基于自适应终端协同后退技术的机器学习回归算法,用于在实际气候条件下对光伏系统的MPPT控制

科学领域:

• 电气工程 电气工程
• 可再生能源系统可再生能源系统
• 控制理论 控制理论

背景情况:

• 传统的最大功率点跟踪 (MPPT) 方法,如扰动和观察 (P&O),登 (HC) 和增量导电 (Inc),由于它们的简单性,在光伏 (PV) 系统中被广泛使用.
• 然而,基于人工智能 (AI) 的技术,如线性回归,正在引起人们的注意,以提高性能,特别是关于光伏系统固有的非线性.

研究的目的:

• 在光伏系统中对MPPT的非线性控制器进行比较评估.
• 开发和验证用于光伏系统的单端初级电感转换器 (SEPIC) 的自适应终端协同后退控制器.

主要方法:

• 开发了一种新的自适应终端协同后退控制器,它结合了非单元终端协同控制,整体后退和神经网络.
• 神经网络组件对未测量的变量进行近似计算,以确保有限时间的融合.
• 使用Matlab/Simulink模拟在各种条件下评估控制器的性能,包括负载变化和不同的环境设置.

主要成果:

• 拟议的自适应终端协同后续控制器表现出令人满意的性能.
• 它在相同的气候条件下,与适应式集成后退控制器相比,显示出优异的结果.
• 模拟证实了在各种测试场景中强大的性能,包括动态负载变化.

结论:

• 适应终端协同后退控制器为光伏系统中的MPPT提供了显著的进步.
• 这种人工智能驱动的方法比传统方法提供了更高的效率和稳定性.
• 控制器的有效性通过在现实和多样化的操作条件下的模拟来验证.