تحسين تتبع نقطة القدرة العظمى MPPT في الأنظمة الكهروضوئية باستخدام الشبكات العصبية الاصطناعية ANNs

Abstract

تهدف هذه المذكرة إلى تحسين تتبع نقطة القدرة العظمى في الأنظمة الكهروضوئية باستعمال الشبكات العصبية الاصطناعية، وذلك من أجل رفع كفاءة استخراج الطاقة من اللوح الشمسي تحت ظروف تشغيل متغيرة. تنطلق الدراسة من كون النظام الكهروضوئي يتميز بسلوك كهربائي غير خطي، حيث تتغير نقطة القدرة العظمى تبعًا لتغير شدة الإشعاع الشمسي ودرجة حرارة الخلايا، إضافة إلى تأثير التظليل الجزئي والحمل الكهربائي. لذلك، فإن تشغيل النظام عند نقطة ثابتة لا يضمن دائ ًما الحصول على أكبر قدرة ممكنة. تم في الجانب التطبيقي بناء نموذج للنظام الكهروضوئي في بيئة ، MATLAB/Simulinkثم اعتماد سيناريوهات مختلفة للإشعاع الشمسي ودرجة الحرارة من أجل توليد قاعدة بيانات تدريبية. استُعملت قيم الجهد Vpvوالتيار Ipvكمدخلات للشبكة العصبية، بينما استُعملت دورة العمل المرجعية ،Drefالناتجة عن خوارزمية ، P&Oكمخرج تدريبي. بعد ذلك، تم تدريب الشبكة العصبية وإدماجها داخل نموذج المحاكاة لإنتاج دورة العمل DANNوالتحكم في المحول الرافع عبر إشارة . PWM أظهرت نتائج التدريب والمحاكاة أن المتحكم العصبي المقترح قادر على تقريب دورة العمل المرجعية بدقة عالية، وتحقيق توافق واضح بين خرج الشبكة DANNوالقيم المرجعية .Drefكما بيّنت النتائج أن استعمال الشبكة العصبية في MPPTيسمح بتحسين استقرار القدرة المستخرجة وتقليل التذبذبات مقارنة بالطريقة التقليدية، مع قدرة أفضل على التكيف مع تغيرات الإشعاع والحرارة. وبذلك تؤكد الدراسة أن نظمة الشبكات العصبية الاصطناعية تمثل حلاً فعا ًلا لتحسين أداء أنظمة تتبع نقطة القدرة العظمى في الأ الكهروضوئية. This thesis aims to improve maximum power point tracking in photovoltaic systems using artificial neural networks in order to increase the efficiency of energy extraction under varying operating conditions. Photovoltaic systems exhibit nonlinear electrical behavior, as the maximum power point changes with solar irradiance, cell temperature, partial shading, and electrical load. Therefore, operating the system at a fixed point does not ensure maximum power extraction. A photovoltaic system was modeled in MATLAB/Simulink, and different irradiance and temperature scenarios were used to generate the training dataset. The photovoltaic voltage Vpv and current Ipv were used as neural network inputs, while the reference duty cycle Dref, obtained from the P&O algorithm, was used as the target output. The trained neural network was then integrated into the simulation model to generate the duty cycle DANN and control the boost converter through a PWM signal. Training and simulation results showed that the proposed neural controller accurately approximates the reference duty cycle, with strong agreement between DANN and Dref. The ANN-based MPPT method also improves the stability of the extracted power, reduces oscillations compared with the conventional method, and provides better adaptation to irradiance and temperature variations. These results confirm the effectiveness of artificial neural networks in improving the performance of photovoltaic MPPT systems.