ردیابی بیشترین توان آرایه های خورشیدی در سایه جزیی با استفاده از سیستم فازی – عصبی تطبیقی

مشخصه های سلول های خورشیدی غیر خطی هستند و مشخصه های V-I و P-I آنها وابسته به شرایط محیطی مانند دما و شدت تابش خورشید می باشد. همچنین نقطه کار سلول های خورشیدی به مقدار و نوع بار متصل به آنها نیز وابسته است. بنابراین جریان، ولتاژ و توان یک سیستم خورشیدی محدود می باشد.از طرفی، پدیده های نامتعارفی مانند ابرها، بر روی آرایه های خورشیدی، سایه های جزیی ایجاد می کنند. این سایه های جزیی نیز مقدار توان خروجی آرایه های خورشیدی را دستخوش تغییر می کنند و موجب می شوند تا نقطه کار سیستم از نقطه کار مرسوم خود که همان نقطه توان ماکزیمم ( MPP) می باشد خارج شود. در شرایط سایه جزیی، منحنی جریان- توان یک آرایه خورشیدی چندین نقطه بیشینه محلی دارد که در این حالت، سیستم های مرسوم ردیاب توان بیشینه، به یک نقطه محلی همگرا می شوند. بنابراین نیاز به الگوریتم های بهینه سازی هوشمند می باشد. این الگوریتم ها، قادر به تعیین نقطه بهینه سیستم در شرایط سایه می باشند اما در هنگام تغییرات سریع و ناگهانی شرایط محیطی (همچون دما و شدت تابش) و سایه، به دلیل کمبود زمان، این الگوریتم در تعیین دقیق نقطه بهینه سیستم ناتوان می باشد. لذا در این مقاله، ابتدا با استفاده از الگوریتم بهینه سازی مبتنی بر یادگیری (TLBO )، نقاط بهینه آرایه های خورشیدی در دما و شدت تابش متفاوت و در شرایط سایه جزیی به صورت برون خط بدست می آید. این نقاط بهینه در شرایط جوی و سایه ای متفاوت پایگاه داده اولیه برای سیستم فازی و ANFIS را تشکیل می دهند. سپس با استفاده از سیستم فازی و فازی- عصبی ANFIS، روشی سریع جهت تعیین توان بیشینه در شرایط متفاوت محیطی و وجود سایه در حالت برخط معرفی می شود. مزیت اصلی روش پیشنهادی، عدم قرارگیری در نقاط بهینه محلی و کارکرد بسیار خوب در زمان تغییرات ناگهانی در شرایط محیطی و سایه می باشد.

Keywords:

آرایه های خورشیدی , سایه جزیی , فتو ولتاییک , ردیابی توان ماکزیمم , بهینه سازی مبتنی بر آموزش و یادگیری