طراحی کنترل کننده mppt مبتنی بر شبکه عصبی برای سیستم انرژی هیبرید بادی و خورشیدی

در این مقاله، یک کنترل کننده mppt برای استخراج حداکثر توان از منابع انرژی تجدیدپذیر متناوب و نامنظم به طور همزمان پیشنهاد شده است. به همین منظور، الگوریتم کنترل mppt تکی مبتنی بر rbfn برای سیستم انرژی خورشیدی و بادی هیبریدی برای کاربردهای مستقل و متصل به شبکه، طراحی و تحلیل شده است. عملکرد الگوریتم کنترل mppt پیشنهادی در هر دو حالت مستقل و متصل به شبکه، تحت شرایط آب و هوایی مختلف، تحلیل می‌شود. برای آموزش شبکه mppt مبتنی بر rbfn پیشنهادی از الگوریتم یادگیری حداقل مربعات متعامد استفاده و شبیه سازی ها در محیط سیمولینک نرم افزار متلب اجرا می گردد. نتایج شبیه سازی، عملکرد بهتر شبکه پیشنهادی در مقایسه با روش mppt مبتنی بر p&o را نشان می دهند. برای تایید توانایی کنترلر پیشنهادی شبکه، توان های اکتیو و راکتیو در این مقاله ارائه گردیدند. همچنین، mppt اصلاح شده پیچیدگی پیاده سازی سیستم هیبریدی را کاهش می دهد.

neural network based mppt controller design for wind and solar hybrid energy system

in this paper, an mppt controller is proposed to extract maximum power from intermittent and irregular renewable energy sources simultaneously. for this purpose, the single mppt control algorithm based on rbfn for solar and wind hybrid energy system for stand-alone and grid-connected applications has been designed and analyzed. the performance of the proposed mppt control algorithm is analyzed in both stand-alone and grid-connected modes under different weather conditions. to train the mppt network based on the proposed rbfn, the orthogonal least squares learning algorithm is used and the simulations are performed in the simulink environment of matlab software. the simulation results show the better performance of the proposed network compared to the mppt method based on p&o. to confirm the capability of the proposed network controller, active and reactive powers were presented in this paper. also, the modified mppt reduces the complexity of implementing the hybrid system.