طراحی و پیاده سازی کنترل کننده مبتنی بر شبکه های عصبی عمیق برای ردیابی توان حداکثری در سیستم های فتوولتائیک سایه دیده با سرعت همگرایی بالا

سیستم های فتوولتائیک (PV) به عنوان یکی از پاک ترین منابع تولید برق نقش فزاینده ای در سبد انرژی جهانی ایفا می کنند. با این حال پدیده سایه اندازی جزئی Partial Shading با ایجاد قله های متعدد در مشخصه توان-ولتاژ عملکرد الگوریتم های کلاسیک ردیابی نقطه توان حداکثری (MPPT) را به شدت مختل می سازد. در این مقاله یک کنترل کننده نوین مبتنی بر معماری هیبریدی CNN-LSTM برای حل این چالش پیشنهاد می شود. معماری پیشنهادی از شبکه های کانولوشنی (CNN) برای استخراج ویژگی های مکانی-طیفی از سیگنال های اندازه گیری شده و از لایه های حافظه کوتاه مدت طولانی (LSTM) برای مدل سازی دینامیک های زمانی متغیر سیستم بهره می برد. شبکه با استفاده از ۱۰,۰۰۰ الگوی سایه اندازی شبیه سازی شده در محیط MATLAB/Simulink آموزش دیده و با بهینه ساز Adam و تکنیک های پیشرفته جلوگیری از بیش برازش تنظیم شده است. نتایج نشان می دهند که روش پیشنهادی با خطای ردیابی ۰.۰۴۲، زمان همگرایی ۴۲ میلی ثانیه و راندمان ۹۵.۸ در تمامی معیارها از روش های P&O، INC، PSO، GA و ANN کلاسیک پیشی می گیرد. علاوه بر این، پیاده سازی روی FPGA Xilinx Zynq-۷۰۲۰ با مصرف توان ۸۵۰ میلی وات امکان پذیر شد که قابلیت کاربرد عملی این رویکرد را اثبات می کند.