یک MPPT مبتنی بر شبکه عصبی فازی جدید با چند مدل برای سیستم فوتوولتاییک با سه شبکه فازی پیوسته

قیمت: 40,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

یک MPPT مبتنی بر شبکه عصبی فازی جدید با چند مدل برای سیستم فوتوولتاییک با سه شبکه فازی پیوسته

عنوان لاتین

A novel multi-model neuro-fuzzy-based MPPT for three-phase grid-connected photovoltaic system

این مقاله یک روش جدید برای ردیابی نقطه ای با حداکثر توان (MPPT) در یک سیستم فوتوولتاییک با شبکه متصل 20kW (PV) با استفاده از یک شبکه عصبی فازی ارائه می کند. روش ارائه شده، ولتاژ PV مرجع را پیش بینی می کند که تضمین کننده انتقال توان بهینه بین ژنراتور PV و شبکه اصلی مورد هدف است. شبکه عصبی فازی از یک طبقه بندی مبتنی بر قواعد فازی و سه شبکه عصبی مصنوعی چندلایه (ANN) تشکیل شده است. ورودی های شبکه (تابش و دما) قبل از اینکه به ANN مناسب وارد شوند، برای آموزش و فرایند تقریبی، طبقه بندی می شوند در حالی که خروجی ولتاژ مرجع است. مزیت اصلی روش ارائه شده در مقایسه با یک روش مبتنی بر شبکه های عصبی تکی معمولی، توانایی تعمیم مجزا در مورد رفتار غیر خطی و دینامیک یک ژنراتور PV است. در واقع شبکه عصبی فازی، یک ماشین با چند مدل مبتنی بر شبکه عصبی است که دسته ای از مدل های موضعی را آموزش می دهد که رفتار غیرخطی و پیچیده یک ژنراتور PV تحت محدوده وسیعی از شرایط عملکردی را شبیه سازی می کنند. نتایج شبیه سازی تحت چندین تغییر سریع تابش ثابت کرد که روش MPPT ارائه شده، بازده بالایی را در مقایسه با یک شبکه عصبی تکی معمولی و الگوریتم آشفتگی و مشاهده (P&O) دارد.

This paper presents a novel methodology for Maximum Power Point Tracking (MPPT) of a grid-connected 20 kW photovoltaic (PV) system using neuro-fuzzy network. The proposed method predicts the reference PV voltage guarantying optimal power transfer between the PV generator and the main utility grid. The neuro-fuzzy network is composed of a fuzzy rule-based classifier and three multi-layered feed forwarded Artificial Neural Networks (ANN). Inputs of the network (irradiance and temperature) are classified before they are fed into the appropriated ANN for either training or estimation process while the output is the reference voltage. The main advantage of the proposed methodology, comparing to a conventional single neural network-based approach, is the distinct generalization ability regarding to the nonlinear and dynamic behavior of a PV generator. In fact, the neuro-fuzzy network is a neural network based multi-model machine learning that defines a set of local models emulating the complex and nonlinear behavior of a PV generator under a wide range of operating conditions. Simulation results under several rapid irradiance variations proved that the proposed MPPT method fulfilled the highest efficiency comparing to a conventional single neural network and the Perturb and Observe (P&O) algorithm dispositive.