نمذجة شبكة عصبونية صنعية متعددة الطبقات لتقدير نسبة التشغيل لمبدل رافع الجهد المستمر لتتبع نقطة الاستطاعة العظمى لنظم الطاقة الكهروضوئية

يتناول البحث نمذجة شبكة عصبونية صنعية متعددة الطبقات ذات تغذية أمامية مدربة باستخدام خوارزمية الانحدار التدريجي للخطأ ذات معامل الزخم و معدل التعلم المتغير، و ذلك لتقدير خرج الشبكة العصبونية الموافق لنسبة التشغيل الأمثل لمبدل رافع الجهد المستمر اعتماداً على استخدام قياسات تغيرات كل من درجة حرارة الخلية الشمسية و شدة الإشعاع الشمسي، لتتبع نقطة الاستطاعة العظمى MPP لنظم الطاقة الشمسية الكهروضوئية. بالتالي يعتبر المتحكم DMPPT-ANN (Developed MPPT-ANN) المقترح في البحث، مستقل في عمله عن استخدام القياسات الكهربائية لخرج نظام PV لتحديد نسبة التشغيل، و دون الحاجة لاستخدام متحكم تناسبي-تكاملي PI) (Proportional Integral للتحكم في دورة عمل مبدل الجهد، و هذا من شأنه تحسين الأداء الديناميكي للمتحكم المقترح بتحديد نسبة التشغيل بدقة و سرعة فائقة. في هذا السياق، يناقش البحث الاختيار الأمثل لهيكلية الشبكة المقترحة من حيث تحديد العدد الأمثل للطبقات الخفية و العدد الأمثل للعصبونات الموجودة فيها، بتقييم قيم متوسط مربع الخطأ و معامل الارتباط الناتجة بعد كل عملية تدريب للشبكة العصبونية. بعد ذلك يعتمد نموذج الشبكة النهائي الذي يمتلك الهيكلية الأمثل، ليشكل المتحكم المتقرح في البحث DMPPT-ANN لتتبع نقطة MPP لنظام.PV أظهرت نتائج المحاكاة المنجزة في بيئة Matlab/Simulink، الأداء الأفضل للمتحكم DMPPT-ANN المقترح المرتكز على نموذج الشبكة العصبونية MLFFNN، و ذلك بدقة تقدير نسبة التشغيل و بتحسين سرعة استجابة نظام PV في الوصول لنقطة MPP، بالإضافة إلى التخلص بشكل نهائي من التذبذبات الناتجة في الحالة المستقرة في منحني استجابة استطاعة خرج نظام PV مقارنة مع استخدام عدد من المتحكمات المرجعية المستخدمة: متحكم تتبع متقدم MPPT-ANN-PI مرتكز على شبكة عصبونية ANN لتقدير توتر نقطة MPP مع متحكم PI تقليدي، متحكم عائم MPPT-FLC ومتحكم تتبع تقليدي MPPT-INC يستخدم تقنية زيادة الناقلية INC

This research deals with the modeling of a Multi-Layers Feed Forward Artificial Neural Networks (MLFFNN), trained using Gradient Descent algorithm with Momentum factor & adaptive learning rate, to estimate the output of the neural network corresponding to the optimal Duty Cycle of DC-DC Boost Converter to track the Maximum Power Point of Photovoltaic Energy Systems. Thus, the DMPPT-ANN “Developed MPPT-ANN” controller proposed in this research, independent in his work on the use of electrical measurements output of PV system to determine the duty cycle, and without the need to use a Proportional-Integrative Controller to control the cycle of the work of the of DC-DC Boost Converter, and this improves the dynamic performance of the proposed controller to determine the optimal Duty Cycle accurately and quickly. In this context, this research discusses the optimal selection of the proposed MLFFNN structure in the research in terms of determining the optimum number of hidden layers and the optimal number of neurons in them, evaluating the values of the Mean square error and the resulting Correlation Coefficient after each training of the neural network. The final network model with the optimal structure is then adopted to form the DMPPT-ANN Controller to track the MPP point of the PV system. The simulation results performed in the Matlab / Simulink environment demonstrated the best performance of the proposed DMPPT-ANN controller based on the MLFFNN neural network model, by accurately estimating the Duty Cycle and improving the response speed of the PV system output to MPP access, , as well as finally eliminating the resulting oscillations in the steady state of the Power response curve of PV system compared with the use of a number of reference controls: an advanced tracking controller MPPT-ANN-PI based on ANN network to estimate MPP point voltage with conventional PI controller, a MPPT-FLC and a conventional MPPT-INC uses the Incremental Conductance technique INC