بهبود تعقیب نقطه توان بیشینه در نیروگاه هیبریدی بادی-خورشیدی با استفاده از روش بهینه سازی PSO-ANN ترکیبی با هدف کاهش اعوجاج هارمونیکی کل در دو حالت جزیره ای و غیر جزیره ای

مدیریت ناکارآمد توان در منابع تولید پراکنده مانند توربین های بادی و سیستم های فتوولتائیک، و همچنین راندمان پایین این سیستم ها، منجر به کاهش صرفه اقتصادی آن ها می شود در این پژوهش، مسئله تعقیب نقطه توان بیشینه (MPPT) در یک نیروگاه هیبریدی بادی-خورشیدی مورد بررسی قرار گرفته است و تلاش می کند تا با در نظر گرفتن مشخصات لینک DC، نوسانات ولتاژ و جریان بار را کاهش دهد. در این مقاله، یک روش بهینه سازی ترکیبی مبتنی بر الگوریتم بهینه سازی ازدحام ذرات (PSO) و شبکه عصبی مصنوعی (ANN)به منظور بهبود تعقیب نقطه توان بیشینه (MPPT) در سیستم های هیبریدی بادی-خورشیدی و کاهش اعوجاج هارمونیکی کل (THD) ارائه شده است. سیستم های هیبریدی بادی-خورشیدی به دلیل تغییرات لحظه ای شرایط محیطی مانند تابش خورشیدی و سرعت باد، با چالش هایی در استخراج بیشینه توان مواجه هستند و به همین دلیل در این تحقیق، از روشPSO به عنوان الگوریتم جستجو و ازANN به عنوان یک مدل پیش بینی برای بهبود دقت و سرعت پاسخ استفاده شده است. ترکیب این دو روش به طور قابل توجهی توانسته است عملکرد سیستم را بهبود بخشد و همزمان اعوجاج هارمونیکی را کاهش دهد. نتایج شبیه سازی ها در نرم افزار متلب نشان می دهند که روش پیشنهادی نسبت به روش های سنتی MPPT از نظر زمان همگرایی، دقت و کاهش THD به طور قابل توجهی برتر است. اعمال کنترلر هوشمند PSO-ANN، موجب کاهش ریپل تغییرات ولتاژ لینک DC و درصد اعوجاج هارمونیکی جریان (۳ درصد) و ولتاژ بار (۲ درصد) شده و بنابراین استفاده از کنترلر عصبی که فاقد سنسورهای جریان و ولتاژ در نیروگاه ها بوده، سبب پایداری سیستم در شرایط مختلف شده است.

کلیدواژه ها:

توربین بادی ، فتوولتائیک ، کنترلر هوشمند ، تعقیب نقطه توان بیشینه ، شبکه های عصبی مصنوعی ، الگوریتم ازدحام ذرات