بررسی جامع الگوریتم ردیابی نقطه ی توان ماکزیمم برای سیستم های فتو ولتائیک

به جهت نمایش کامل متن به همراه جداول و تصاویر میتوانید از اینجا اقدام کنید.

   چکیده     

در دهه های اخیر، انرژی فتو ولتائیک پیشرفت قابل توجهی را نسبت به نشست های مداوم افزایش تقاضای جهانی انرژی ایجاد کرده است. علاوه بر ان، موضوع تهی شدن سوخت های فسیلی مرسوم همچنین الودگی های جوی هردوی آن ها به رشد تکنولوژی PV کمک می کنند. هر چند گسترش و اجرا ی سیستم های PV نیازمند یک رقابت بزرگ است از آن جایی که قیمت مصالح PV هنوز زیاد است. تبدیل ماژول های PVکم بازده یکی دیگر از عواملی است که باعث محدودیت استفاده ی گسترده از سیستم PV می شود، بنابراین  یک مبدل قدرت  با قابلیت ردیابی نقطه ی توان ماکزیمم  یکپارچه با سیستم های PV برای پیشبرد فن آوری ضروری است. این مقاله یک بررسی جامع از از تکنیک های ردیابی نقطه ی توان ماکزیمم موجود، هم در تابش یکنواخت و هم در شرایط سایه ی جزئی فراهم آورده است. به منظور درک بهتر مفاهیم ردیابی نقطه ی توان ماکزیمم، انواع مختلفی از مدل های معادل سلول PV  نیز توضیح داده شده است. تکنیک های ردیابی نقطه ی توان ماکزیمم معمولی  توانایی خود درردیابی نقطه ی توان ماکزیمم را تحت تابش خورشیدی یکنواخت را،   ثابت کرده اند. اگر چه تحت تغییرات جوی سریع و موقعیت های سا یه ی جزئی، تکنیک های معمول از ردیابی نقطه ی درست توان ماکزیمم در مانده اند. به همین دلیل، متد های تصادفی و هوش مصنوعی با قابلیت جستجوی نقطه ی توان ماکزیمم درست تحت نقطه های چند گانه با سرعت همگرایی خوب توسعه یافته اند. هردو تکنیک ردیابی نقطه توان ماکزیمم تصادفی و معمولی با توجه به قابلیت ردیابی  نقطه ی توان ماکزیمم صحیح، پیچیدگی طراحی، در نظر گرفتن هزینه، حساسیت به تغییرات زیست محیطی و سرعت همگرایی تجزیه و تحلیل می شوند. نسبتا، الگوریتم های تصادفی و هوش مصنوعی نشان دهنده ی عملکرد ردیابی عالی هستند. تحقیق بر روی تکنیک های ردیابی نقطه ی توان ماکزیمم به سوی دست یابی به بهترین عملکرد از لحاظ اجرای آسان، هزینه های کم سیستم و بهروری ردیابی بهتر در حال انجام است . ترجمه توسط وبسایت ترجمه یار

1.مقدمه

    مطابق با اخرین متد ها، تولید برق فتوولتائیک نشان داده است که پتانسیل قابل توجهی در برآوردن تقاضای انرژی جهانی داشته باشد. از سال 2011، عملیات تولید برق خورشیدی تا 70 افزایش یافته است، که در آن سال تقریبا 30  برق خورشیدی به بازار آمد. در سال 2012، ظرفیت عملکرد کلی PV تا 100  افزایش یافت. انرژی خورشیدی از آنجایی که نوعی از انرژی های تجدید پذیر است و مزایای زیادی دارد عمومیت زیادی را به دست آورده. در مالزی، نور خورشید سرتاسر سال وجود دارد. انرژی خورشیدی هیچ هزینه ی سوختی را ارائه نمی دهد.، هیچگونه آلودگی ندارد وبه کوچکترین نگهداری نیز احتیاجی ندارد. نرم افزارهای پیشرفته ی زیادی از PVوجود دارد که ارائه شده است. بنابراین، گسترش و اجرای سیستم های فتوولتائیک هنوز به خاطرهزینه بالا سرمایه گذاری اولیه به یک چالش بزرگ باقی می ماند. این تنها قیمت سری خورشیدی نیست که باید در نظر گرفته شود بلکه قیمت تجهیزات برای مبدل انرژی هم باید در نظر گرفت. این بدین معنی است که انرژی تولید شده با PV در مقایسه با تولید انرژی های متعارف، زیاد است. علاوه بر این، هیچ تضمینی وجود ندارد که انرژی تولید شده توسط سری خورشیدی ثابت بماند، زیرا به طور کامل به تابش خورشیدی و دمای محیطی بستگی دارد. دوم اینکه، انرژی تولید شده توسط خورشید توسط بازده کم ماژول  PV محدود شده است. خلاصه این که، یک مبدل نیرو با قابلیت ردیابی نقطه توان ماکزیمم( MPPT) در همه ی سیستم های PV برای تضمین حصول بهترین انرژی از غالب شرایط محیطی نیاز است.

      مطالعات زیادی بر رو ی تکنیک های ردیابی نقطه توان ماکزیمم صورت گرفته است. برای مثال، تکنیک های  اختلال و مشاهده(P&O ) و تپه نوردی(H&C) به طور گسترده ای به عنوان ردیاب نقطه توان ماکزیمم به خاطر سهل الاجرا بودن و نیاز کمتر به سنسورها ، استفاده می شوند. الگوریتم رسانایی نموی که رسانایی های نموی و آنی را مقایسه می کند ، قادر است که نقطه توان ماکزیمم یک سیستم PV را ردیابی کند و انرژی زیاد PV را به بار الکتریکی انتقال دهد. 

کنترل همبستگی موج دار شدنRCC موج را به استراتژی کنترل با کمک تعویض مبدل به کنترل MPPT معرفی کرده است.  این تکنیک در تابش خورشیدی زیاد خیلی خوب کار می کند اما بازده ردیابی در تابش خورشیدی کم افت می کند. متناوبا، با ریزش بار الکتریکی سری خورشیدی، جریان و ولتاژ در نقطه ی توان ماکزیمم (MPP)،  و  از سیستم PV می تواند توسط تکنیک های جریان کوتاه ، و ولتاژ اتصال کوتاه تعیین شود. بنابراین اشکال اصلی این ردیاب نقطه توان ماکزیمم موجود در این متد ردیابی همانطور که به وسیله ی این رابطه ی نسبی به و به نشان داده شد، نامعلوم است. ترجمه توسط وبسایت ترجمه یار

     در سال های اخیر، تحقیقات بیشتر بر روی ردیابی نقطه ی توان ماکزیمم PV انجام شده و تاثیر سایه ی جزئی در نظر گرفته شده است. محققان دریافتند که متد های متعارف عملکرد ضعیفی را در ردیابی نشان می دهند و بسیاری از آنها نیز قادر به ردیابی نقطه توان ماکزیمم درست تحت سایه ی جزئی( سری خورشیدی) نیستند.  به خاطر بی فایده بودن الگوریتم های ردیابی نقطه ی توان ماکزیمم متعارف، بسیاری ازتکنیک های  الگوریتم های تصادفی مبنا و هوش مصنوعی  گسترش یافته اند.

     این الگوریتم های جدید ردیابی نقطه توان ماکزیمم، با الهام از طبیعت و ساختار بیولوژیکی برای به حداکثر رساندن قدرت خروجی از سری PV توسعه یافته اند. آنها:  بهینه سازی اجتماع جزئی(PSO)، تکامل تفاضلی(DE)، الگوریتم ژنتیک(GA) و شبکه های عصبی مصنوعی(ANN) را شامل می شوند. ترجمه توسط وبسایت ترجمه یار

     علاوه بر آن، کنترل منطق فازی که بر پایه ی تفسیر منطقی اطلاعات است،  می تواند راه حل افزایش توان ماکزیمم تحت سایه ی جزئی و شرایط تغییرات جوی سریع را پیدا کند.  امروزه، مقالات تحقیقی بسیاری وجود دارد که  عملکرد هر یک از تکنیک های ردیابی نقطه ی توان ماکزیمم را بیان کرده و مقایسه نموده است. با این وجود، بررسی های نوشته شده به روز نیستند و همه ی تکنیک های ردیابی نقطه ی توان ماکزیمم موجود را در هر دو شرایط تابش یکنواخت و سایه ی جزئی در بر نمی گیرند. اما، این مقاله برای بررسی تکنیک های موجود ردیابی تقطه ی توان ماکزیمم موجود به طور جامع نوشته شده؛ و هر دو شرایط تابش یکنواخت و سایه ی جزئی را شامل می شود. این مقاله همانطور که در ذیل آمده است سازمان یافته است؛ که در قسمت بعدی به طور خلاصه چهار مدل سلول های PV شرح داده می شوند. بخش بعدی یک نمای کلی از ویژگی های سایه ی جزئی به دنبال ویژگی های MPPT را ارائه می کند. تکنیک های ردیابی نقطه ی توان ماکزیمم در دودسته تقسیم شده اند: متد متعارف برای تابش خورشیدی یکنواخت؛ و تکنیک های الگوریتم تصادفی مبنا و هوش مصنوعی برای شرایط سایه ی جزئی.  در پایان، مقایسه و بحث بر سر تکنیک های ردیابی نقطه توان ماکزیمم توضیح داده شده و نتیجه گیری ها ارائه شده است.

2. خصوصیات فتو ولتائیک

     فوتو ولتائیک از دو کلمه ی مجزا PHOTO که به معنی نور، وvoltaic  که به تولید برقاشاره دارد نشئت می گیرد. بنابر این، فتوولتائیک معنای تولید برق به طور مستقیم از طریق خورشید را بهذهن می آورد. سری های خورشیدی شامل ترکیبچندین ماژول خورشیدی می شود؛ که هر یک از این ماژول ها از چندین سلول خورشیدی ساخته شده اند. نوشته شده است که سلول های خورشیدی از مواد نیمه رسانا ساخته شده اند؛ که به طور عادی از کریستال سیلیکون درست شده اند.ترجمه توسط وبسایت ترجمه یار

    با توجه به نوشته ها، انواع کمی از مدل های جریان مساوی برای نشان دادن سلول های PV وجود دارد. یکی از شناخته شده ترین مدل مدار، مدل عمومی است که یک دیود با یک مقاومت سرس و یک مقاومت شانت دارد.

همانطور که در تصویر شماره 1 نشان داده شده است، میزان انرژی تولید شده توسط PV به وسیله ی جریان IPH نشان داده شده، که متناسب با تابش خورشیدی است. رشته های مقاومت، یک مقاومت داخلی را نشان می دهند در حالی که مقاومت موازی نشان دهنده ی کمبود جریان است.

      معادله ریاضی ای که توصیف کننده ی این سلول PV است به شکل زیر داده شده است:

   (1)

خصوصیات دیود توسط معادلات زیر توصیف شده اند:

ولتاژ دیود با معادله ی زیر توصیف شده است:

جریان نوری  در فرمول زیر آمده است:

متغیر ها به صورت زیر تعریف می شوند

  اشباع سلول جریان تاریک است، VT ولتاژ گرمای ماژول های PV است که مساوی با ,KT/q, qشارژ الکترون است(  K ,(1.6× وی با شارژ الکترون است شده است: ترجمه توسط وبسایت ترجمه یار
K بولتزمام ثابت است که باJ/K1.38×   برابر است،

T دمای اتصال در واحد کلوین است، فاکتور های ایده آل دیود است که به تکنولوژی PV بستگی دارد. جریان اتصال کوتاه سلول است در موقعیت های استاندارد آزمایش 25°C)و 1000W/ )، ضریب جریان اتصال کوتاه سلول است،  دمای مرجع سلول است،λتابش خورشیدی را در واحدW/  نشان می دهد.

دیگر مدل PV که برای توصیف رفتار سلول PV دقیق تر است مدل دو دیوده است؛ همانطور که در تصویر شماره ی دو مشاهده می کنید.  مدل دو دیوده شامل جریان نوری دو دیود موازی و یک مقاومت موازی و یک سری مقاومت می شود.  توضیحات ریاضی آن در ذیل امده است(5)، (6)،(7).ترجمه توسط وبسایت ترجمه یار

متغیر ها، و  فاکتور های ایده آل دیود هستند، که به تکنولوژی PV بستگی دارند به ترتیب برای دیود1و دیود2.

      مدل سلول PV دو دیوده، هرچند پارامتر های زیادی نیاز دارد اما بیشتر از مدل تک دیود در نظر گرفته می شود. علاوه بر این، به خاطر مدل ضمنی و غیر خطی مدل PV این مدل به ندرت استفاده میشود. یک مدل فتوولتائیک دو دیوده ساده و سریع که قادر به کاهش زمان محاسبات است در تصویر شماره ی 3 نشان داده شده است. این مدل با معادلات زیر تفسیر می شود؛(8)، (9)، (10).

       در اینجا و  به ترتیب فاکتور ایده آل دیود برای دیودهای 1و 2 هستند. مقاومت موازی،  ، می تواند به عنوان یک مدار باز نشان داده شود؛ زیرا ارزش آن در مقایسه با سری مقاومت ها خیلی بیشتر است؛ همانطور که در تصویر شماره ی 3 می بینید. بنابراین، تغییر  تاثیر ناچیزی را بر روی خروجی مدل PV به ایجاد می کند؛ اما حتی یک تغییر کوچک متغیرهای ممکن است بر روی بازده PVتاثیر گذارد. توضیح ریاضی آن در معادله(11) داده شده است.

     زمانی که سلول های PV  ایده آل را در نظر می گیریم، هدر رفت سری ها صفر هستن =0د  

وریزش به زمینه قابل اغماض است    از این رو تاثیر این دو پارامتر را می تواند نادیده گرفته شود.

توضیح ریاضی آن در معادله 1 دوباره نوشته شده تا مدل آسان شده در تصویر شماره 4 را تفسیر نماید.(12)

تصویر شماره ی 5و6 خصوصیاتPVوIV یک سریPV عمومی را نشان می دهند. خصوصیات هردوی آنها نشان می دهد که خروجی سریPV غیر خطی است که توسط تابش خورشیدی اداره می شود. تحت شرایط نور کامل برروی شاخص PVتنها یک قله وجود دارد. اما زمانی که سایه ی جزئی اتفاق می افتد شاخصه های PV تغییر می کنند؛ بنابراین قله های چندگانه به وجود می آیند. ترجمه توسط وبسایت ترجمه یار

3. تاثیر سایه ی جزئی

     در سیستم های PV ، نیروی تولید شده ی حاصل از PV به تابش خورشیدی و دما ی محیط بستگی دارد. این دو فاکتور تعیین کننده ی نقطه ی توان ماکزیمم هستند. به طور کلی دما بر روی ولتاژ حاصل از PV  تاثیر می گذارد و این در حالی است که تابش خورشیدی، جریان خروجی PV را تغییر می دهد. به عبارت دیگر زمانی که سری خورشیدی تابش خورشیدی زیادی را دریافت می کند، جریان خروجی زیاد است و برعکس. با تو جه به منحنی های مشخصه ی IV و PV تنها یک نقطه با درجه ی لازم وجود دارد که بیشترین نیرو را به سیستم انتقال می دهد.

     به خاطر مشخصه ی غیر خطی بودن سری خورشیدی،  انرژی تولید شده از سری خورشیدی(PV )ثابت نیست. در هر حالت، هر زمان که قسمتی از سری خورشیدی به وسیله ی شاخ و برگ درختان، دود یا ابر سایه شود، شرایط سایه ی جزئی اتفاق افتاده است. در خلال شرایط سایه ی جزئی، ناحیه ای از PV که سایه شده است در مقایسه با دیگر نواحی میزان کمتری از نور خورشید را دریافت می نماید. آن قسمتی از PV که سایه شده است مقدار زیادی از نیروی الکتریکی تولید شده توسط قسمت های بدون سایه را جذب می نماید. این وضعیت مشکل hot spot نامیده می شود، و می تواند به سلول های PV آسیب برساند. برای غلبه به این مشکل  یک دیود مصرف شده که معمولا  موازی با هر یک از ماژول های PV وصل می شوند و به منظورایجاد یک مسیر متناوب درمدت سایه جزئی فراهم شده اند؛ که  به آسیب ندیدن ماژول های PV کمک می کنند. اگر چه، الحاق یک دیود مصرف شده،  قله های متعددی بر روی مشخصه ی PVوIV ایجاد میکند. تصویر شماره ی 7و8 مشخصه های PV را تحت تابش خورشیدی یکنواخت و سایه ی جزئی نشان می دهند. ترجمه توسط وبسایت ترجمه یار

     مراجعه به تصاویر7و8 می تواند نشان دهد که مشخصه های PVشامل قله های متعدد و مشخصه های IV به خاطر سایه ی مقطعی درجات چندگانه دارند.  در میان قله های متعدد تنها یک نقطه ی سراسری وجود دارد که همان MPP(نقطه ی توان ماکزیمم) درست است، در حالی که بقیه، نقاط محلی هستند.

4. ردیابی نقطه ی حداکثر توان

     با توجه به منحنی I-v  دیده می شود که نقطه ی کار PV ممکن است از صفر تا ولتاژ مدار باز متغیر باشد. نقطه ی کار همیشه بر روی نقطه ی توان ماکزیمم باقی نمی ماند بلکه دارای بار متغیر است. یک روش بسیار ساده می تواند با افزایش تعداد ماژول های PV در سیستم این مشکل را حل کند، که بیشتر از ظرفیت مورد نیاز است. اگر چه این کار قیمت و هدر رفت انرژی را افزایش می دهد. برای حل این مشکل یک نوع انقلابی از دستگاه های الکترونیکی برق قدرت برای تعیین حداکثر نقطه ی کار معرفی شده است. یک سیستم PV که به یک کنترل کننده ی ردیاب نقطه ی حداکثر توان متصل است؛ برای جستجو ی نقطه ی توان ماکزیمم،  توانایی دارد و بهترین استفاده را از سری خورشیدی دارد. بدین وسیله، سیستم PV مطمئنا به طور مداوم در نقطه ی توان ماکزیمم درست به کار گرفته می شود. ترجمه توسط وبسایت ترجمه یار

     الگوریتم های متغیر ردیابی نقطه ی توان ماکزیمم  برای سیستم های PV توسعه یافته اند.  این ها می توانند به روش های معمول و توسعه های اخیر که بر پایه ی تکنیک ها ی تصادفی هستند طبقه بندی شوند. تکنیک ها ی پیشین، توسعه یافته اند و عملکرد خوبی را در پیگیری نقطه توان ماکزیمم تحت تابش خورشیدی یکنواخت نشان می دهند. هرچند تحت تغییرات محیطی سریع و موقعیت سایه ی جزئی الگوریتم های ردیاب نقطه ی توان ماکزیمم ، برای ردیابی نقطه ی جهانی دچار مشکل می شوند. بنابراین، پایه های تصادفی و متد ها ی هوش مصنوعی برای استخراج نیروی بهینه از یک سیستم PV تحت هر موقعیت جوی که شامل سایه ی جزئی هم است،  توسعه یافته اند. معیار مهم هنگام انتخاب یک الگوریتم، توانایی آن برای ردیابی نقطه ی توان ماکزیمم درست در میان نقطه های محلی با هزینه و همگرایی سرعت در نظر گرفته شده است. لیست الگوریتم های ردیابی نقطه ی توان ماکزیمم،  در جدول شماره ی 1 نمایش داده شده است.

      در این مقاله ارائه ی الگوریتم های ردیابی نقطه ی توان ماکزیمم در دو دسته سازمان یافته اند. در قسمت اول، الگوریتم های ردیابی نقطه ی توان ماکزیمم که می توانند به طور رضایت بخش تحت تابش خورشیدی یکنواخت کار کنند؛ مطرح شده اند. در قسمت دوم، الگوریتم های ردیابی نقطه ی توان ماکزیمم برپایه ی الگوریتم های تصادفی که می توانند به طور رضایت بخش تحت تابش یکنواخت خورشید و سایه ی جزئی کار کنند شرح داده شده است. 

4.1. الگوریتم های ردیابی نقطه ی توان ماکزیمم

4.1.1. اختلال و مشاهده

     برنامه الگوریتم اختلال و مشاهده(P&O)به طور گسترده ای به علت سهولت در اجرا مورد استفاده قرار گرفته است. در ابتدا ارزش جریان ولتاژPV و جریانPV برای به دست آوردن قدرت PV به کار گرفته شده اند. در الگوریتم P&O ولتاژ خروجی سری خورشیدی توسط یک افزایش کوچک مختل شده که منجر به تغییر توان میشود،P∆.  اگر P∆ مثبت است، اختلال ولتاژ به سمت نقطه  توان ماکزیمم حرکت خواهد کرد. سپس،  سایز اختلال (C (، در همان جهت تولید می شود. در مورد یک p∆ منفی، سیستم،  دور از نقطه ی بهینه راه اندازی شده است،  در نتیجه نیاز است که سایز اختلال به منظوربرگشتن نقطه ی کار به نقطه توان ماکزیمم کاهش یابد. نمودار جریان اختلال و مشاهده ی الگوریتم ردیابی نقطه ی توان ماکزیمم در تصویر شماره 9 ارائه شده است.ترجمه توسط وبسایت ترجمه یار

     با توجه به نمودار زیر زمانی که قدرت آنی PV و عملکرد ولتاژ افزایش می یابد، نقطه ی کار به سمت نقطه ی توان ماکزیمم در حال حرکت است. این بدان معنی است که اندازه ی اختلال مثبت است یا بدون تغییر باقی مانده. زمانی که توان آنی PV کاهش می یابد در حالی که ولتاژ عامل  نیز کاهش می یابد نقطه ی کار در حال فاصله گرفتن از نقطه ی توان ماکزیمم است. مشکل این الگوریتم در این است که ردیابی تاثیر گذار تحت تغییرات سریع جوی کاهش می یابد. ردیاب نقطه ی توان ماکزیمم قادر نیست که نقطه ی ماکزیمم حقیقی را مشخص کند. این به طور مداوم به دور نقطه ی توان ماکزیمم نوسان دارد و اثر اختلال را بعد از اندازه گیری p∆ تغییر می دهد. گذشته از آن در حالت تابش خورشیدی متغیر، P&O برای مشخص کردن نقطه ی توان ماکزیمم دچار مشکل می شوند.

4.1.2. رسانائی نموی

      رسانائی نموی الگوریتم ردیابی نقطه توان ماکزیمم بر پایه ی dp/dv   است، که در نقطه ی توان ماکزیمم برابر با صفر است. با توجه به تصویر شماره 10، حرارت در نقطه ی، نقطه ی توان ماکزیمم صفر است، متناظرا،یک شیب مثبت در سمت چپ MPP و یک شیب منفی در سمت چپ MPP. توان شیب ها را به شکل زیر می توان خلاصه کرد:    در نقطه ی توان ماکزیممdp/dv=0

Dp/dv>0 سمت چپ MPP

Dp/dv<0 سمت راستMPP

      الگوریتمIncCond  چرخه را به دست آوردن مقدار جریان VوI درv(t)وi(T) شروع می کند. بر پایه ی جدول زیر همانطور که در تصویر شماره 11 نشان داده شده است، MPP می تواند با مقایسه ی رسانایی آنی با رسانایی نموی ردیابی شود. ولتاژ سیگنال کنترل،  ، نیز تنظیم شده است که نیاز است براساس خروجی مقایسه بالا  یا اضافه شود و یا کم شود .نقطه ی توان ماکزیمم یکبار   را مساوی با ….. به دست آورده است. در این نقطه، الگوریتم عملکرد را متوقف خواهد کرد و نیرو را ذخیره میکند مگر اینکه هر یک از تغییرات جوی یک تغییر در ….شناسایی شده است. الگوریتم دوباره حساب خواهد شد تا نقطه ی بهینه به دست آید. سایز نموی مشخص می کند که با چه سرعتی الگوریتم MPPT برای MPP جستجو می کند. بزرگ سایز بودن نموی به کاهش دوره ردیابی کمک می کند؛ اما، سیستم نه تنها در نقطه MPP کار خواهد کرد بلکه در این نقطه نوسان خواهد کرد. ترجمه توسط وبسایت ترجمه یار

     الگوریتم IncCond مزیت عملکرد بهتر تحت شرایط تغییرات جوی سریع همچنین نوسان کمتر به دور MPP را ارائه می دهد. اما، بازدهی IncCond برای دستیابی MPP تقریبا با متدP&O یکسان است. مشکل این متد این است که، تحت شرایط سایه ی جزئی قادر به ردیابی MPP جهانی نیست. در پایان، مدار کنترل IncCond پیچیده است که منجر به هزینه ی بالای سیستم می شود. ترجمه توسط وبسایت ترجمه یار

4.2. تپه نوردی

     الگوریتم تپه نوردی اساسا با P&O یکسان است، و این تساوی در این است که، الگوریتم تپه نوردی، ولتاژ PV  را  به دنبال نقطه ی تنظیم بهینه،  تنظیم می کند.  الگوریتم PV بر روی اختلال چرخه ی کار مبدل نیروی آن تا پیدا کردن MPP تمرکز دارد. نقطه ی بهینه که به طور مداوم تا MPP توسط الگوریتم ردیابی و به روز می شود ، اینگونه  dp/dv=0تعریف شده و پیدا می شود. میزان جریان توان P(K)-,PV- به طو ر مداوم با اندازه های محاسبه شده ی قبلی مقایسه شده،P(K-1). اگر قدرت یکسان است، کنترل کننده، ولتاژ PV و جریان PV  را دوباره احساس خواهد کرد؛ اما، اگر نیرو ی فعلی بیشتر از قدرت قبلی است شیب، تکمیل است. تعویض چرخه ی کار مبدل قدرت تا عملکرد نوسان نیرو در MPP تغییر را نگه می دارد.

        مزیت الگوریتم HC در عملکرد آسان آن است. مشکل این متد درماندن از ردیابی MPP تحت شرایط تغییرات جوی سریع است. تحقیقات بسیاری برای بهبود عملکرد ردیابی الگوریتم HC انجام شده است. برای مثال خیاوو و دانفورد متد MPPT تپه نوردی تطبیقی اصلاح شده را معرفی کرده اند از جمله یک پارامتر خودکار برای چرخش سیستم همچنین تعویض حالت کنترل؛ بنابراین الگوریتم می تواند تحت تغییرات مختلف جوی به کار گرفته شود. نوشته ها یک متد تپه نوردی دیجیتال که با یک سلول قدرت حالت جریان دو طرفه برای برنامه های کاربردی فضایی  ترکیب شده را معرفی می کنند. نتایج نشان می دهد که MPPT یک اصل محتمل برای به دست آوردن قدرت ماکزیمم از سری خورشیدی بوده. نمودار جریان الگوریتم تپه نوردی در تصویر شماره ی 12 نشان داده شده است.

4.2.1. ولتاژ مدار بازو جریان اتصال کوتاه

     ولتاژ مدار باز،  الگوریتمMPPTیک تکنیک ساده شده در برنامه های آفلاین است. این متد یک رابطه تقریبا خطی بین ولتاژ مدار باز و ولتاژ خروجی ماکزیمم  سری خورشیدی  تحت شرایط متنوع آب و هوایی را به کار می گیرد. این متد می تواند این گونه تخمین زده شود(14).

      که حرف K   یک ثابت است که بین 0.7و0.8 متفاوت است و به شاخص سلول PV بستگی دارد. اساسا، بر پایه ی و  بعد از مشخص کردن قدرت K تحت شرایط تغییرات جوی به طور تجربی اندازه گیری می شود.

     با ریزش بار الکتریکی از سری خورشیدی اندازه گیری می شود که اجازه می دهد تخمین زده شود. اگرچه این MPPT سهل الاجراست،  . شماره ی 14 تنها یک تخمین است بنابراین دقت عملکرد سری خورشیدی در MPP زیاد نیست. این یک عیب برای این متد به حساب می آید، همچنین این حقیقت است که عملکرد مدار با ریزش دو ره ای بار الکتریکی ممکن است مختل شود. ترجمه توسط وبسایت ترجمه یار

    متد آفلاین ساده شده ی دیگر،  تکنیک جریان اتصال کوتاه است که در آن عملکرد آن شبیه به تکنیک ولتاژ مدار باز است. رابطه ی خطی تقریبی میان جریان اتصال کوتاه  و جریان در نقطه ی توان ماکزیمم توسط  معادله ی زیر بیان شده است(15) . که K یک ثابت است که به طور کلی در طیف وسیعی از 0.8و0.9 است. شبیه به متد در اندازه گیری بار الکتریکی ریخته می شود. سپس، می تواند مشخص شود. این متد نسبت به دقیق تر است اما هزینه ی راه اندازی آن بالا است.

4.3. جریان همبستگی موج

       وصل کردن سری خورشیدی به یک مبدلDC-DC ممکن است ولتاژ موج دار ایجاد کندو با توجه به عمل سوچینگ مبدل موج ها را جریان می دهد. بنابراین، نیروی PV تولید شده ممکن است حاوی امواجی باشد که عملکرد سیستم PV را تغییر دهد. تکنیک کنترل همبستگی موج دار شدن MPPT و اجرای آن گزارش شده است. برای رسیدن به MPP قدرت گرادیان باید صفر باشد. برای دست یافتن به آن، RCC میان استخراج نیروی سری خورشیدی، متغیر P در مقابل جریان، i یا ولتاژ،V که هر دو در زمان متفاوت هستند، همبستگی ایجاد کند.

       اگر هم جریان PV یا ولتاژ افزایش می یابد، قدرت PV نیز افزایش می یابد(P  O) که در نقطه ی عملکرد همیشه کمتر از MPP کار می کند(V<  or i< ). متقابلا، زمانی که V یا I افزایش می یابند اما P کاهش می یابد(P<0)، نقطه ی عملکرد بالاتر از MPP است(V>  or i>  ). درنتیجه ترکیب کردن این عملکرد ها PIیاPV مثبت هستند این عملکرد ها ز شه کمتر از ……..

ت … بنابراین، بر روی سمت چپMPPمثبت، صفر در MPP، و مثبت بر روی سمت راست MPPهستند. ولتاژ و جریان مبدل نیرو بسته به نوع مبدل می تواند کم یا زیاد شود، درنتیجه نسبت کار می توان مثل زیر کنترل شود(16)، (17).  تکنیک   RCC به پارامتر ها ی سری خورشیدی وابسته نیست و قادر است با کنترل کردن duty-ratio مبدل نیرو MPP درست را ردیابی کند. ترجمه توسط وبسایت ترجمه یار

      RCC مزیت های آسانی و ارزانی مدار آنالوگ را دارد درحالی که MPP را در تغییرات جوی سریع ردیابی می کند. با این وجود، تغییر فرکانس مبدل نیرو زمان داده شده؛ توسط کنترل کننده برای همگرا کردن به   MPP  رامحدود می کند. علاوه بر این در تابش خورشیدی کم، این تکنیک ردیابی نقطه توان ماکزیمم مشکل توانایی کم ردیابی  را دارد از انجایی که به گام های بزرگ ردیابی نزدیک MPP نیاز است.

4.4. الگوریتم های MPPTتصادفی

4.4.1. بهینه سازی اجتماع ذرات

     بهینه سازی اجتماع ذرات (PSO) یک الگوریتم است که توسط جی.کندی در سال 1995 پیشنهاد شد از رفتار موجودات زنده مانند دسته پرندگان یا گروه ماهیان الهام گرفته شده بود. فکر اینکه آنها چگونه با رقابت و همکاری از حرکت فیزیکی خود برای سازگاری با محیط زیست استفده می کنند قابل انطباق برای راه حل بهینه سازی است.تعدادی از ذرات برای پیدا کردن بهترین راه حل در یکفضای جستجو حرکت می کنند. حرکات با پیروی از بهترین راه حل های یافت شده تنظیم شده است درحالی که تلاش برای یافتن راه حل جدید است. برای مواجه با راه حل بهینه، موقعیت ذره باید به دنبال بهترین موقعیت ذره یا همنشینی بهترین ذره باشد.  ترجمه توسط وبسایت ترجمه یار

     به روز رسانی موقعیت و به روز رسانی سرعت، اپراتور هایی هستند که PSO را اداره می کنند و در معادلات زیر داده شده اند. به روز رسانی سرعت به شکل زیر امده(18)

در حالی که به روز رسانی موقعیت این گونه توصیف می شود(19)

 که  سرعت ذره ی جریان است،  به روز رسانی سرعت ذره است، W : وزن اینرسی، : تاثیر میزان یادگیری فردی، : تاثیر میزان یادگیری اجتماعی است؛ : بهترین موقعیت پیدا شده توسط ذره است، : بهترین راه حل پیدا شده توسط اجتماع است.، و : دو توزیع تصادفی یکنواخت قدرت برای تصادفی  اضافه کردن به حرکت ذرات،  : موقعیت ذره جریان، : به روز رسانی موقعیت ذره.

     حرکت ذره برای یافتن راه حل بهینه در تصویر شماره ی 13 داده شده درحالی که نمودار جریانPSO در تصویر شماره ی 14 آمده است. فرض کنید که یک سری خورشیدی N عدد ماژول دارد و به رشته هایی وصل شده است. سایه جزئی بر روی یکی از ماژول های PV اتفاق بیافتد. درنتیجه، ولتاژ  PV سایه شده با ماژول سایه نشده مغایرت پیدا خواهد کرد. تحت چنین شرایطی، ماکسیما محلی چندگانه بر روی شاخصه PV اتفاق خواهد افتاد. PSO نقطه ی توان ماکزیمم به خروجی بهینه دست می یابد که ولتاژ جهانی به دست آمده است.  به منظور شروع بهینه سازی، که برای پیدا کردن ولتاژ جهانی در مشخصه ی PV است، پارامتر های  PSO باید مشخص شوند. این پارامتر ها، ابعاد متغیر که باید بهینه شوند(ولتاژ و نیرو)، سایز اجتماع و حداکثر تکرار را شامل می شوند.  این فرایند در تصویر شماره 14 نشان داده شده است. ولتاژ جهانی  با سایز اجتماع به شکل زیر می تواند تعریف شود.(20)

     بهترین موقعیت(بهترین میزان نیرو و ولتاژ) که تا به الان PSO آن را یافته در ذخیره شده و به روز رسانی را تا دست یابی به تابع هدف نگه می دارد.(21)ترجمه توسط وبسایت ترجمه یار

      تابع هدف پیدا کردن نیروی عملکرد ماکزیمم در سیستم مشابه با ولتاژ ماکزیمم آن است که می توان مانند معادله ی زیر تعریف کرد.(22)

که تابعF نقطه ی عملکرد سری خورشیدی است. همانطور که سایه ی جزئی سبب می شود که نیروی PV تغییر کند، درنتیجه کشف قدرت بهینه نیاز است که ذرات دوباره ارزش دهی شوندبرای پیدا کردن نقطه ی توان ماکزیمم جهانی با دنبال کردن شرایط زیر(23).

       دوباره ارزش دهی آغازی هر یک از ذرات در الگوریتمPSO به منظور شناسایی هر ماژولی که ولتاژنهایی بهینه را دارد قابل توجه است. در نتیجه، t و   می تواند زمانی که یک تغییر ناگهانی در دما یا تابش خورشیدی اتفاق می افتد به طور خودکار به روز شود. بنابراین، نیروی خروجی کلی سیستم PV می تواند بهینه شود. الگوریتم PSO توسط بسیاری از محققان به منظور بهتر کردن عمل ردیابی تحت شرایط سایه ی جزئی؛ توسعه داده شده و اصلاح شده است. کنترل کننده ی MPPT بر پایه ی الگوریتم PSO اول توسط (مراجعه شود به مرجع مقاله شماره 56) معرفی شد که الگوریتم PSO را برای سری های چندگانه PV پیشنهاد داد. این تکنیک جستجو مبنای چند بعدی تنها یک جفت از سنسور ها را استفاده می کند(ولتاژ و مبدل های جریان). این قادر به کشف نقطه توان ماکزیمم جهانی تحت شرایط سایه ی جزئی در جایی که توانایی دستیابی به نقطه توان ماکزیمم جهانی خوب، است. نویسنده عملکرد تکنیکPSO را در ردیابی نقطه ی توان ماکزیمم با تکنیک تپه نوردی معمولی مقایسه کرده است. نتایج نشان داده است که PSO قادر به ردیابی و اندازه گیری انرژی PV هشتاد درصد بیشتر از تپه نوردی بوده و زمان ردیابی آن سریعتراست.  نویسنده) مراجعه شود به مرجع مقاله شماره 60) الگوریتم PSO را برای ردیابی نقطه ی توان ماکزیمم PV با افزودن ویژگی دیگر در الگوریتمPSO بهتر کرده است. این ویژگی به عنوان یک نیروی دافعه برای عامل PSO عمل می کند برای پیدا کردن بهترین ولتاژ در هر تغییر جوی. در نتیجه، الگوریتمPSO نقطه ی توان ماکزیمم،  بیشتر قادر به واکنش نسبت به تغییرات تابش خورشیدی مکرر است. مقایسه ی آن با کار قبلی بدون افزایش نیروی دافعه، بهبود در الگوریتمPSO در بازدهی بالا را در نتیجه دارد. ترجمه توسط وبسایت ترجمه یار

     با مطالعه ی خصوصیاتPV از لحاظ ولتاژ و قدرت، نویسندگان) مراجعه شود به قسمت مرجع مقاله شماره 58)PSO معمولی اصلاح شده بود. نویسنده، PSO اصلاح شده را برای سیستم های PV تحت شرایط شدید جوی پیشنهاد داده. با مطالعات انجام شده مشخص شد که حداکثر تغییر در سرعت به میزان مشخصی محدود شده، در حالی که مقدار تصادفی فاکتور های سرعت در معادله ی PSO حذف شده بود. عملکرد الگوریتم پیشنهاد شده با الگوریتم تپه نوردی مقایسه می شود و نتایج نشان میدهد که الگوریتم پیشنهادی، سرعت ردیابی بیشتری دارد و تقریبا حالت پایدار صفر نوسان در مقایسه با آنچه در الگوریتم تپه نوردی هست. روی هم رفته، مطالعات مشخص می کند که این الگوریتم در ردیابیMPP سراسری در مقایسه با متد های معمول قوی و سریعتر است. علاوه برآن، این الگوریتم به طور موثر در پیدا کردن قله ی جهانی تحت شرایط پیچیده ی سایه جزئی کار می کند.

4.4.2. کنترل کننده ی منطق فازی

     مفهوم منطق فازی بر پایه ی به کار رفتن دانش در طراحی یک کنترل کننده ی منطق فازی است. هیچ نیازی به دانش تکنیکی برای مدل دقیق ندارد، از آنجایی که سادگی طراحی به آن در ردیابی نقطه ی توان ماکزیمم تحت شرایط مختلف آب و هوایی یک مزیت می دهد. آن با ابهام و اطلاعات دانه دانه در غالب ساختار های زبان شناسی مانند زیاد، کم، متوسط، اغلب و مقدار کم سرو کار دارد.

     کنترل کننده ی منطق فازی FLC چهار مرحله را در بر می گیرد: فازی، پایگاه قوانین، موتور استنتاج و فازی سازی  همانطور که در نمودار بلوکی در تصویر شماره 15 نشان داده شده است. در طول مرحله ی فازی، ارزش تابع عضویت به متغیر های زبان شناسی اختصاص داده شده است. تعداد متغیر های زبان شناسی اختصاص داده شده که تعریف شده توسط کاربر است به دقت و صحت خروجی موردنظر بستگی دارد. برای پنج پایگاه قوانین فازی ، متغیر های زبان شناسی می تواند بزرگ منفی (NB)، کوچک منفی(NS)، صفر(Z)، کوچک مثبت( PS) و بزرگ مثبت(PB) باشد. تعداد بالا تر متغیر های زبانشناسی نتایج پایدار تر و دقیق تری در طراحی تولید می کند. هرچند نتایج دقیق تر زمان بیشتری برای حل شدن نیاز دارند. نوع تابع عضویت نیز می تواند متنوع باشد. آنها می توانند از ذوزنقه ای مثلثی یا گاووسی استفاده کنند اما معمولا همانطور که در تصویر شماره 16 میبینید شکل مثلثی استفاده می شود، حال آنکه حوزه تابع عضویت، پارامترaوb، و تعداد تابع های عضویت می توانند توسط آگاهی قبلی از پارامتر های طرح پیشنهاد شده انتخاب شوند. در غیر این صورت، با متد آزمون و خطا بر پایه دانش کاربر انتخاب شوند که اطلاعات ورودی می تواند حوزه علاقه را پوشش دهد.

     بر اساس نمودار ها، ورودی های فازی متغیر هستند که معمولا یک خطا بوده،E  و تغییر در خطا،∆E. محاسبه ی خطا و تغییر خطا بسته به کاربر قابل تغییر است، اما، برای داشتنdp/dvدر MPP تقریبا می تواند همانند معادله ی زیر تعریف شود(24)، (25). که X نمونه  برداری زمان است در حالی که P(X) قدرت آنی سیستم PV است وv(x) ولتاژ لحظه مربوطه را می دهد. میزانE(X) مکان را چه روی سمت چپ چه روی سمت راست MPP یا در نقطه ی  MPP نشان خواهد داد. ,∆E(X) جهت در حال حرکت نقطه ی توان عامل را نشان می دهد.

     ورودی های Eو ∆Eپس از آن محاسبه شده و به متغیر های زبان شناسی تبدیل شده که خروجی را تولید می کنند، D از مشاهده ی جدول پایگاه قوانین، همانطور که در جدول شماره 2 موجود است. یکیدیگر از مزایای استفاده FLC شکاف برای هر یک از نقاط عامل برای تابع عضویت است که می توان به منظور به دست آوردن MPPT بهینه تنظیم شود.ترجمه توسط وبسایت ترجمه یار

       تابع عضویت در وسط برای گرفتن خروجی دقیق تر می تواند متراکم تر شود. خروجی فازی با ورودی فازی همراه است که توسط درک رفتار سیستم مشتق شده است. این توسط موتور استنتاج که قوانین را از پایگاه قوانین به کار می بندد انجام شده. نوشته شده است که جدول پایه ی قوانین به دانش کاربر برای شکل دادن به قوانین فازی نیاز دارد و و در غالب IF-THEN می تواند بیان شود. متد موتور استنتاج ممدانی معمولا استفاده می شود که از عملیات MIN-MAXاستفاده می کند. (مراجعه شود به قسمت مرجع شماره 66) خط صفر مورب درجدول پایگاه قوانین،  خط تعویض از افزایش سرعت و کاهش سرعت را نشان می دهد. افزایش و کاهش سرعت،  تغییرات جوی را نشان می دهند، هم تغییرات سریع و هم آهسته که سیستم را تحت تاثیر قرار می دهند.  در مرحله فازی سازی، کنترل کننده ی خروجی FLC از متغیر های زبان شناسی به  متغیر های عددی با استفاده از تابع عضویت یکسان اما با برد محدود بسته به تعریف کاربر، تبدیل می کند. خروجی FLC  سیگنالی برای کنترل چرخه کار مبدل نیرو به منظور ردیابی خروجی ماکزیمم فراهم خواهد کرد.  به عنوان نتیجه فازی سازی، خروجیFLC به حفظ ولتاژ سری خورشیدی به بیشترین میزانش در شرایط سایه ی جزئی قادر خواهد بود. بنابراین، بازده تبدیل انرژی سیستم می تواند بهتر شود.

     نوشته(مراجعه شود به قسمت مرجع مقاله شماره 88)منطق فازی به تکنیکP&O به سایز متغر ولتاژ مختل شده تعبیه شده است،∆V، بنابراین MPP درست می تواند ردیابی شده و سریعتر به دست آید.

با توجه به تحقیق، زمانی که سری خورشیدی پنجاه درصد از سایه را تجربه کرد ولتاژ عامل قادر است که به نقطه ای که نیرو بهینه شده تغییر جهت دهد، باP&O معمول که در هر نقطه ی محلی گیر می کند مقایسه کنید. ترجمه توسط وبسایت ترجمه یار

4.4.3. شبکه ی عصبی مصنوعی

     کاربرد شبکه عصبی مصنوعی ANN)) در شته های مختلف افزایش یافته است از آنجا که قابلیت کار بروی task های غیر خطی را می دهد.  این بر پایه فرایند یادگیری است و به به بر نامه ریزی دوباره نیاز ندارد. ANN شامل سه لایه می شود: لایه های ورودی، لایه های پنهان، و لایه ی خروجی. ANN به عنوان وزن مدل شده که بین شبکه های عصبی اتصال ایجاد می کند و نیروی خودش را دارد.  همانطور که در تصویر شماره 17 نشان داده شده است، اتصال میان iوjتوسط  انجام شده. همه ی ورودی ها با وزن اصلاح شده با هم جمع شده اند.

     نوشته شده است که، شبکه ی عصبی مصنوعی یک سیستم با ساختاری است که یک ورودی را دریافت می کند، اطلاعات را پردازش میکند و یک خروجی ارائه می دهد. تعداد منحنی ها وپارامتر های ANN بسته به طراحان، می تواند مختلف باشد. متغیر های ورودی می تواند از ورودی های سری خورشیدی مانند گرما، میزان تابش خورشیدی و جریان اتصال کوتاه یا ولتاژ مدار باز تعریف شود. خروجی ANN می تواند برای اشتقاق یک مبدل نیرو توسط تنظیم سیگنال چرخه ی کار یا با داشتن یک ورودی برای یک کنترل کننده ی دیگر استفاده شود بنابراین سیستم PV بر یا نزدیک MPP عمل می کند. عملکرد برای به دست آوردن نتایج دقیق به عملکرد الگوریتم در لایه های پنهان و فرایند آموزش شبکه ی عصبی بستگی دارد.

     در شرایط سایه ی جزئی، ANN آموزش داده شده است که ولتاژ MPP جهانی و نیرو را با در نظر گرفتن منحنی P-V تحت شرایط سایه ی متعدد بر رو ی سری خورشیدی پیش بینی کند. سپس اختلاف میان ولتاژ پیش بینی و و ولتاژ حقیقی از سری خورشیدی یک ورودی خطا برای کنترل کننده ی MPP برای ردیابی نقطه ی توان ماکزیمم می دهد. در اتصال شبکه های عصبی مصنوعیANN،  دو توپولوژی وجود دارد؛ به نام شبکه های عصبی پیشخورهمانطور که در تصویر شماره ی 18 نشان داده شده است و شبکه های عصبی برگشتی همانطور که در تصویر شماره ی 19 می بینید. برای پیشخور اطلاعات ورودی و خروجی، موکدا پیشخور هستند. پردازش داده ها را می توان به لایه های متعدد بدون هیچ اتصالات باز خوردی تعمیم داده شود. اتصال مستقیما از ورودی های واحدها به خروجی های واحد ها در لایه ی یکسان و یا لایه قبلی است. در مقابل، شبکه عصبی برگشتی به خواص جنبشی شبکه وابسته است. شبکه برگشتی شامل باز خورد است که حافظه ی کوتاه مدت را در بر دارد. میزان فعال سازی،  تجربه ی یک فرایند استراحت را خواهد داشت که در آن عاملان، زمانی که شبکه ی عصبی به حالت پایدار می چرخد تغییر نخواهند کرد.

     به منظور بالا بردن MPPT برای سیستمPV تحت شرایط سایه ی جزئی، نویسنده (مراجعه شود به قسمت مرجع مقاله شماره 66) ANN ترکیب شده با منطق فازی با کنترل کننده ی اطلاعات قطبی برای پیدا کردن توان ماکزیمم راپیشنهاد کرده است. سه لایه ی ANN تحت شرایط تعدادی سری خورشیدی با سایه ی جزئی برای پیدا کردن ولتاژ PV بهینه آموزش داده شده اند. این متد پیشرفته با P&O برای الگو های سایه ی متعدد در یک دو ره ی زمانی خاص مقایسه شده. نتایج نشان می دهد که بازدهی ردیابی این متد پیشرفته دوبرابر متدP&O است.

4.4.4. تکامل تفاضلی

     تکامل تفاضلی(DE) یک الگوریتم تکاملی است که توسط استورن و پراس در سال 1996  معرفی شد. تکامل تفاضلی از خانواده ی الگوریتم ژنتیکی است(GA) که یک الگوریتم تصادفی مبنا برای پیدا کردن بهینه سازی است. اما، عملکرد DE  نسبتا با GA شبیه است: ارزش دهی آغازی، جهش، متقاطع، تکاملی و انتخاب. مانند دیگر الگوریتم ها، DEنیز بردارهای متغیر در یک جمعیت NP جستجو می کند. ترجمه توسط وبسایت ترجمه یار

4.4.5. ارزش دهی اولیه

    برای شروع، بهینه سازی DE به مجموعه ای از پارامتر های اولیه، جمعیت و تولید نیرو ی حداکثر نیاز است. بردار اولیه به طور تصادفی برای پوشش کل فضای جستجو انتخاب می شود. به منظور دستیابی به نتایج جستجو ی بهتر، باید پارامتر در درون محدوده ی خاصی قرار بگیرد. در ابتدا، پارامترjth که بعد از الگوریتم DE تشکیل شده است اجرا می شود.  این پارامتر بعضی قسمت ها در حوزه ی پیشنهاد شده که محدودیت بالا تر و پایین تر دارد به ترتیب  و ارزش دهی شده است . سپس، پارامتjth در جمعیت ith به شکل زیر است(26). رندم(0,1) به طور یکنواخت تصادفی بین 0و1 توزیع شده است.

4.4.6. جهش

    برای هر نسل، افراد تبدیل به بردار هدف خواهند شد. با توجه به عملیات جهش، هر فرد برای تشکیل یک شخص دوم به نام یک بردار جهش، جهش یافته خواهد شد .  برای  ایجاد(t) برای جمعیتith.سه بردار دیگر پارامتر ، و به طور تصادفی از یک جمعیت جریان انتخاب می شوند. F تعداد اسکالر، اختلاف هرد بردار از سه بردار را که به سومی اضافه خواهد شد را اندازه می گیرد که از بردار جهش به دست آمده(t)  پردازش یک پارامترjth جدید در جمعیت شکل می دهد که می تواند به شل زیر تفسیر شود.(27)

4.4.7. متقاطع

       در عملیات متقاطع، والد برای نسل بعد توسعه خواهد یافت. با ترکیب بردار هدف با یک بردار جهش در عملیات متقاطع فرد سوم بردار آزمون را تولید خواهد کرد. DE دو برنامه ی متقاطع مختلف دارد، به نام برنامه های نمایی و دو جمله ای. در متقاطع نمایی، عدد صحیح  n  به طور تصادفی میان اعداد[0, D-1] انتخاب شده است که نقطه ی شروع بردار هدف شده است. عدد صحیح دیگر، L نیز از فاصله[[1,Dبرای نشان دادن تعداد اجزا انتخاب شده است. انتخابn و L، بردار آزمون(28)، (29)، (30). ترجمه توسط وبسایت ترجمه یار

     
     D ‹› عملکرد پیمانه با ضریبD را نشان می دهد. سپس، L>m)= ) برای هرm>0. CR، ثابت متقاطع است که پارامتر DE را کنترل می کند. در متقاطع دو جمله ای، متقاطع بر متغیر های D دست یافته هر زمان که یک عدد تصادفی انتخاب شده بین 0و1 در داخل مقدار CR است. این برنامه به شکل زیر داده شده(31).

4.4.8. تکامل و انتخاب

     این مهم است که سایز جمعیت بیش از نسل های بعدی ثابت نگه داشته شود؛ از این رو یک اپراتور انتخاب اقدام خواهد کرد. در عملیات انتخاب، اگر بردار آزمایش قادر به یافتن بهترین میزان سازگاری در مقایسه با بردار هدف والد است، بردار آزمون برای نسل بعدی جایگزین خواهد کرد. پیدا کردن بهترین شخص در جستجوی محلی ، رقابت تک به تک است، در حالی که در جستجوی سراسری پیدا کردن  بهترین شخص میان میان جمعیت ضروری است. ترجمه توسط وبسایت ترجمه یار

نمودا جریان همانطور که در تصویر شماره 20 نشان داده شده است نشان می دهد که چگونه DE برای پیدا کردن میزانه بهینه سازی هدایت شده است.

      نویسنده الگوریتم MPPT با استفاده از DE برای شرایط سایه ی جزئی را معرفی کرده است. مقایسه DE و الگوریتم متعارف MPPT یعنی P&O تکامل تفاضلی می تواند به سرعت همگرا شود و به MPP دست یابد بدون هیچ نوسانی تحت شرایط سایه ی جزئی. تحت شرایط تغییر سریع جوی، DE قادر به ردیابی MPP است در حالی که O&O نمی تواند به MPP جهانی دست یابد.

5.  الگوریتم ژنتیک

       شخص ی به نام راماپرابها یک کنترل کننده ی MPPT معرفی کرده است که از الگوریتم ژنتیکGA برای شرایط سایه ی جزئی استفاده می کند.  قانون GA شبیه به الگوریتم DE است که بر پایه ی ژنتیک و رفتار تکاملی زیستی است. در GA، سه عامل اصلی را  شامل می شود؛ که انتخاب، متقاطع وجهش هستند. در جمعیت تصادفی، فرد انتخاب شده به عنوان یک راه حل داوطلب برای بهینه سازی نشان داده شده است. مکانیزم GA به منظور یافتن بهینه سازی در تصویر شماره 21 ساده شده است. بر اساس تصویر شماره 21، پارامتر های GA نیاز است که شناسایی شوند.  پارامتر ها با ژن ها دریک کروموزوم تشکیل شده است. این ها هم می توانند در غالب رمز دودوئی یا کد واقعی باشند. هر یک از کروموزوم ها پارامتر های مختلفی را ارائه خواهند داد که به این معناست که  امکان راه حل های متغیری که می توان به دست آورد وجود دارد. تابع هدف شاخص عملکرد GA برای مشخص کردن عملکرد هر یک از کروموزم ها را می دهد. تابع هدف براساس عملکرد موردنیاز هر مشکل مانند ارزش همگرایی و خطا شکل گرفته. بعد از آن، جمعیت اولیه با اتخاب تصادفی گروهی از کروموزوم ها تولید می شود. اندازه جمعیت به پیچیدگی مشکلات بهینه سازی بستگی دارد. راه حل های همگرایی سریع با تنها تعداد کمی از نسل ها مورد نیاز است اگر اگر اندازه جمعیت بزرگتر است. اما، اندازه بزرگتر جمعیت برای ردیابی  بیشتر طول خواهید کشید به عنوان زمان محاسبه بهتعداد نسل های استفاده شده نیازمند است. زمانی که میزان همگرایی به اندازه است عملیات  توقف خواهد کرد. با این وجود، عملیات با به کارگیری عملیات ژنتیک که منتخب هستند ، متقاطع و جهش به منظور تولید نسل بعدی ادمه خواهند یافت. این فرایند تا زمانی که بهینه سازی به دست اید ادامه خواهد داشت.

     در عملیات ژنتیک، مطمئن خواهد شد که جستجو در ماکزیمم محلی متوقف نخواهد شد اما فرایند تا زمانی که الگوریتم نقطه ی جهانی درست را ردیابی کند ادامه خواهد داشت. یک الگوریتم برای بهینه سازی کنترل کننده ی منطق فازی برای ردیابی نقطه ی توان ماکزیمم تحت شرایط متغر جوی استفاده شده است (مراجعه شود به قسمت مرجع مقاله شماره 87). با به کار گیری GA، پارامتر هایFLC مانند پایگاه قوانین و تابع عضویت به میزان مطلوب می تواند تنظیم شود که بالا ترین سازگاری در نسل بعدی شکل تابع عضویت همچنین جدول پایگاه قوانین را معین خواهد کرد. بنابراین، این عملکرد FLC رادر فرایند بهینه سازی بهتر خواهد کرد.

6. مذاکره

     تکنیک های MPPT بسیاری وجود دارد که از بررسی نوشته ها می توان ان ها را پیدا کرد.

     تکنیک ها می توانند طیف وسیعی از تکنیک های معمول تا تکنیک های جدید پیشرفته را که همه یک هدف را به منظور به حداکثر رساندن نیروی خروجی PV بدون در نظر گرفتن تابش یکنواخت یا سایه ی جزئی، دنبال می کنند در بر بگیرد. تکنیک های MPPT بر اساس مشخصه هایشان میتوان طبقع بندی کرد. در این مقاله بحث بر سر فاکتورهای زیر یعنی پیچیدگی طراحی، توانایی ردیابی MPP درست، هزینه ی در نظر گرفته شده، حساسیت به تغییرات جوی و همچنین سرعت همگرایی است.ترجمه توسط وبسایت ترجمه یار

6.1. پیچیدگی طراحی

     انتخاب مناسب ترین MPPT بر اساس پیچیدگی طراحی بسیار مهم است. بازدهی و پیچیدگی MPPT بسته به این است که الگوریتم چقدر در پیش بینی یا محاسبه در جستجو  برای  MPP درست یا نقطه های محلی دقیق بوده. در غیر اینصورت، انرژی خورشیدی بهینه توسط سیستمPV حاصل نشده است. به عبارتی دیگر، اجرایMPPT هم به دانش کاربر در بررسیMPPT  بستگی دارد که در ان یک نفر ممکن است در سرو کار داشتن با مدار انالوگ در حالی که دیگران مدار دیجیتال را ترجیح می دهند. با این وجود، بسیاری از الگوریتم های MPPT تصادفی مبنا اجرا شده اند به دیجیتال از ان جایی که به نرم افزار و برنامه ریزی کامپیوتری نیاز دارد.

6.2. توانایی ردیابی MPP درست

     از ان جایی که تابش خورشیدی غیر قابل پیشبینی است، این تمایل به این که سایه ی جزئی اتفاق بیافتد وجود دارد. این شرایط منجر به تشکیل قله های چندگانه بر روی شاخصه ی P-V، که به طور مستقیم بر روی بازدهی ردیابی سیستم PVتاثیر می گذارد. الگوریتم های MPPT معمول قادر به ردیابی MPP صحیح نیست در حالی که الگوریتم های MPPT تصادفی مبنا با توانایی ردیابی قله ی جهانی بیشتر از قله های محلی متعدد مجهز شده است. در این مقاله، الگوریتم های PSO و DE بیشترین توانایی را دارند درحالی که ANN وFLC به یک محرک اضافه برای تحریک کنترل کننده برای استخراج نیروی ماکزیمم از سیستم نیاز دارد.

 6.3. هزینه

      در برخی از برنامه ها به خصوص تجاری سازی، هزینه فاکتور اصلی است که باید در نظر گرفته شود. هزینه ی MPPT به تعداد سنسورهای اجرا شده در سیستم، پیچیدگی طراحی همچنین انتخاب سیستم انالوگ یا دیجیتال بستگی دارد. تعداد و نوع سنسورهای اجرا شده به این خاطر بر روی هزینه ی سیستم تهثیر می گذارد که در بسیاری از موارد سنسورهای جریان گرانتر از سنسورهای ولتاژ هستند. نوع سخخت افزارهای استفاده شده برای کنترل الگوریتمMPPT نیز بر روی هزینه ی اجرا تاثیر می گذارد درحالی که انتخاب الگوریتم استفاده شده قیمت کلی سیستم را مشخص می کند.  علاوه بر ان، مدار های انالوگ ارزانتر از مدارهای دیجیتال هستند که نیاز به برنامه ریزی کامپیوتری دارند.

      6.4. حساسیت

      یک الگوریتمMPPT خوب باید در همه ی تغییرات جوی به اندازه کافی حساس باشد. الگوریتمMPPT باید قادر به پاسخ گویی سریع و ردیابی نقطه توان ماکزیمم سیستم PV خاص در شرایط داده شده باشد،  یعنی شرایط تابش خورشیدی یکنواخت یا شرایط سایه ی جزئی.         در میان الگوریتم های MPPT،  PSOوDE که قادر به به روز رسانی نیروی بهینه سیستم PV به طور خودکار هستند زمانی که در تابش خورشیدی و و دمای محدود تغییر باشد. ترجمه توسط وبسایت ترجمه یار

6.5. سرعت همگرایی

     الگوریتمMPPT با حساسیت بالا باید قادر باشد که همگرا شود و با ولتاژ و جریان مورد نیاز ، بدون در نظر گرفتن تغییرات تدریجی و شدید شرایط جوی در سرعت بالا باشد.  نسبتا، تکنیک های MPPT معمول برای همگرا شدن با MPP درست در مقایسه با تکنیک های تصادفی زمان زیادی به طول می انجامد. به علاوه، الگوریتم های تصادفی ردیابی را در نوسان حداقل یا ناچیز انجام می دهد. خلاصه اینکه، در طراحی یک سیستمPV یکی باید سرعت همگرایی الگوریتمMPPT را همچنین عملکرد ردیابی  را برای جلوگیری از هرگونه اتلاف انرژی در نظر بگیرد. الگوریتم های        رد یابی نقطه ی توان ماکزیمم PV که در بالا ذکر شده در دو جدول شماره ی سه و چهار خلاصه شده اند.ترجمه توسط وبسایت ترجمه یار

7. نتیجه گیری      

      این مقاله نسبتا الگوریتم های MPPT موجود برای سیستم های PV را بررسی کرده است، اعم از تکنیک های متعارف تا الگوریتم های تصادفی مبنای پیشرفته امروزی. استراتژی کنترل برای استخراج توان ماکزیمم از سری خورشیدی از یک الگوریتم MPPT به دیگری. معیار های طراحی الگوریتم های MPPT به پیچیدگی طراحی، توانایی ردیابی نقطه ی توان ماکزیمم درست، قیمت، حساسیت به تغییرات جوی، سرعت همگرایی و بازدهی کنترل کننده برای عملکرد در شرایط جوی غالب می توان دسته بندی کرد. بر اساس بررسی نوشته ها، می توان نتیجه گرفت که الگوریتم های MPPT معمول، تحت تابش یکنواخت خورشیدی به خوبی کار میکنند. اما، این الگوریتم ها برای تحریک نقطه ی عملکرد سیستم PV برای ردیابی نقطه ی توان ماکزیمم درست، تحت تغییرات سریع جوی و شرایط سایه ی جزئی شکست می خورند. این موضوع با استفاده از تکنیک های MPPT جدید بسته به تصادفی و هوش مصنوعی غالب بود، که عملکرد خوب در ردیابی قله ی محلی را نشان داده است. علاوه بر این، فرایند ردیابی سریعتر است  و قادر به دست یابی MPP درست یا قله ی سراسری بدون نوسان است. امروزه، تحقیق بر روی الگوریتم های MPPT با هدف نهایی برای پیدا کردن یک الگوریتم آسان ارزان و پر بازده در حال انجام است. تقریبا همه ی انرژی های تجدید پذیر طبیعتا با مشخصه های غیر خطی می آیند، از این رو کنترل کننده ی MPPT نیاز است که مطمئن شود که برای بهترین استفاده از تکنولوژی گران، سیستم در شرایط بهینه کار می کند.          بنابراین امید است که در آینده ای نزدیک، وابستگی به منابع سوخت های فسیلی معمول را بتوان کاهش داد زمانی که نیروی خروجی از منابع تجدید پذیر به طور کامل حاصل شده و مورد استفاده قرار گیرد.                                        

error: شما فقط اجازه مطالعه دارید
قیمت می خواهید؟ ما ارزانترین قیمت را ارائه می کنیم. کافیست فایل خود را یا از طریق منوی خدمات ترجمه => ثبت سفارش ترجمه ارسال کنید یا برای ما به آدرس research.moghimi@gmail.com ایمیل کنید یا در تلگرام و واتس آپ و حتی ایمو با شماره تلفن 09367938018 ارتباط بگیرید و ارزانترین قیمت ترجمه را از ما بخواهید
+