تاثیر کنترل کننده های ANFIS مبتنی بر هوش مصنوعی بر مدیریت انرژی در سیستم های فتوولتائیک خورشیدی

کنترل کننده ANFIS (سیستم استنتاج فازی-عصبی تطبیقی) یا adaptive neuro-fuzzy inference systems یک روش ترکیبی از شبکه های عصبی مصنوعی (ANN) و سیستم های استنتاج فازی است که برای مدیریت انرژی در سیستم های فتوولتائیک (PV) مورد استفاده قرار می گیرد. این کنترل کننده با استفاده از الگوریتم یادگیری پس انتشار خطا (Backpropagation) و بهینه سازی توابع عضویت فازی، قادر به ایجاد یک سیستم هوشمند برای کنترل و مدیریت انرژی است.

### ویژگی های کنترل کننده ANFIS:

1. **پیش بینی و تنظیم نیرو**: ANFIS برای پیش بینی عملکرد سیستم PV و تنظیم نیروی تولید شده به کار می رود. این کنترل کننده می تواند تحت شرایط مختلف آب و هوا، عملکرد سیستم را بهینه کند.

 

2. **مدیریت باتری**: ANFIS به عنوان یک بخش اصلی در سیستم مدیریت باتری (BMS) عمل می کند. این کنترل کننده حالت شارژ باتری (SOC) را مداوما مونیتور کرده و از شکست باتری جلوگیری می کند.

3. **کنترل MPPT**: ANFIS برای دستیابی به نقطه قدرت ماکسیمم (MPPT) در سیستم PV استفاده می شود. این کار باعث افزایش کارایی تبدیل انرژی خورشیدی به الکتریکی می شود.

4. **مدل سازی غیرخطی**: ANFIS قادر به مدل سازی رفتار غیرخطی سیستم PV است، که شامل تاثیرات دما، تابش خورشیدی، و مقاومت داخلی است.

5. **ساختار چندلایه**: ساختار ANFIS شامل چند لایه است که هر کدام وظایف خاصی دارند. این لایه ها شامل ورودی ها، توابع عضویت فازی، قوانین فازی، و خروجی ها هستند.

### کاربرد ANFIS در سیستم PV:

- **تنظیم شارژ و دیشارژ باتری**: ANFIS می تواند الگوهای شارژ و دیشارژ باتری را بهینه کند و از طول عمر باتری محافظت کند.

- **پیش بینی تولید انرژی**: این کنترل کننده می تواند با استفاده از داده های تاریخی، تولید انرژی سیستم PV را پیش بینی کند.

- **کاهش تقلب های مصرف انرژی**: ANFIS می تواند بهره وری سیستم را افزایش دهد و از اوج های مصرف انرژی جلوگیری کند.

### نتایج:

استفاده از ANFIS در سیستم های PV منجر به بهبود کارایی، کاهش خطای ثابت، و افزایش استحکام سیستم می شود. این کنترل کننده به عنوان یک روش قوی برای مدیریت انرژی در سیستم های فتوولتائیک شناخته شده است و می تواند در شرایط مختلف آب و هوا عملکرد مناسبی داشته باشد. 

**پیشنهاد:** برای استفاده بهینه از ANFIS، باید داده های دقیقی از شرایط محیطی و عملکرد سیستم جمع آوری شود تا مدل با دقت بالاتری آموزش دیده و عملکرد مناسبی داشته باشد.