افزایش بازدهی سیستم‌های فتوولتائیک با استفاده از روش‌های هوشمند

سیستم‌های فتوولتائیک به‌عنوان یکی از منابع اصلی انرژی تجدیدپذیر، تحت‌تاثیر تغییرات تابش و دما دچار نوسان عملکرد می‌شوند و این موضوع بازدهی آن‌ها را کاهش می‌دهد. کنترل‌کننده‌های متداول با ضرایب ثابت توانایی انطباق کافی با شرایط متغیر محیطی را ندارند. در این مقاله، یک ساختار دولایه بر پایه سیستم استنتاج عصبی فازی تطبیقی ارائه می‌شود. در مرحله نخست، استنتاج عصبی فازی تطبیقی برای تخمین توان بیشینه بر اساس داده‌های تابش و دما به‌کار گرفته می‌شود. در مرحله دوم، یک استنتاج عصبی فازی تطبیقی دیگر جهت تنظیم ضرایب کنترل‌کننده تناسبی انتگرالی طراحی می‌شود تا توان تخمینی به‌طور موثر محقق گردد. نتایج شبیه‌سازی نشان می‌دهند که رویکرد پیشنهادی موجب افزایش بازدهی، کاهش نوسانات توان خروجی و بهبود پایداری سیستم خورشیدی در شرایط مختلف محیطی می‌شود.

increasing the efficiency of the photovoltaic systems using intelligent methods

photovoltaic (pv) systems, as one of the main renewable energy sources, are affected byvariations in irradiance and temperature, which reduce their efficiency by causing performancefluctuations. conventional controllers with fixed coefficients are not able to adapt sufficientlyto the changing environmental conditions. in this paper, a dual-layer structure based onadaptive neuro-fuzzy inference system (anfis) is proposed. in the first stage, anfis isemployed to estimate the maximum power according to irradiance and temperature data. in thesecond stage, another anfis model is designed to adjust the coefficients of a proportional–integral controller so that the estimated power is effectively achieved. simulation results showthat the proposed approach improves efficiency, reduces output power oscillations, andenhances the stability of the pv system under different environmental conditions.