دانلود شبیه سازی و ترجمه مقاله یک کنترلر mppt شبکه های عصبی با اندازه ی گام متغیر

1. مقدمه 2. پژوهش های مرتبط با استفاده از شبکه های عصبی در PV MPPT 3. مدل سازی سلول فتوولتائیک 4. روش مشاهده و اختلال متداول 5. الگوریتم MPPT شبکه های عصبی گام ثابت پیشنهادی 6. نتایج شبیه سازی 7. نتایج تجربی 8. نتیجه گیری

چکیده در این مقاله، دو کنترل کننده ی MPPT شبکه ی عصبی مصنوعی جدید مبتنی بر اندازه های گام ثابت و متغیر، ارائه شده و مورد بررسی قرار گرفته است. داده های ضروری برای ایجاد مدل ANN، با استفاده از اختلال کلاسیک و الگوریتم مشاهده، تولید شده اند. کنترل کننده ی MPPT شبکه ی عصبی در دو مرحله توسعه یافته است: گام آفلاین مورد نیاز برای یادگیری پارامترهای شبکه های عصبی مختلف به منظور یافتن کنترل کننده ی MPPT شبکه ی عصبی بهینه (ساختار، تابع فعال سازی و الگوریتم یادگیری) و گام آنلاین که در آن کنترل کننده ی MPPT شبکه ی عصبی بهینه در سیستم PV استفاده شده است. عملکرد روش های ANN-MPPT اندازه ی گام ثابت و اندازه ی گام متغیر پیشنهادی، تحت شریط عملکردی مختلف و با استفاده از نرم افزار سیمولینک متلب مورد آنالیز قرار گرفته است. برای اعتبار بخشی به سیستم شبیه سازی شده، پیاده سازی سخت افزاری الگوریتم های پیشنهادی با استفاده از نمونه ی تجربی MPPT مبتنی بر مبدل بازگشتی متصل به مدار کنترلی Solarex MSX-60 (4 پانله) و dsPIC30F4011، انجام گرفته است. مطالعه ی مقایسه ای و تحلیلی بین کنترل کننده ی ANN-MPPT با اندازه ی گام متغیر و ثابت پیشنهادی ارائه شده است، و سهم واقعی آن از نظر دقت ردیابی، زمان پاسخ و ریپل حالت پایدار و فراجهش، نشان داده شده است. علاوه بر این، این مقاله را می-توان به عنوان مطالعه ای در زمینه ی روش های ANN-MPPT برای سیستم های PV در نظر گرفت.

In this paper, two new Artificial Neural Network MPPT controllers based on fixed and variable step size have been proposed and investigated. The data required to generate the ANN model are generated using the classical Perturbation and Observation algorithm. The neural network MPPT controller is developed in two steps: the offline step required for training of different neural networks parameters in order to find the optimal neural network MPPT controller (structure, activation function and training algorithm) and the Online step where the optimal neural network MPPT controller is used in PV system. The performance of the proposed variable step size and fixed step size ANN-MPPT methods are analyzed under different operating conditions using Matlab/ Simulink. To validate the simulated system hardware implementation of the proposed algorithms was carried out using experimental prototype MPPT based on Flyback converter connected to Solarex MSX-60 (4 panels) and dsPIC30F4011 control circuit. Analysis and comparative study between the proposed fixed and variable step size ANN-MPPT controllers have been presented, showing a real contributions in term of tracking accuracy, response time, overshoot and steady state ripple. In addition, this paper can be considered as a review study on ANN-MPPT methods for PV systems.