بخشی از مقاله
چکیده
انرژی موردنیاز انسانها توسط سوختهای فسیلی تأمین میشود اما انرژیهای تجدید پذیر به خاطر مزایایی که دارند برای تأمین انرژی بهترند. صفحات فتوولتاییک بزرگترین منبع تولید انرژیهای تجدید پذیر هستند. بزرگترین مشکل سیستمهای خورشیدی راندمان نسبتاً پایین و هزینه بالای آنهاست. در سیستمهای خورشیدی از یک مبدل برای تبدیل ولتاژ به سطوح بالاتر یا پایینتر استفاده میشود. در این کار از یک ساختار جدید مبدل DC-DC جدید برای استفاده در سیستمهای خورشیدی و یک الگوریتم بهینهسازی برای ردیابی نقطه حداکثر توانٌ آن استفاده خواهد شد تا راندمان سیستم افزایش یابد. الگوریتمها انواع مختلفی دارند که در این کار الگوریتم شبکه عصبی آموزش دیده توسط رقابت استعماری در کنترل مبدل به کار گرفتهشده است. نتایج نشان خواهند داد که مبدل و الگوریتم به کار گرفتهشده باعث میشوند راندمان بالایی از سیستم خورشید گرفته شود.
واژههای کلیدی: ردیابی نقطه حداکثر توان سلول خورشیدی، الگوریتم شبکه عصبی، مبدل، سیستم فتوولتاییک، .mppt
-1 مقدمه
در زمانهای گذشته نگرانیهای زیادی درباره گرم شدن زمین، بالا رفتن قیمت سوخت و تمام شدن نفت بوده است.[1] امتیاز خوبی که این موضوع داشته این است که ذهن اکثر مردم را به سمت انرژیهای تجدید پذیر کشانده شد. بهترین شکل انرژیهای تجدید پذیر سلولهای خورشیدی است به خاطر برتریهایی مثل پاکی، نداشتن سروصدا و نوسان، همچنین راحتی نصب و سرهمبندی که نسبت به توربینهای بادی دارد. اگرچه توان ورودی سلولهای خورشیدی تا حد زیادی توسط تابش خورشید و دمای پانل تعیین میشود. در یک شرایط آب و هوائی معین، توان خروجی به ولتاژ ترمینال بستگی دارد. برای بیشینه کردن توان خروجی سیستم فتوولتاییک ولتای یک، یک مبدل dc-dc ارزان باراندمان بالا به همراه یک الگوریتم ردیابی حداکثر توان به کار گرفته میشود تا ولتاژ ترمینال سیستم فتوولتاییک را در تابشهای مختلف در مقدار بهینه خود نگه دارد.
در اکثر سیستمهای فتوولتاییک سه فنّاوری مهم از مبدلها را استفاده میکنیم. اولین آنها مبدل باک است. مبدل باک در ولتاژهای پایین به کار میرود و خروجی ولتاژ آن از رابطه زیر به دست می آید . دومین مبدل که معمولاً در سیستمهای استفاده میکنیم مبدل بوست است. در کاربردهایی که یک مبدل با ضریب تبدیل بالا نیاز است از مبدل بوست استفاده می شود که خروجی ولتاژ آن از رابطه زیر به دست می آید. سومین نوع مبدل که معمولاً در سیستمهای فوتوولتاییک استفاده میکنیم مبدل بوست کسکید است. مبدلهای بوست کسکید یک خروجی دارند که برابر است با ولتاژ ورودی تقسیمبر توان nام سیکل وظیفه، که n برابر است با تعداد مبدلهای بوست که سری باهم قرار دادهشدهاند . بر اساس منحنی I-V، در شکل 1 دیده میشود که نقطه عملکرد PV میتواند از صفرتا ولتاژ مدارباز متفاوت باشد. نقطه کار همیشه در نقطه ماکزیمم توان باقی نمیماند، بلکه با بار تغییر میکند. بنابراین، سیستم همیشه تمام انرژی خورشیدی را به بار تحویل نمیدهد. بهمنظور حل این مشکل، یک نوع انقلابی از دستگاههای الکترونیک قدرت، MPPT، برای تعیین نقطه کار حداکثر معرفیشده است.
یک سیستم PV که به یک کنترلکننده MPPT متصل است، قادر به جستجوی نقطه توان حداکثر - MPP - و ارائه بهترین حالت استفاده از آرایه PV است. با استفاده از MPPT ، تضمین میشود که سیستم PV بهطور مداوم در نقطه MPP درست عمل میکند. الگوریتمهای MPPT مختلفی برای سیستمهای PV توسعهیافتهاند. این روشها را میتوان به روشهای معمول واخیراً توسعهیافته که بر اساس روشهای تصادفی هستند طبقهبندی کرد. روشهای سابق توسعه دادهشده عملکرد خوبی در پیگیری MPP تحت تابش یکنواخت نشان میدهند. بااینحال، تحت تغییرات محیطی سریع و شرایط سایه جزئی، الگوریتمهای معمول MPPT موفق به ردیابی نقطه ماکزیمم کلی - GP - نمیشوند. ازاینرو، روشهای تصادفی و مبتنی بر هوش مصنوعی برای استخراج توان بهینه از یک سیستم PVتحت هر شرایط جوی، ازجمله سایه جزئی توسعه دادهشده است . [2 ] در این کار از یک ساختار جدید مبدل DC-DC برای استفاده در سیستم های خورشیدی و ردیابی نقطه حداکثر توان آن استفاده خواهد شد. الگوریتم های P&O و استفاده از شبکه عصبی برای سیستم ردیابی نقطه حداکثرتوان استفاده خواهد شد. و همچنین از شبکه عصبی آموزش دیده توسط الگوریتم رقابت استعماری به عنوان نو آوری دیگر استفاده خواهد شد.
-1 روش اغتشاش و مشاهده
همانطور که در شکل 2 فلوچارت این روش نشان دادهشده است، الگوریتم روش P&O1 با افزایش یا کاهش ولتاژ یا جریان ترمینال آرایه PV در فواصل زمانی معین و سپس مقایسه توان خروجی کنونی PV با توان خروجی نمونهگیری شده قبلی، اقدام به ردیابی نقطه توان حداکثر مینماید. اگر ولتاژ کار آرایه PV تغییر یابد و توان نیز افزایش یابد - dP/dV, P.V> 0 - ، سیستم نقطه کار آرایه PV را دران جهت تنظیم میکند و در غیر این صورت نقطه کار به جهت مخالف حرکت میکند. در هر نقطه انحراف، الگوریتم جهت کار در همان نقطه ادامه مییابد. مزیت اصلی این روش ساده بودن آن است و همین امر موجب رایج شدن آن در سیستمهای کنترلی جدید شده است و علاوه بر این در این الگوریتم نیازی به دانش قبلی از ویژگیهای پانل PV نیست و از طرفی زمانی که تابش خورشید خیلی سریع تغییر نمیکند، کارایی خوبی را از خود نشان خواهد داد. عیب بارز این روش وجود نوسانات زیاد حول نقطه عملکرد در حالت ماندگار است. به همین علت بایستی فرکانس انحراف بهاندازه کافی پایین باشد تا سیستم بتواند قبل از انحراف بعدی به پایداری برسد. همچنین اندازه گام انحراف باید در حد مطلوب انتخابشده باشد، چراکه کنترلکننده تحت تأثیر نویز اندازهگیری شده قرار نمیگیرد و تغییرات قابلاندازهگیری و چشمگیری در خروجی آرایه فتوولتاییک ایجاد میگردد. همانطور که متذکر شدیم روش اغتشاش و مشاهده کلاسیک دارای نوسانات حول MPP است؛ همچنین دارای بازده پائینی در تابشهای کم است .[3]
-2 روش شبکه عصبی مصنوعی
سادهترین نمونه از یک شبکه عصبی مصنوعی - ANN - در شکل 3 نشان دادهشده است. از شکل 3 مشاهده میشود که این شبکه دارای سه لایه بهنامهای لایه ورودی، لایه مخفی و لایه خروجی است. در شبکههای عصبی پیچیدهتر، به لایههای مخفی افزوده میگردد. تعداد لایهها و گرهها در هر لایه وابسته به دانش قبلی از سیستم است. جهت تضمین عمل در MPPT شبکه عصبیالزاماً باید تعلیم ببیند و ازاینرو نیاز به اطلاعات آرایه PV است. متغیرهای ورودی میتواند پارامترهای مربوط به آرایه PV مانند VOC و ISC ، دما و تابش یا ترکیبی از این موارد باشد. خروجی شبکهمعمولاً یک یا چند سیگنال مرجع شبیه به دوره کار یا ولتاژ مرجع لینک DC است.