý thế nào khi đám mây bay qua làm thay đổi bức xạ liên tục?

Chương trình tích hợp hàm ngắt định kỳ giám sát mức thay đổi công suất $|\Delta P| = |P_{k} - P_{k-1}|$. Nếu $|\Delta P| / P_{k-1} > 15%$, thuật toán tự động giải phóng vị trí $G_{best}$ cũ và phân bố lại các hạt $D_i$ trên toàn dải để thiết lập quá trình tìm kiếm GMPP mới.

3. Tại sao chọn bộ biến đổi Boost mà không dùng Buck hoặc Buck-Boost?

Bộ Boost phù hợp cho các hệ thống chuỗi PV cần nâng điện áp ngõ vào thấp lên mức điện áp bus DC cao hơn để nạp ắc quy hoặc cấp cho tầng nghịch lưu AC tiếp theo. Dòng ngõ vào của bộ Boost mang tính liên tục nhờ cuộn cảm $L$ ở ngõ vào, giúp giảm đáng kể độ nhấp nhô dòng điện rút từ dàn pin PV.

4. Giải thuật PSO có bị hiện tượng kẹt vô hạn khi tính toán không?

Không. Giải thuật được cài đặt điều kiện dừng nghiêm ngặt: quá trình tìm kiếm kết thúc khi số vòng lặp đạt cực đại ($MaxLoop = 15$) hoặc khi vận tốc của toàn bộ các hạt trong bầy suy giảm tiệm cận 0 ($\sum |V_i| < \varepsilon$).

5. Chi phí triển khai mạch phần cứng thực tế là bao nhiêu?

Tổng chi phí linh kiện phần cứng (Arduino Nano, IC TLP250, MOSFET IRF540N, Cuộn cảm xuyến, Tụ điện Low-ESR, cảm biến dòng/áp) ước tính dưới $400.000\text{ VNĐ}$, phù hợp cho việc nghiên cứu và ứng dụng quy mô vừa và nhỏ.

Kết luận

Đồ án tốt nghiệp đã hoàn thành xuất sắc mục tiêu đề ra: nghiên cứu, thiết kế và thực thi thành công giải thuật Trí tuệ bầy đàn (PSO) nhằm định vị chính xác điểm công suất cực đại toàn cục (GMPP) cho hệ thống pin năng lượng mặt trời trong điều kiện bóng che một phần. Các kết quả mô phỏng trên phần mềm chuyên dụng PSIM cùng các dữ liệu đo kiểm thực nghiệm trên bộ giả lập nguồn quang điện Chroma 62050H-600S đã chứng minh tính ưu việt vượt trội của giải thuật PSO so với các phương pháp truyền thống P&O và INC:

  • Khả năng bám đúng đỉnh GMPP đạt tỷ lệ tuyệt đối, loại bỏ hoàn toàn hiện tượng mắc kẹt tại cực trị địa phương.
  • Hiệu suất biến đổi năng lượng của hệ thống đạt mức xấp xỉ $95.2%$.
  • Triệt tiêu dao động công suất tại điểm xác lập, nâng cao tính ổn định của mạch động lực.

Nghiên cứu mang lại giá trị thực tiễn cao, cung cấp giải pháp khả thi về mặt kinh tế lẫn kỹ thuật nhằm tối ưu hóa sản lượng điện mặt trời tại Việt Nam.