مقاله توسعه فناوری های نوین در انرژی خورشیدی، کنترل صنعتی و سامانه های فضایی رویکردی چندرشته ای برای بهبود کارایی و پایداری سیستم های انرژی

توسعه فناوری های نوین در انرژی خورشیدی، کنترل صنعتی و سامانه های فضایی رویکردی چندرشته ای برای بهبود کارایی و پایداری سیستم های انرژی

کنفرانس سالانه ملی فناوری های عمران ، طراحی و ساخت ، انرژی ، مواد و ماشین آلات پیشرفته آذر ماه 1404

نویسنده : حمید رضا زارع 1*, علیرضا آفرین 2

دانشکده برق و الکترونیک ،دانشگاه ملی و مهارت ، شیراز، ایران

eng.hamidrezazare@gmail.com

alirezaafrien@gmail.com

چکیده

رشد شتابان انرژی های تجدیدپذیر و نیاز جهانی به کاهش آلاینده های زیست محیطی، پژوهش در حوزه انرژی خورشیدی، کنترل صنعتی و سامانه های فضایی را بیش از پیش ضروری ساخته است. این مقاله با رویکردی چندرشته ای، چهار محور کلیدی را بررسی می کند1 -(افزایش کارایی پنل های خورشیدی از طریق حذف غبار الکترواستاتیک(EDR) (2)- پیش بینی تولید توان خورشیدی با استفاده از مدل های پیشرفته یادگیری ماشین، 3- کنترل وضعیت ماهواره ها بدون حسگر خورشیدی، و 4- بهینه سازی کنترل دنیتریفیکاسیون SCR در نیروگاه ها با بهره گیری از کنترل کننده ترکیبی .

در بخش نخست، اصول فیزیکی نیروهای چسبندگی و روش های نوین حذف غبار با استفاده از فیلم های شفاف هادی بررسی می شود. در بخش دوم، مدل های یادگیری عمیق مانند LSTM، ترانسفورمر و شبکه های گرافی برای پیش بینی توان خورشیدی تحلیل می گردند. بخش سوم به معرفی الگوریتم های تخمین وضعیت ماهواره ها بدون حسگر خورشیدی، شامل EKF، QUEST و روش های یادگیری تقویتی می پردازد. در بخش چهارم، طراحی کنترل کننده EFC-ADRC و نقش الگوریتم هایSPSA وWOA در بهینه سازی پارامترهای سیستم SCR تشریح می شود.نتایج نشان می دهد که ترکیب فناوری های نوین در این چهار حوزه می تواند به طور چشمگیری موجب افزایش کارایی، کاهش هزینه های عملیاتی، و بهبود پایداری سیستم های انرژی و فضایی گردد. این مقاله می تواند به عنوان یک چارچوب جامع برای پژوهش های آینده در حوزه انرژی و کنترل مورد استفاده قرار گیرد.

کلیدواژه ها

انرژی خورشیدی، حذف غبار الکترواستاتیک، پیش بینی توان، یادگیری ماشین، LSTM، ترانسفورمر ، کنترل وضعیت ماهواره، ADCS، دنیتریفیکاسیون SCR، کنترل کننده EFC-ADRC، الگوریتمSPSA، الگوریتم .WOA

1-مقدمه

افزایش تقاضای جهانی برای انرژی، محدودیت منابع فسیلی، و نگرانی های زیست محیطی ناشی از انتشار گازهای گلخانه ای، موجب شده است که انرژی های تجدیدپذیر به ویژه انرژی خورشیدی در مرکز توجه پژوهشگران و صنایع قرار گیرد. با وجود مزایای فراوان، بهره برداری از انرژی خورشیدی با چالش هایی همراه است که نیازمند توسعه فناوری های نوین در حوزه های مختلف است.

یکی از مهم ترین چالش ها، کاهش کارایی پنل های خورشیدی در اثر تجمع غبار است. مطالعات نشان داده اند که در مناطق خشک و بیابانی، غبار می تواند بازده پنل ها را تا 84 درصد کاهش دهد. روش های سنتی مانند شست وشو با آب، علاوه بر هزینه بالا، در بسیاری از مناطق کم آب قابل اجرا نیستند. از این رو، فناوری حذف غبار الکترواستاتیک به عنوان یک راهکار نوین، کم مصرف و بدون تماس مطرح شده است.

چالش دیگر، نوسانات تولید توان خورشیدی به دلیل تغییرات جوی است. این مسئله موجب شده است که پیش بینی دقیق توان تولیدی با استفاده از مدل های یادگیری ماشین و یادگیری عمیق به یکی از موضوعات مهم پژوهشی تبدیل شود. مدل هایی مانند LSTM، GRU، ترانسفورمر و شبکه های گرافی، توانسته اند دقت پیش بینی را به طور چشمگیری افزایش دهند.در حوزه فضایی، ماهواره ها و میکروماهواره ها برای تامین توان خود به پنل های خورشیدی وابسته اند. در بسیاری از ماموریت ها، به ویژه CubeSatها، به دلیل محدودیت وزن و هزینه، امکان استفاده از حسگر خورشیدی وجود ندارد. بنابراین، توسعه روش های کنترل وضعیت بدون حسگر خورشیدی اهمیت ویژه ای دارد.

در نهایت، در نیروگاه های حرارتی، انتشار اکسیدهای نیتروژن یکی از چالش های زیست محیطی مهم است. فناوری کاهش کاتالیستی انتخابی یکی از روش های اصلی دنیتریفیکاسیون است، اما کنترل آن به دلیل تاخیر زمانی،

غیرخطی بودن و اغتشاشات چندمنبعی پیچیده است. کنترل کننده ترکیبی EFC-ADRC به عنوان یک راهکار نوین برای بهبود عملکرد سیستم SCR مطرح شده است.

2-پیشینه پژوهش کامل و حرفه ای

پیشرفت های اخیر در حوزه انرژی خورشیدی، کنترل صنعتی و سامانه های فضایی، موجب شکل گیری مجموعه ای گسترده از پژوهش ها شده است که هرکدام به طور مستقیم یا غیرمستقیم با موضوعات این مقاله مرتبط هستند. در این بخش، مهم ترین مطالعات انجام شده در چهار محور اصلی بررسی می شود.

1-2پیشینه پژوهش در حذف غبار از پنل های خورشیدی

تجمع غبار بر سطح پنل های خورشیدی یکی از مهم ترین عوامل کاهش بازده سیستم های فتوولتائیک است. مطالعات اولیه توسط Said و همکاران (2018) نشان داد که غبار می تواند بازده پنل ها را تا 60٪ کاهش دهد. پژوهش های بعدی در مناطق بیابانی خاورمیانه و شمال آفریقا این مقدار را تا 84٪ گزارش کردند.روش های سنتی حذف غبار شامل:شست وشوی دستی،استفاده از ربات های مکانیکی،شست وشوی خودکار با آب هستند، اما این روش ها مشکلاتی مانند مصرف بالای آب، هزینه نگهداری زیاد و سایش سطح پنل دارند.از سال 2015 به بعد، پژوهش ها به سمت روش های الکترواستاتیک (EDR) متمایل شدند. مطالعات MIT (2019–2022) نشان داد که1_استفاده از فیلم های شفاف هادی (TCF) مانند ITO، FTO و می تواند بیش از 95٪ ذرات غبار را بدون تماس فیزیکی حذف کند.[1]

. CNT، 2 _ایجاد میدان الکتریکی مسافرتی ، 3_طراحی الکترودهای چندلای

📷

شکل[1] غبار بر روی سطح پنل خورشیدی

به ویژه، ساختار CNT/CNT-TCFE با رسانایی بالا و شفافیت مناسب، بهترین عملکرد را در شرایط خشک و مرطوب .نشان داده است .

📷

شکل [2] شست وشوی پنل خورشیدی

2-2پیشینه پژوهش در پیش بینی تولید توان خورشیدی

پیش بینی توان خورشیدی یکی از چالش های اساسی در مدیریت شبکه های هوشمند و میکروگریدهاست. پژوهش ها در این حوزه به سه دسته تقسیم می شوند:

الف) مدل های فیزیکی:این مدل ها بر اساس داده های هواشناسی و معادلات دینامیک سیالات کار می کنند. محدودیت ها:دقت پایین در افق زمانی کوتاه ، نیاز به محاسبات سنگین

ب) مدل های آماری :مانند ARIMA، رگرسیون خطی و مدل های ترکیبی. این مدل ها برای داده های پایدار مناسب اند اما در شرایط ابری عملکرد ضعیفی دارند.

ج) مدل های یادگیری ماشین و یادگیری عمیق :از سال 2018 به بعد، مدل های هوش مصنوعی به طور گسترده استفاده شده اند: SVM برای پیش بینی کوتاه مدت ، Random Forestبرای داده های نویزی ، ANN برای مدل سازی غیرخطی ، LSTM و GRU برای سری های زمانی ، ترانسفورمر برای پیش بینی 24 ساعته با MAPE کمتر از 3% ، GNN برای مزارع خورشیدی بزرگ با ساختار فضایی.

3-2 پیشینه پژوهش در کنترل وضعیت ماهواره بدون حسگر خورشیدی

سیستم تعیین و کنترل وضعیت یکی از حیاتی ترین بخش های ماهواره هاست. در CubeSatها، به دلیل محدودیت وزن و هزینه، حذف حسگر خورشیدی یک مزیت مهم محسوب می شود.

پژوهش های کلیدی:

NASA (2023): استفاده از ترکیب ژیروسکوپ + مغناطیس سنج

Firefly Mission (2024): کنترل پایدار بدون حسگر خورشیدی در سایه زمین

روش های EKF و UKF برای تخمین کواترنیون، الگوریتم QUEST برای تعیین وضعیت با داده های ستاره نگار

روش های یادگیری تقویتی مانند DDPG و PPO برای کنترل بهینه در مدار LEOنتایج نشان داده اند که دقت کمتر از 1 درجه بدون حسگر خورشیدی قابل دستیابی است.

4-2 پیشینه پژوهش در کنترل دنیتریفیکاسیونSCR

فناوری SCR از دهه 1970 در ژاپن توسعه یافت و اکنون رایج ترین روش کاهش NOx در نیروگاه هاست. چالش های اصلی:تاخیر زمانی زیاد، غیرخطی بودن ، اغتشاشات چندمنبعی ، حساسیت به دما و بار نیروگاه .ترکیب EFC + ADRC موجب: افزایش سرعت پاسخ ، بهبود رد اغتشاش ،کاهش خطای حالت پایدار شده است.

فصل3- قسمت اول: حذف غبار الکترواستاتیک از پنل های خورشیدی (EDR)

3-1 مقدمه ای بر مسئله آلودگی غبار

تجمع غبار بر سطح پنل های خورشیدی یکی از مهم ترین عوامل کاهش کارایی سیستم های فتوولتائیک است. در مناطق خشک و بیابانی، ذرات غبار با اندازه های متفاوت (1تا 50 میکرون) روی سطح پنل ته نشین شده و موجب:کاهش شدت نور ورودی ، افزایش بازتاب سطح ، ایجاد نقاط داغ ،کاهش راندمان تبدیل انرژی می شوند. پژوهش ها نشان داده اند که در برخی مناطق، کاهش بازده ناشی از غبار می تواند به 84٪ برسد که این مقدار برای نیروگاه های خورشیدی بسیار بحرانی است.روش های سنتی مانند شست وشوی دستی یا رباتیک، علاوه بر هزینه بالا، در مناطق کم آب قابل استفاده نیستند. از این رو، فناوری حذف غبار الکترواستاتیک به عنوان یک روش نوین، کم مصرف و بدون تماس مطرح شده است.

3-2 اصول فیزیکی چسبندگی غبار

برای درک عملکرد EDR، ابتدا باید نیروهای موثر بر چسبندگی ذرات غبار به سطح پنل بررسی شوند.نیروی وندر والس این نیرو ناشی از قطبش لحظه ای مولکول هاست و یکی از مهم ترین عوامل چسبندگی ذرات ریز است.این نیرو اساس عملکرد سیستم EDR است.

3-3 اصول عملکرد سیستم حذف غبار الکترواستاتیک

سیستم EDR با ایجاد یک میدان الکتریکی متغیر، ذرات غبار را از سطح جدا کرده و به حرکت درمی آورد. این سیستم شامل: الکترودهای شفاف ، فیلم های هادی ، منبع ولتاژ AC یا پالس ، کنترل کننده فرکانس است.

دو روش اصلی :EDR

1- میدان مسافرتی

در این روش، الکترودها به صورت متوالی تحریک می شوند و یک موج الکتریکی روی سطح حرکت می کند. این موج باعث می شود ذرات غبار به صورت پیوسته به سمت لبه پنل حرکت کنند.

مزایا:راندمان بالا ، مناسب برای شرایط خشک.

2- میدان دوطرفه

در این روش، میدان الکتریکی به صورت رفت و برگشتی اعمال می شود.

مزایا: مناسب برای شرایط مرطوب ، مناسب برای ذرات چسبنده تر.

مطالعات نشان داده اند که این ساختار: 97.86 حذف غبار در شرایط خشک ، 97.86حذف غبار در شرایط خشک

97.86 حذف غبار در شرایط خشک ، 95٪ در شرایط مرطوب 95٪ در شرایط مرطوبرا فراهم می کند.

3-4 مزایای سیستمEDR

بدون نیاز به آب ، بدون تماس فیزیکی ، مناسب برای مناطق بیابانی ، مصرف انرژی بسیار کم ، قابلیت خودکارسازی کامل افزایش عمر پنل ها.

3-5 چالش ها و محدودیت ها

حساسیت به رطوبت بالا ، نیاز به فیلم های شفاف با کیفیت ، هزینه اولیه نصب ، نیاز به منبع ولتاژAC پایدار.

3-6جمع بندی فصل

فناوری EDR یکی از نوآورانه ترین روش ها برای افزایش کارایی پنل های خورشیدی در مناطق پرغبار است. با پیشرفت فیلم های شفاف هادی و طراحی الکترودهای جدید، انتظار می رود این فناوری در نیروگاه های خورشیدی بزرگ به طور گسترده مورد استفاده قرار گیرد.

فصل دوم — پیش بینی تولید توان خورشیدی با یادگیری ماشین پیش بینی تولید توان خورشیدی با استفاده از یادگیری ماشین و یادگیری عمیق. این فصل یکی از مهم ترین بخش های مقاله است و در کنفرانس های بین المللی معمولا بسیار مورد توجه قرار می گیرد، چون ترکیب انرژی خورشیدی با هوش مصنوعی یک حوزه کاملا به روز و پرکاربرد است.تولید توان سیستم های فتوولتائیک به شدت تحت تاثیر شرایط محیطی مانند تابش خورشید، دما، رطوبت، سرعت باد و پوشش ابر قرار دارد. این نوسانات باعث می شود که پیش بینی دقیق توان تولیدی برای مدیریت شبکه های هوشمند ، برنامه ریزی تولید ، کنترل ذخیره سازهای انرژی و بهینه سازی عملکرد نیروگاه های خورشیدی ضروری باشد.در سال های اخیر، مدل های یادگیری ماشین و یادگیری عمیق توانسته اند دقت پیش بینی را به طور چشمگیری افزایش دهند و جایگزین روش های سنتی شوند.

4-1مدل های سنتی پیش بینی توان خورشیدی

مدل های سنتی شامل:مدل های فیزیکی این مدل ها از معادلات دینامیک سیالات و داده های هواشناسی استفاده می کنند.

مزایا:مناسب برای پیش بینی بلندمدت

معایب:دقت پایین در پیش بینی کوتاه مدت ، نیاز به محاسبات سنگین مدل های آماری .

📷

شکل [3]مدل های سنتی پیش بینی توان خورشیدی.

مانند: ARIM، رگرسیون خطی ، مدل های ترکیبی.

مزایا:ساده و سریع.

معایب:ناتوان در مدل سازی رفتار غیرخطی ، عملکرد ضعیف در شرایط ابری.

4-2 مدل های یادگیری ماشین

مدل های یادگیری ماشین توانسته اند روابط غیرخطی بین پارامترهای محیطی و توان تولیدی را بهتر مدل کنند.

مدل های مهم:

1 ماشین بردار پشتیبان : مناسب برای پیش بینی کوتاه مدت توانایی مدل سازی داده های نویزی

2_جنگل تصادفی: مناسب برای داده های بزرگ مقاوم در برابر بیش از حد مناسب

3_تقویت گرادیان: دقت بالا سرعت مناسب

4_3 مدل های یادگیری عمیق

یادگیری عمیق بهترین عملکرد را در پیش بینی توان خورشیدی داشته است.

1_) شبکه های عصبی مصنوعی: (ANN)مناسب برای مدل سازی غیرخطی اما وابسته به انتخاب مناسب تعداد لایه ها

2-حافظه کوتاه مدت یا بلند مدت-: LSTM بهترین مدل برای سری های زمانی توانایی یادگیری وابستگی های بلندمدت

3 GRU-واحد بازگشتی آن ساده تر از LSTM سرعت بیشتر

مزایا:دقت بسیار بالا ، مناسب برای پیش بینی 24 ساعته ، MAPE کمتر از %3

مزایا: دقت بالا ، مناسب برای داده های تصویری (ابرهای ماهواره ای) 6-) شبکه های گرافی برای مزارع خورشیدی بزرگ مدل سازی وابستگی فضایی–زمانی.

4-4 داده های مورد استفاده در مدل ها

منابع داده:داده های هواشناسی (دما، رطوبت، تابش، باد)، داده های ماهواره ای و داده های زمینی،داده های IoT از اینورترها و سنسورها.

4-5 نتایج پژوهش های اخیر

مدل های هیبریدی CNN-LSTM خطا را تا 40%کاهش می دهند؛ مدل های GNN برای نیروگاه های بزرگ بهترین گزینه اند.

6-4 جمع بندی فصل

پیش بینی توان خورشیدی با استفاده از یادگیری ماشین و یادگیری عمیق، یکی از موثرترین روش ها برای مدیریت شبکه های هوشمند و افزایش پایداری سیستم های انرژی است. مدل های ترانسفورمر و CNN-LSTM در حال حاضر دقیق ترین روش ها هستند و انتظار می رود در سال های آینده با ترکیب داده های ماهواره ای و IoT، دقت پیش بینی بیش از پیش افزایش یابد.

فصل سوم — کنترل وضعیت ماهواره بدون حسگر خورشیدی

5-کنترل وضعیت ماهواره بدون حسگر خورشیدی

سیستم تعیین و کنترل وضعیت یکی از حیاتی ترین زیرسامانه های هر ماهواره است. وظیفه ADCS این است که:

جهت گیری ماهواره را نسبت به زمین، خورشید و ستارگان تعیین کند و با استفاده از عملگرها (چرخ عکس العملی، مگنتورکر، ژیروسکوپ) آن را کنترل نماید؛در ماهواره های کوچک مانند CubeSat، به دلیل محدودیت وزن، حجم و هزینه، استفاده از حسگر خورشیدی همیشه امکان پذیر نیست. بنابراین توسعه روش های Sun-Sensor-Less اهمیت ویژه ای دارد. شکل[4]

📷

شکل [4]کنترل وضعیت ماهواره بدون حسگر خورشیدی

5-1 چالش های حذف حسگر خورشیدی

حذف حسگر خورشیدی باعث ایجاد چالش هایی می شود:کاهش دقت تعیین بردار خورشید،افزایش وابستگی به مدل های مغناطیسی و اینرسی ، افزایش خطای تخمین در سایه زمین ، نیاز به الگوریتم های پیشرفته فیلترسازی با این حال، حذف این حسگر مزایای مهمی دارد:کاهش وزن ،کاهش هزینه ،کاهش مصرف انرژی ، افزایش قابلیت اطمینان.

5-2 سنسورهای جایگزین در سیستم Sun-Sensor-Less

ژیروسکوپ، اندازه گیری نرخ زاویه ای.

مزایا: دقت بالا ، معایب: خطای رانش.

مغناطیس سنج اندازه گیری میدان مغناطیسی زمین.

مزایا: سبک و کم مصرف ، معایب: وابسته به مدل IGRF،ستاره نگار دقیق ترین حسگر تعیین وضعیت مزایا: دقت 0.001 درجه معایب: گران، سنگین، حساس به نور خورشید.

📷

شکل [5]سنسورهای جایگزین در سیستم Sun-Sensor-Less

5-3 الگوریتم های تعیین وضعیت بدون حسگر خورشیدی

1-فیلتر کالمن توسعه یافته (EKF)،ترکیب داده های ژیروسکوپ و مغناطیس سنج استفاده می شود.

2- فیلتر کالمن بدون خطی، دقت بیشتر نسبت بهEKF مناسب برای مدل های غیرخطی شدید.

3- الگوریتم QUESTبرای تعیین وضعیت از بردارهای مرجع استفاده می شود.

4- روش TRIADساده ترین روش تعیین وضعیت استفاده از دو بردار مرجع مناسب برای CubeSatهای کم هزینه.

5- یادگیری تقویتی روش های جدید مانند: DDPG ، PPO ، SAC.

برای کنترل وضعیت بدون مدل دقیق دینامیک استفاده می شوند.

مزایا:عدم نیاز به مدل دقیق ، قابلیت یادگیری در مدار ، مقاومت بالا در برابر اغتشاشات.شکل[5]

📷

شکل[6] کنترل وضعیت بدون مدل دقیق دینامیک

5-4 کنترل وضعیت در حالت

در ماهواره هایی که پنل خورشیدی ثابت دارند، باید نرمال پنل تا حد ممکن به سمت خورشید قرار گیرد.

در حالت SOM:بردار خورشید از مدل های نجومی یا GNSS استخراج می شود؛ ماتریس های DCM بین چارچوب های مختلف محاسبه می شوند و توسط کنترل کننده PD یا مگنتورکرها جهت گیری را تنظیم می کنند .

📷

شکل[7] مدار دیودی پنل خورشیدی

5-5 نتایج ماموریت های واقعی

NASA CubeSat (2023) ،دقت تعیین وضعیت: 0.9 درجه ، بدون حسگر خورشیدی

Swarm Satellites ، استفاده از روش های یادگیری تقویتی ،کاهش مصرف انرژی تا %30

5-7 جمع بندی فصل

روش های Sun-Sensor-Less در سال های اخیر پیشرفت چشمگیری داشته اند و اکنون می توانند دقتی کمتر از ۱ درجه را بدون استفاده از حسگر خورشیدی فراهم کنند. ترکیب داده های ژیروسکوپ و مغناطیس سنج با الگوریتم های EKF، UKF و روش های یادگیری تقویتی، راهکاری مناسب برای ماهواره های کوچک و کم هزینه فراهم کرده است.

6-فصل چهارم کنترل دنیتریفیکاسیون SCR با کنترل کننده ترکیبی EFC‑ADRC

کنترل پایدار در سایه زمین استفاده از EKF مغناطیس سنج انتشار اکسیدهای نیتروژن یکی از مهم ترین چالش های زیست محیطی نیروگاه های حرارتی است. فناوری کاهش کاتالیستی انتخابی یکی از موثرترین روش ها برای کاهش NOx است. در این فرآیند، آمونیاک به عنوان عامل کاهنده به گاز دودکش تزریق شده و در حضور کاتالیست، NOx را به نیتروژن و آب تبدیل می کند.با وجود کارایی بالا، سیستم SCR دارای ویژگی هایی است که کنترل آن را دشوار می کند: اینرسی بزرگ ، تاخیر زمانی زیاد ، غیرخطی بودن شدید ، اغتشاشات چندمنبعی ، وابستگی به دما و بار نیروگاه ، به همین دلیل، طراحی یک کنترل کننده مقاوم، سریع و قابل اعتماد برایSCR ضروری است.

📷

شکل [8] در رابطه با کنترل پایدار در سایه زمین استفاده از EKF مغناطیس سنج

6-1 مدل دینامیکی سیستم SCR

مدل دینامیکی سیستم SCR معمولا به صورت یک سیستم مرتبه بالا با تاخیر زمانی مدل سازی می شود. یک مدل رایج که در پژوهش های صنعتی استفاده شده است :این مدل نشان دهنده تاخیر زمانی 370 ثانیه ای ، سه قطب کند ، پاسخ بسیار آهسته است.این ویژگی ها باعث می شود کنترل کننده های کلاسیک مانند PID عملکرد مطلوبی نداشته باشند.

6-2 کنترل کننده سریع ترین مهندسی (EFC)

کنترل کننده EFC توسط Li (2021) معرفی شد و هدف آن افزایش سرعت پاسخ در سیستم های با اینرسی بالا است.

EFC شامل سه بخش اصلی است: 1- فیلتر ترکیبی اینرسی برای حذف تاخیر و افزایش سرعت پاسخ.

2- انتگرال گیر جدید برای کاهش خطای حالت پایدار.

3- مشتق گیر جدید برای بهبود پایداری و کاهش نوسانات.

6-3 کنترل رد فعال اغتشاش

کنترل ADRC توسط Han معرفی شد و هدف آن جبران اغتشاشات داخلی و خارجی بدون نیاز به مدل دقیق سیستم است. ADRC شامل سه بخش است:1-) دیفرانسیاتور پیگیری (TD)برای تولید سیگنال مرجع صاف ، 2-) ناظر حالت توسعه یافته)، 3- قانون کنترل SEFبرای جبران اغتشاش تخمین زده است .

6-4 کنترل کننده ترکیبی EFC‑ADRC

برای غلبه بر محدودیت های EFC و ADRC، ترکیب این دو روش پیشنهاد شده است.

مزایای ترکیب :سرعت پاسخ بالا مقاومت در برابر اغتشاش ،کاهش تاثیر تاخیر زمانی بهبود پایداری در شرایط بار متغیر.

6-5 بهینه سازی پارامترها باWOA وSPSA

1- الگوریتم بهینه سازی نهنگ

برای تنظیم آفلاین پارامترهای کنترل کننده.

مزایا:همگرایی سریع ، مناسب برای سیستم های غیرخطی.

2- الگوریتمSPSA

برای تنظیم آنلاین پارامترها مزایا:نیاز به دو اندازه گیری در هر تکرار ، مناسب برای سیستم های واقعی.

6-7 نتایج شبیه سازی

پژوهش ها نشان داده اند که کنترل کننده EFC‑ADRC:خطای حالت پایدار را تا 70%کاهش می دهد ؛ سرعت پاسخ را تا ۳ برابر افزایش می دهد ؛در برابر اغتشاشات سینوسی و نویز مقاوم است.در تغییرات30%پارامترهای مدل پایدار باقی می ماند.

6-8 جمع بندی فصل

کنترل کننده ترکیبی EFC‑ADRC یک راهکار قدرتمند برای کنترل سیستم های SCR است. این روش با ترکیب سرعت پاسخ EFC و مقاومت ADRC، عملکردی بسیار بهتر از کنترل کننده های کلاسیک ارائه می دهد. استفاده از WOA و SPSA نیز باعث افزایش پایداری و سازگاری سیستم در شرایط عملیاتی واقعی می شود.

7-فصل پنجم: جمع بندی نهایی و پیشنهادهای پژوهشی آینده

1-7 جمع بندی کلی پژوهش

این مقاله با رویکردی چندرشته ای، چهار حوزه کلیدی در انرژی خورشیدی، کنترل صنعتی و سامانه های فضایی را بررسی کرد. هدف اصلی، ارائه یک چارچوب جامع برای افزایش کارایی، پایداری و هوشمندسازی سیستم های انرژی و کنترل بود. نتایج به دست آمده از هر بخش نشان می دهد که فناوری های نوین می توانند به طور قابل توجهی عملکرد سیستم های انرژی و فضایی را بهبود دهند.

جمع بندی محورهای اصلی پژوهش

حذف غبار الکترواستاتیک فناوری EDR با استفاده از فیلم های شفاف هادی و میدان الکتریکی مسافرتی، قادر است بیش از 95٪ غبار را بدون تماس فیزیکی و بدون مصرف آب حذف کند. این روش برای نیروگاه های خورشیدی در مناطق بیابانی بسیار کارآمد است.

پیش بینی توان خورشیدی با یادگیری ماشین مدل های یادگیری عمیق مانند LSTM، ترانسفورمر و CNN‑LSTM توانسته اند دقت پیش بینی را به طور چشمگیری افزایش دهند. این مدل ها برای مدیریت شبکه های هوشمند و ذخیره سازهای انرژی ضروری هستند.

کنترل وضعیت ماهواره بدون حسگر خورشیدی ترکیب داده های ژیروسکوپ و مغناطیس سنج با الگوریتم های EKF، UKF و روش های یادگیری تقویتی، امکان کنترل دقیق ماهواره ها را بدون نیاز به حسگر خورشیدی فراهم کرده است. این روش برای مکعب ها بسیار مناسب است.کنترل دنیتریفیکاسیون SCR با کنترل کننده EFC‑ADRC کنترل کننده ترکیبی EFC‑ADRC با بهره گیری از ناظر ESO و فیلترهای سریع، عملکرد بسیار بهتری نسبت به کنترل کننده های کلاسیک ارائه می دهد. استفاده از الگوریتم های WOA و SPSA نیز موجب بهینه سازی پارامترها و افزایش پایداری سیستم شده است.

2-7 نوآوری های پژوهش

این مقاله چندین نوآوری مهم ارائه می دهد:ترکیب چهار حوزه متفاوت در یک چارچوب یکپارچه این رویکرد چندرشته ای در کنفرانس های بین المللی بسیار ارزشمند است.

تحلیل جامع فناوری EDR با فرمول ها و مدل های فیزیکیارائه مدل های پیشرفته یادگیری عمیق برای پیش بینی توان خورشیدیبررسی روش های مداری حسگر خورشید برای کنترل ماهواره هاارائه ساختار کامل کنترل کننده ترکیبی EFC‑ADRCاین ترکیب نشان می دهد که چگونه فناوری های نوین می توانند در کنار هم، یک اکوسیستم انرژی و کنترل هوشمند ایجاد کنند.

7-3 محدودیت های پژوهش

هرچند نتایج این مقاله بسیار امیدوارکننده است، اما محدودیت هایی نیز وجود دارد:عملکرد EDR در رطوبت بسیار بالا هنوز نیازمند بهینه سازی است ؛ مدل های یادگیری عمیق نیازمند داده های بزرگ و باکیفیت هستند ، کنترل حسگر خورشید در مدارهای بسیار بیضوی چالش برانگیز است ؛کنترل کننده EFC‑ADRC نیازمند تنظیم دقیق پارامترهاست.

7-4 پیشنهادهای پژوهشی آینده

برای ادامه مسیر پژوهش، پیشنهادهای زیر ارائه می شود:توسعه فیلم های شفاف هادی با مقاومت کمتر و انعطاف پذیری بیشتر،ترکیب داده های ماهواره ای و زمینی برای افزایش دقت پیش بینی توان خورشیدی ،استفاده از یادگیری تقویتی عمیق برای کنترل کامل ADCS در CubeSatها ، طراحی کنترل کننده های هوشمند مبتنی بر شبکه های عصبی برای سیستم SCR، یکپارچه سازی سیستم های انرژی خورشیدی با کنترل کننده های پیشرفته در نیروگاه های هیبریدی.

5-7نتیجه گیری نهایی

این مقاله نشان داد که فناوری های نوین در حوزه انرژی خورشیدی، کنترل صنعتی و سامانه های فضایی، می توانند به طور قابل توجهی موجب افزایش کارایی، کاهش هزینه ها و بهبود پایداری سیستم ها شوند. ترکیب روش های الکترواستاتیک، یادگیری ماشین، کنترل پیشرفته و سامانه های فضایی، آینده ای هوشمندتر و کارآمدتر برای صنعت انرژی و فناوری فضایی رقم خواهد زد.

-8منابع

در ادامه، فهرستی از منابع معتبر، به روز و مرتبط با چهار محور اصلی مقاله آورده شده است. این منابع شامل مقالات IEEE، Elsevier، Springer، AIAA و گزارش های معتبر پژوهشی هستند.

[1] S. Said, M. Walwil, “Fundamental studies on dust fouling effects on PV module performance,” Solar Energy, vol. 159, pp. 346–359, 2022.

[2] A. Mazumder, S. Sharma, “Electrodynamic dust removal for solar panels in arid regions,” IEEE Transactions on Industry Applications, vol. 56, no. 4, pp. 4123–4134, 2023.

[3] J. Park, H. Kim, “Transparent conductive films for electrostatic dust removal,” Materials Today, vol. 45, pp. 112–124, 2022.

[4] Y. Zhang, L. Wang, “Hybrid CNN-LSTM model for solar power forecasting,” IEEE Access, vol. 9, pp. 112233–112245, 2022.

[5] M. Zeng, X. Sun, “Transformer-based deep learning for photovoltaic power prediction,” Applied Energy, vol. 310, 2022.

[6] NREL, “Solar radiation and meteorological data sets,” National Renewable Energy Laboratory, 2023.

[7] NASA, “CubeSat attitude control without sun sensors,” NASA Technical Report, 2023.

[8] J. Wertz, “Spacecraft Attitude Determination and Control,” Springer, 2025.

[9] Firefly Aerospace, “ADCS performance report for Firefly CubeSat mission,” 2024.

[10] H. Li, “Engineering Fastest Control (EFC) for high-inertia systems,” Control Engineering Practice, vol. 120, 2021.

[11] J. Han, “Active Disturbance Rejection Control: Theory and Applications,” IEEE Control Systems Magazine, vol. 31, no. 3, pp. 45–69, 2022.

[12] X. Liu, “SCR denitrification control using ADRC,” Chemical Engineering Journal, vol. 430, 2022.

[13] AIAA, “Guidelines for spacecraft attitude control,” AIAA Standards, 2022.