نمذجة شبكة عصبونية صنعية متعددة الطبقات لتقدير نسبة التشغيل لمبدل رافع الجهد المستمر لتتبع نقطة الاستطاعة العظمى لنظم الطاقة الكهروضوئية

إيمان ديلانة

Abstract


يتناول البحث نمذجة شبكة عصبونية صنعية متعددة الطبقات ذات تغذية أمامية مدربة باستخدام خوارزمية الانحدار التدريجي للخطأ ذات معامل الزخم ومعدل التعلم المتغير، وذلك لتقدير خرج الشبكة العصبونية الموافق لنسبة التشغيل الأمثل لمبدل رافع الجهد المستمر اعتماداً على استخدام قياسات تغيرات كل من درجة حرارة الخلية الشمسية وشدة الإشعاع الشمسي، لتتبع نقطة الاستطاعة العظمى MPP لنظم الطاقة الشمسية الكهروضوئية. بالتالي يعتبر المتحكم DMPPT-ANN (Developed MPPT-ANN) المقترح في البحث، مستقل في عمله عن استخدام القياسات الكهربائية لخرج نظام PV لتحديد نسبة التشغيل، ودون الحاجة لاستخدام متحكم تناسبي-تكاملي PI) (Proportional Integral للتحكم في دورة عمل مبدل الجهد، وهذا من شأنه تحسين الأداء الديناميكي للمتحكم المقترح بتحديد نسبة التشغيل بدقة وسرعة فائقة.  في هذا السياق، يناقش البحث الاختيار الأمثل لهيكلية الشبكة المقترحة من حيث تحديد العدد الأمثل للطبقات الخفية والعدد الأمثل للعصبونات الموجودة فيها، بتقييم قيم متوسط مربع الخطأ ومعامل الارتباط الناتجة بعد كل عملية تدريب للشبكة العصبونية. بعد ذلك يعتمد نموذج الشبكة النهائي الذي يمتلك الهيكلية الأمثل، ليشكل المتحكم المتقرح في البحث DMPPT-ANN لتتبع نقطة MPP لنظام.PV  أظهرت نتائج المحاكاة المنجزة في بيئة Matlab/Simulink، الأداء الأفضل للمتحكم DMPPT-ANN المقترح المرتكز على نموذج الشبكة العصبونية MLFFNN، وذلك بدقة تقدير نسبة التشغيل وبتحسين سرعة استجابة نظام PV في الوصول لنقطة MPP، بالإضافة إلى التخلص بشكل نهائي من التذبذبات الناتجة في الحالة المستقرة في منحني استجابة استطاعة خرج نظام PV   مقارنة مع استخدام عدد من المتحكمات المرجعية المستخدمة: متحكم تتبع متقدم MPPT-ANN-PI مرتكز على شبكة عصبونية ANN لتقدير توتر نقطة MPP مع متحكم PI تقليدي، متحكم عائم MPPT-FLC ومتحكم تتبع تقليدي MPPT-INC يستخدم تقنية زيادة الناقلية  INC.

This research deals with the modeling of a Multi-Layers Feed Forward Artificial Neural Networks (MLFFNN), trained using Gradient Descent algorithm with Momentum factor & adaptive learning rate, to estimate the output of the neural network corresponding to the optimal Duty Cycle of DC-DC Boost Converter to track the Maximum Power Point of Photovoltaic Energy Systems. Thus, the DMPPT-ANN “Developed MPPT-ANN” controller proposed in this research, independent in his work on the use of electrical measurements output of PV system to determine the duty cycle, and without the need to use a Proportional-Integrative Controller to control the cycle of the work of the of DC-DC Boost Converter, and this improves the dynamic performance of the proposed controller to determine the optimal Duty Cycle accurately and quickly. In this context, this research discusses the optimal selection of the proposed MLFFNN structure in the research in terms of determining the optimum number of hidden layers and the optimal number of neurons in them, evaluating the values of the Mean square error and the resulting Correlation Coefficient after each training of the neural network. The final network model with the optimal structure is then adopted to form the DMPPT-ANN Controller to track the MPP point of the PV system. The simulation results performed in the Matlab / Simulink environment demonstrated the best performance of the proposed DMPPT-ANN controller based on the MLFFNN neural network model, by accurately estimating the Duty Cycle and improving the response speed of the PV system output to MPP access, , as well as finally eliminating the resulting oscillations in the steady state of the Power response curve of PV system compared with the use of  a number of reference controls: an advanced tracking controller MPPT-ANN-PI based on ANN network to estimate MPP point voltage with conventional PI controller, a MPPT-FLC and a conventional MPPT-INC uses the Incremental Conductance technique INC

References


SARAVANA, S.; PRATAP, N.; UMAYAL .A Review on Photovoltaic MPPT Algorithms. International Journal of Electrical and Computer Engineering 6, 2016, 567-582.

KUMAR, M.; Kapoor, S. R.; NAGAR, R.; VERMA, A. Comparison between IC and Fuzzy Logic MPPT Algorithm Based Solar PV System using Boost Converter. International Journal of Advanced Research in Electrical, Electronics and Instrumentation Engineering 4, 2015, 4927- 4939.

ZAHAB, E.; ZAKIB, A.; EL-SOTOUHY.M. Design and control of a standalone PV water pumping system. Journal of Electrical Systems and Information Technology 96, 2017, No. of Pages16.

MUTLAG, A.; MOHAMED, A.; SHAREEF, H. A Comparative study of artificial intelligent-based Maximum Power Point tracking for Photovoltaic Systems. International Conference on Advances in Renewable Energy and Technologies 32, 2016, 1-4.

NAGARJUNA, J.; MANJUNATHA, B. M.; MALLIKARJUNA, M. Improving efficiency of Photovoltaic System with Neural Network Based MPPT Connected to DC Shunt Motor. International Journal of Modern Engineering Research 3, 2013, 2901-2907.

HEIDARI, M. Improving Efficiency of Photovoltaic System by Using Neural Network MPPT and Predictive Control of Converter. International Journal of Renewable Energy Research, 6, 2016, 1524- 1529.

ELGHARBI, A.; MEZGHANI, D.; MAMI, A. A Maximum Power Point tracking Method based on Artificial Neural Network for PV System. International Journal of Advances in Engineering & Technology 5, 2012, 130-140.

MAKHLOUFI, T.; KHIREDDINE, S.; ABDESSEMED, Y.; BOUTARFA, A. Tracking Power Photovoltaic System using Artificial Neural Network Control Strategy. Intelligent Systems and Applications 12, 2014, 17-26.

SUGANTHI, S.; MURUGESAN, K.; RAGHAVAN, S. ANN Model of RF MEMS Lateral SPDT Switches for Millimeter Wave Applications. Journal of Microwaves, Optoelectronics and Electromagnetic Applications, 11, 2012, 130-143.


Full Text: PDF

Refbacks

  • There are currently no refbacks.


Editor in chief: Prof. Dr. Hani Chaaban

Editorial Board ,Secretary Editor:Dr. Amir Tfiha