scholarly journals Desain dan Pemodelan Maximum Power Point Tracking Menggunakan ANFIS pada Sistem Photovoltaic dengan Buckboost Converter

2017 ◽  
Vol 2 (2) ◽  
Author(s):  
Abil Huda ◽  
Patria Julianto
Keyword(s):  
Energy Source ◽  
Fuzzy Inference ◽  
Maximum Power Point Tracking ◽  
Maximum Power ◽  
Maximum Power Point ◽  
Inference System ◽  
Point Tracking ◽  
Power Point Tracking ◽  
Neuro Fuzzy ◽  
Power Point

AbstrakKebutuhan energi listrik semakin hari semakin meningkat. Bahan bakar fosil seperti batu bara, gas dan minyak bumi merupakan energi yang tidak dapat diperbaharui serta memiliki jumlah yang terbatas. Hal itu mendorong berkembangnya energi terbarukan sebagai sumber energi alternatif pembangkit tenaga listrik. Salah satu sumber energi terbarukan adalah sel surya atau photovoltaic (PV) yang memanfaatkan energicahaya matahari. Permasalahan dalam penggunaan PV saat ini adalah efisiensinya yang masih rendah dengan biaya yang tinggi. Efisiensi PV dapat ditingkatkan menggunakan metode Maximum Power Point Tracking (MPPT) untuk menghasilkan daya maksimum PV. Penelitian tentang MPPT dilakukan dengan berbagai metode pada aplikasi sistem PV menggunakan Buckboost converter. Penelitian ini menggunakan Adaptive Neuro Fuzzy Inference System (ANFIS) sebagai MPPT untuk menjejak titik daya maksimum.Hasil penelitian menunjukkan bahwa ANFIS mampu bekerja sebagai MPPT dan memiliki respon yang baik dalam menjejak titik daya maksimum diberbagai kondisi iradiasi dan temperatur. PV menghasilkan daya maksimum saat temeperatur tetap dengan variasi iradiasi 400 W/m2, 600 W/m2, 800 W/m2 dan 1000 W/m2. PV juga menghasilkan daya maksimum saat iradiasi tetap dengan variasi temperatur 15oC, 25 oC dan 40 oC.Kata Kunci: ANFIS, Buckboost, MPPT, Photovoltaic.AbstractThe need for electric energy is increasing every day. Fossil fuels such as coal, gas and petroleum are nonrenewable energy and have a limited amount. It encourages the development of renewable energy as an alternative energy source of electricity. One renewable energy source is a solar cell or photovoltaic (PV) that utilizes solar light energy. The problem with current PV usage is its low efficiency with high cost. The PV efficiency can be improved using the Maximum Power Point Tracking (MPPT) method to generatemaximum PV power. Research on MPPT is done by various methods on PV system application using Buckboost converter. This research uses Adaptive Neuro Fuzzy Inference System (ANFIS) as MPPT to track maximum power point. The results show that ANFIS is able to work as MPPT and has a good response in tracking the maximum power point in various irradiation and temperature conditions. PV produces maximum power during fixed temperature with irradiation variations of 400 W/m2, 600 W/m2, 800 W/m2 and 1000 W/m2. PV also produces maximum power when irradiation is fixed with temperaturevariations 15oC, 25 oC and 40 oC.Keywords: ANFIS, Buckboost, MPPT, Photovoltaic

Performance Evaluation of Various Adaptive Neuro Fuzzy Inference System Based Maximum Power Point Tracking for Photovoltaic System

2015 ◽  
Vol 785 ◽  
pp. 215-219
Author(s):  
Ammar Hussein Mutlag ◽  
Hussein Shareef ◽  
Azah Mohamed ◽  
Jamal Abd Ali ◽  
Maytham S. Ahmed
Keyword(s):  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Maximum Power Point Tracking ◽  
Maximum Power ◽  
Maximum Power Point ◽  
Inference System ◽  
Point Tracking ◽  
Power Point Tracking ◽  
Neuro Fuzzy ◽  
Power Point

The maximum output power of a photovoltaic (PV) system with a DC-DC converter depends mainly on the solar irradiance (G) and the temperature (T). Therefore, a maximum power point tracking (MPPT) mechanism is required to improve the overall system. The conventional MPPT approaches such as the perturbation and observation (P&O) technique have difficulty in finding true maximum power point. Thus various intelligent MPPT systems such as fuzzy logic controllers (FLC) are recently introduced. In FLC based MPPT, selecting the type of the membership function (MF) and the number of the fuzzy sets (FS) is critical for better performance. Thus, in this paper various adaptive neuro fuzzy inference system (ANFIS) is utilized to automatically tune the FLC membership functions instead of adopting the trial and error method. To find suitable MF for FLC, ANFIS is developed in MATLAB/Simulink and the effect of different types MF investigated. Simulation result shows that the FLC with triangular MF and seven FS give the best result. The evaluation indices used in this study includes the maximum extracted energy, minimum standard deviation of the error, and minimum mean square error.

scholarly journals PENGOPTIMALAN ENERGI TERBARUKAN MENGGUNAKAN MAXIMUM POWER POINT TRACKING BERBASIS ADAPTIVE NEURO FUZZY INFERENCE SYSTEM DAN PHOTOVOLTAIC BERBASIS DYE SENTIZED SOLAR CELL (DSSC)

2019 ◽  
Vol 9 (1) ◽  
pp. 95
Author(s):  
Abil Huda Huda ◽  
Hadi Santoso
Keyword(s):  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Maximum Power Point Tracking ◽  
Maximum Power ◽  
Maximum Power Point ◽  
Inference System ◽  
Point Tracking ◽  
Power Point Tracking ◽  
Neuro Fuzzy ◽  
Power Point

Saat ini bahan bakar fosil berupa minyak bumi dan batu-bara masih menjadi sumber energi yang paling banyak digunakan dalam proses pembangkitan tenaga listrik. Bahan bakar fosil tersebut tidak dapat diperbarui dan jumlahnya semakin menipis seiring dengan berjalannya waktu. Karena kebutuhan energi listrik semakin hari semakin meningkat, sumber energi alternatif terutama sumber energi terbarukan menjadi semakin dibutuhkan. (Sankarganesh, R. & Thangvel).Salah satu sumber energi terbarukan adalah Photovoltaic (PV) yang memanfaatkan energi cahaya matahari. Sumber energi ini memiliki kelebihan yaitu bersih dan tersedia di alam dalam jumlah yang melimpah (Soedibyo, Priananda, C. W. & Haikal, M. A).Sejak ditemukannya PV, teknologi ini terus berkembang hingga saat ini telah ditemukan beberapa jenis sel surya. Pada tahun 1991, seorang ilmuan asal Swis, Michael Gratzel menemukan salah satu jenis sel surya yang memanfaatkan kandungan organik tumbuhan. Temuannya tersebut dikenal dengan Dye Sensitized Solar Cell (DSSC). Prinsip kerja DSSC adalah memanfaatkan eksitasi elektron oleh foton pada cahaya matahari yang mengenai bagian sensitif dari tumbuhan yang disebut dengan dye (O’regan dan Gratzel).Permasalahan dalam penggunaan PV, tak terkecuali jenis DSSC saat ini adalah efisiensinya yang masih rendah dengan biaya yang tinggi. Kebutuhan penggunaan PV yang semakin meningkat mendorong berbagai penelitian mengenai peningkatan efisiensi pada sistem PV. Terdapat tiga faktor yang mempengaruhi efisiensi sistem PV. Pertama adalah material PV. Kedua adalah efisiensi konverter dan efisiensi algoritma Maximum Power Point Tracking (MPPT) (Devi, M. L. & Chilambarasan, M).Adaptive Neuro Fuzzy Inference System (ANFIS) merupakan metode yang menggunakan jaring syaraf tiruan (Neural Network) untuk mengimplementasikan Fuzzy Inference System (FIS) atau sistem inferensi fuzzy. Keunggulan sistem inferensi fuzzy adalah dapat menerjemahkan pengetahuan dari pakar dalam bentuk aturan-aturan, namun biasanya dibutuhkan waktu yang lama untuk menetapkan fungsi keanggotaannya. Oleh sebab itu dibutuhkan teknik pembelajaran dari jaringan syaraf tiruan untuk mengotomatisasi proses tersebut sehingga dapat mengurangi waktu pencarian, hal tersebut menyebabkan metode ANFIS sangat baik untuk diterapkan pada MPPT (Tarek, B., Said, D., & Benbouzid, M.E.H).Penelitian ini mengoptimalkan sistem photovoltaic menggunakan DSSC untuk sisi material, Cuk converter untuk sisi converter dan metode ANFIS sebagai MPPT (Maximum Power Point Tracking) yang mengontrol Cuk converter untuk aplikasi sistem PV.

A Novel Technique for Maximum Power Point Tracking of a Photovoltaic Based on Sensing of Array Current Using Adaptive Neuro-Fuzzy Inference System (ANFIS)

2016 ◽  
Vol 17 (5) ◽  
pp. 547-554
Author(s):  
Helmy M. El-Zoghby ◽  
Ahmed F. Bendary
Keyword(s):  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Maximum Power Point Tracking ◽  
Maximum Power ◽  
Maximum Power Point ◽  
Inference System ◽  
Point Tracking ◽  
Power Point Tracking ◽  
Neuro Fuzzy ◽  
Power Point

Abstract Maximum Power Point Tracking (MPPT) is now widely used method in increasing the photovoltaic (PV) efficiency. The conventional MPPT methods have many problems concerning the accuracy, flexibility and efficiency. The MPP depends on the PV temperature and solar irradiation that randomly varied. In this paper an artificial intelligence based controller is presented through implementing of an Adaptive Neuro-Fuzzy Inference System (ANFIS) to obtain maximum power from PV. The ANFIS inputs are the temperature and cell current, and the output is optimal voltage at maximum power. During operation the trained ANFIS senses the PV current using suitable sensor and also senses the temperature to determine the optimal operating voltage that corresponds to the current at MPP. This voltage is used to control the boost converter duty cycle. The MATLAB simulation results shows the effectiveness of the ANFIS with sensing the PV current in obtaining the MPPT from the PV.

scholarly journals Pemodelan dan Simulasi Maximum Power Point Tracking Menggunakan Adaptive Neuro Fuzzy Inference System pada Aplikasi Fotovoltaik dengan Konverter Cuk

2019 ◽  
Vol 5 (1) ◽  
pp. 25-29
Author(s):  
Abil Huda
Keyword(s):  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Maximum Power Point Tracking ◽  
Maximum Power ◽  
Maximum Power Point ◽  
Inference System ◽  
Point Tracking ◽  
Power Point Tracking ◽  
Neuro Fuzzy ◽  
Power Point

Penelitian ini menggunakan metode Adaptive Neuro Fuzzy Inference System (ANFIS) dalam pemodelan Maximum Power Point Tracking (MPPT) untuk mengontrol konverter Cuk sehingga fotovoltaik (PV) menghasilkan daya maksimum.  Sistem ini menggunakan Fotovoltaik 200 W dan konverter Cuk dengan desain teganganterhubung beban. Dari hasil penelitian, PV dapat menghasilkan daya maksimum dengan variasi iradiasi dan temperatur pada kondisi statis. ANFIS dapat bekerja dengan baik dalam menjejak titik daya maksimum atau sebagai kontrol MPPT pada sistem PV terhadap perubahan iradiasi dan temperatur dalam kondisi statis. Akurasi daya PV terhadap daya maksimum pada kondisi variasi iradiasi dan temperatur berada di atas 90%.

scholarly journals Κατανεμημένη ενισχυτική μάθηση για έλεγχο και διαχείριση ενέργειας απομακρυσμένων αυτόνομων φωτοβολταϊκών μικροδικτύων

2018 ◽  
Author(s):  
Παναγιώτης Κοφινάς
Keyword(s):  
Fuzzy Inference ◽  
Big Bang ◽  
Standard Test ◽  
Maximum Power ◽  
Maximum Power Point ◽  
Inference System ◽  
Point Tracking ◽  
Power Point Tracking ◽  
Neuro Fuzzy ◽  
Power Point

Στην παρούσα διδακτορική διατριβή, προτείνονται τρόποι προσέγγισης για την επίλυση του προβλήματος της διαχείρισης ενέργειας σε αυτόνομα φωτοβολταϊκά μικροδίκτυα. Στην αυτόνομη λειτουργία ενός μικροδικτύου, το κύριο ζήτημα που πρέπει να διασφαλιστεί είναι η παροχή της ηλεκτρικής ενέργειας. Στόχος είναι να διατηρηθεί, αν όχι να αυξηθεί, η αξιοπιστία του μικροδικτύου από τις αβεβαιότητες που εισάγουν οι ανανεώσιμες πηγές ενέργειας και η στοχαστική ζήτηση των καταναλωτών. Στη παρούσα διατριβή, προτείνεται ένας πράκτορας (agent) ενισχυτικής μάθησης για την λύση του προβλήματος της διαχείρισης ενέργειας σε αυτόνομο φωτοβολταϊκό μικροδίκτυο που αποτελείται από φωτοβολταϊκή πηγή, μπαταρία, δυναμικό φορτίο και μονάδα αφαλάτωσης. Ο πράκτορας ενσωματώνει στρατηγικές ενισχυτικής μάθησης και εξασφαλίζει τη δυνατότητα μάθησης αλληλεπιδρώντας με το περιβάλλον. Ο πράκτορας δεν περιορίζεται μόνο στη διαχείριση της μπαταρίας αλλά και στην μονάδα αφαλάτωσης, η οποία ικανοποιεί την ζήτηση των χρηστών σε πόσιμο νερό. Τα αποτελέσματα των προσομοιώσεων έδειξαν καλή διαχείριση ενέργειας παρουσιάζοντας μικρές αδυναμίες. Οι αδυναμίες αυτές εντοπίζονται σε ορισμένες περιπτώσεις όπου η ζητούμενη ενέργεια δεν μπορεί να καλυφθεί ή η μπαταρία υπόκειται σε αρκετές βαθιές εκφορτίσεις. Τα προβλήματα αυτά οφείλονται κυρίως στην γενική διακριτοποίηση του χώρου των καταστάσεων που σε συνδυασμό με τον απλό αλγόριθμο εξερεύνησης/αξιοποίησης του πράκτορα έχει ως αποτέλεσμα την ελλιπή εξερεύνηση του χώρου καταστάσεων-ενεργειών. Ένα ακόμα πρόβλημα αποτελεί η απλή συνάρτηση ανταμοιβής που έχει ως αποτέλεσμα την αργή σύγκλιση του αλγόριθμου και τέλος, ο μεγάλος χρονικός κύκλος λειτουργίας του πράκτορα που δεν αντιλαμβάνεται έγκαιρα μεταβολές στην παραγωγή και στην ζήτηση της ισχύος. Λαμβάνοντας υπόψη τις παραπάνω αδυναμίες, πραγματοποιήθηκαν στον πράκτορα τροποποιήσεις. Οι μεταβλητές κατάστασης του πράκτορα ορίστηκαν καλύτερα και η διακριτοποίηση έγινε πιο λεπτομερής, χρησιμοποιήθηκε ένας πιο σύνθετος αλγόριθμος εξερεύνησης, η ανταμοιβή στηρίχθηκε σε ένα σύστημα ασαφούς λογικής δομημένο με υποκειμενικούς κανόνες και ο χρονικός κύκλος λειτουργίας του πράκτορα μειώθηκε. Τα αποτελέσματα της προσομοίωσης έδειξαν περαιτέρω βελτίωση και στην διαχείριση της μπαταρίας αλλά και στην κάλυψη των ενεργειακών αναγκών.Επίσης, στη παρούσα διδακτορική πραγματοποιείται διαχείριση ενέργειας σε ένα πιο σύνθετο αυτόνομο φωτοβολταϊκό μικροδίκτυο που απαρτίζεται από πολλές μονάδες (φωτοβολταϊκή μονάδα, μονάδα αφαλάτωσης, ηλεκτρολυτική μονάδα, κυψέλη καυσίμου, ντιζελογεννήτρια, μπαταρία και δυναμικό φορτίο). Για τη λύση του προβλήματος της διαχείρισης ενέργειας σε αυτό το μικροδίκτυο, προτείνεται ένα πολυπρακτορικό (multiagent) σύστημα βασισμένο σε μια τροποποιημένη προσέγγιση της ανεξάρτητης μάθησης. Με αυτό τον τρόπο, το πρόβλημα αντιμετωπίζεται σε ένα πλήρως αποκεντρωμένο πλαίσιο, χωρίς την χρήση κάποιου πράκτορα συντονιστή. Οι πράκτορες δεν έχουν ενσωματωμένη γνώση και μαθαίνουν μέσω της αλληλεπίδρασης με το περιβάλλον. Αυτό επιτρέπει την αναπροσαρμογή της στρατηγικής τους σε πιθανές αλλαγές που μπορεί να υποστεί το μικροδίκτυο. Η τροποποιημένη προσέγγιση της ανεξάρτητης μάθησης έγκειται στο γεγονός ότι εκμεταλλεύεται μόνο τις τοπικές ανταμοιβές και τις πληροφορίες κατάστασης που σχετίζονται με τον κάθε πράκτορα. Αυτό έχει σαν επακόλουθο, τη μείωση του χώρου των καταστάσεων και την ενίσχυση του μηχανισμού μάθησης. Προκειμένου να αντιμετωπιστεί ο συνεχής χώρος καταστάσεων-ενεργειών αντί για απλή διακριτοποίηση, εισήχθη η ασαφής Q-μάθηση σε κάθε πράκτορα. Με αυτό τον τρόπο, επιτρέπεται ο διαμοιρασμός της ισχύος ανάμεσα στις μονάδες αφού μπορούν να λειτουργήσουν και υπό μερικό φορτίο. Παράλληλα, προς την λύση του προβλήματος της διαχείρισης ενέργειας, χρειάστηκαν να αναπτυχθούν μεθοδολογίες και να επιλυθούν και άλλα προβλήματα άμεσα συσχετιζόμενα με το κεντρικό πρόβλημα. Συγκεκριμένα, για να χρησιμοποιηθεί η μονάδα της αφαλάτωσης στις προσομοιώσεις χρειάστηκε να αναπτυχθεί ένα μοντέλο της διεργασίας, το οποίο έχει ως είσοδο την καταναλισκόμενη ισχύ και ως έξοδο τον ρυθμό παραγωγής του νερού και την ποιότητα του νερού (ηλεκτρική αγωγιμότητα). Για την ανάπτυξη του μοντέλου, χρησιμοποιήθηκαν πραγματικές μετρήσεις από την μονάδα αφαλάτωσης αντίστροφης ώσμωσης, η οποία είναι εγκατεστημένη στο Γεωπονικό Πανεπιστήμιο Αθηνών. Για την ανάπτυξη του μοντέλου χρησιμοποιήθηκε το ANFIS (Adaptive Neuro-Fuzzy Inference System) ως εργαλείο μοντελοποίησης και δεν χρειάστηκε μαθηματική μοντελοποίηση. Επιπλέον, ήταν απαραίτητο να λυθεί το πρόβλημα της ανίχνευσης του μέγιστου σημείου ισχύος (Maximum Power Point Tracking – MPPT) των φωτοβολταϊκών πηγών. Το μικροδίκτυο που μελετάται ως προς την διαχείριση της ενέργειας είναι ένα αυτόνομο φωτοβολταϊκό μικροδίκτυο. Αυτό σημαίνει ότι δεν υπάρχει διασύνδεση με το δημόσιο ηλεκτρικό δίκτυο και από τις μονάδες παραγωγής ανανεώσιμης ενέργειας υπάρχει μόνο η φωτοβολταϊκή πηγή. Αυτό κάνει επιτακτική την ανάγκη εκμετάλλευσης όσο το δυνατόν μεγαλύτερης ποσότητας ενέργειας προερχόμενη από την φωτοβολταϊκή πηγή. Το σημείο μέγιστης λειτουργίας (Maximum Power Point - MPP) είναι ένα μοναδικό σημείο τάσεως και ρεύματος, όπου η ισχύς που παράγεται από την φωτοβολταϊκή πηγή μεγιστοποιείται. To σημείο λειτουργίας μιας φωτοβολταϊκής πηγής επηρεάζεται από τις περιβαλλοντικές συνθήκες (θερμοκρασία και ηλιακή ακτινοβολία) και από το φορτίο που είναι συνδεδεμένη. Σκοπός είναι το σημείο λειτουργίας της φωτοβολταϊκής πηγής να συμπίπτει συνεχώς με το MPP. Επιπροσθέτως, ένα σημαντικό πρόβλημα που χρήζει επίλυσης στις φωτοβολταϊκές πηγές είναι οι συνθήκες μερικής σκίασής τους. Σε αυτές τις συνθήκες, η χαρακτηριστική καμπύλη ρεύματος-τάσης έχει πολλαπλά τοπικά μέγιστα που δυσκολεύουν την ανίχνευση του καθολικού μέγιστου. Στην παρούσα διδακτορική διατριβή, προτείνονται δύο λύσεις για το πρόβλημα ελέγχου του MPPT. Συγκεκριμένα, προτείνεται μεθοδολογία που χρησιμοποιεί έναν και μόνο νευρώνα για την επίτευξη MPPT. Ο ελεγχόμενος νευρώνας συνδυάζει online μάθηση βασισμένη στην μέθοδο της κατάβασης δυναμικού και offline μάθηση βασισμένη στον μεθευρετικό αλγόριθμο “Big Bang Big Crunch” (BB-BC). Οι παράμετροι που χρήζουν βελτιστοποίησης είναι μόνο τέσσερεις, οι αρχικές τιμές των τριών βαρών του νευρώνα και η κλίση της σιγμοειδούς συνάρτησης ενεργοποίησης. Ακόμα, για τα προβλήματα που εισάγουν οι συνθήκες μερικής σκίασης, προτείνεται η χρησιμοποίηση του νευρώνα με τη κλιμακωτή τοπολογία μετατροπέων όπου για κάθε φωτοβολταϊκό πλαίσιο της πηγής χρησιμοποιείται ένας μετατροπέας και ένας νευρώνας. Η μέγιστη ισχύς εξάγεται από το κάθε φωτοβολταϊκό πλαίσιο ξεχωριστά και εφαρμόζεται μέσω τον μετατροπέων συνολικά στο φορτίο.Επίσης, προτείνεται φωτοβολταϊκός καθολικός ανιχνευτής μέγιστης ισχύος, ο οποίος βασίζεται στην ενισχυτική μάθηση και είναι αναγκαίο να ρυθμιστούν από την αρχή μόνο δύο παράμετροι, το ρεύμα βραχυκυκλώσεως και η τάση ανοιχτοκυκλώσεως της πηγής στις πρότυπες συνθήκες δοκιμής (Standard Test Conditions-STC:25OC & 1000W/m2). Ο πράκτορας αλληλεπιδρά με το περιβάλλον και μαθαίνει να ενεργεί κατάλληλα σε διαφορετικές περιβαλλοντικές συνθήκες αλλά και σε μεταβλητά ηλεκτρικά φορτία με πολύ μικρά σφάλματα και καθόλου ταλαντώσεις γύρω από το MPP.

Maximum Power Point Tracking for Grid-tied PV System Using Adaptive Neuro-Fuzzy Inference System

2021 ◽  
Author(s):  
Mohamed H. Osman ◽  
Mohamed A. Elseify ◽  
Mamdouh K. Ahmed ◽  
Nikolay V. Korovkin ◽  
Ahmed Refaat
Keyword(s):  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Maximum Power Point Tracking ◽  
Pv System ◽  
Maximum Power Point ◽  
Inference System ◽  
Point Tracking ◽  
Power Point Tracking ◽  
Neuro Fuzzy ◽  
Power Point
Sign in / Sign up

Export Citation Format

Share Document