چكيده فارسي :
انرژي خورشيدي يكي از مهم‌ترين منابع انرژي تجديد پذير است. يكي از روش¬هاي بهره‌مندي از آن، تبديل اين نوع انرژي به انرژي الكتريكي است. به‌عنوان يكي از ابزارهاي اين تبديل انرژي مي‌توان به سلول‌هاي فتوولتائيك اشاره‌كرد. ورودي اين سلول¬ها فوتون¬هاي نور خورشيد و خروجي آن توان الكتريكي است. براي درك بهتر منحني مشخصه توان سلول، بايد آن را مدل‌سازي كرد. اين سلول‌ها در عمل به شكل¬هاي مختلفي مدل مي¬شوند ولي وجه مشترك آن‌ها غيرخطي بودن مشخصه توان-ولتاژ در اين سلول¬هاست كه در يك نقطه داراي مقدار بيشينه توان است. وابسته به شرايط محيطي مختلف به‌ويژه شدت تابش و دما اين نقطه تغيير مي¬كند. براي داشتن نقطه كار بهينه بايد سلول همواره در اين نقطه قرار بگيرد و با توجه به تغيير كردن اين نقطه با شرايط محيطي ضروري است تا اصطلاحاً نقطه كار حداكثر دنبال شود. از روش¬هاي مرسوم دنبال كردن نقطه توان حداكثر مي‌توان به الگوريتم هدايت افزايشي، روش¬هاي پلكاني، روش¬هاي مبتني بر الگوريتم¬هاي هوش مصنوعي و به‌كارگيري منطق فازي اشاره كرد. الگوريتم هدايت افزايشي علي¬رغم سادگي، دقت و سرعت نسبي مناسب نسبت به الگوريتم¬هاي پايه، داراي نواقصي مثل احتمال عدم همگرايي در صورت وجود داشتن نقاط محلي بهينه، نوسان حول نقطه كار و ناتواني در متناسب سازي طول گام با استفاده از شرايط محيطي است. در اين پايان‌نامه با استفاده از ارائه يك روش تركيبي از الگوريتم هدايت افزايشي و سيستم استنتاج عصبي-فازي تطبيقي نواقص اين الگوريتم بر¬طرف مي¬شود. هم¬چنين دقت همگرايي ارتقا مي¬يابد و سرعت همگرايي تا 5 برابر سريع¬تر مي شود. درنهايت الگوريتم پيشنهادي و الگوريتم هدايت افزايشي پايه به مبدل قدرت استخراج‌كننده توان از سلول خورشيدي اعمال مي¬شود و با استفاده از شبيه¬سازي نتايج ازنظر بهبود راندمان و نرخ همگرايي تحت شرايط محيطي مختلف مقايسه مي¬شود.
چكيده انگليسي :
Solar energy is one of the most important sources of renewable energy. One of the ways to benefit from it is to convert this type of energy into electrical energy. Photovoltaic cells can be mentioned as one of the energy conversion tools. The input of these cells is photons of sunlight and the output is electrical power. To better understand the specific curve of the cell, it must be modeled. In practice, these cells are modeled in different ways, but their common feature is non-linearity, which is determined by these cells, which have the maximum power at one point. Depending on different environmental conditions, especially the intensity of radiation and temperature, this point changes. In order to have an optimal operating point, the cell must always be at this point, and considering changing this point with environmental conditions, it is necessary to follow the so-called maximum operating point. Among the conventional methods of following the maximum power point, we can mention the incremental conductance algorithm, staircase methods, methods based on artificial intelligence algorithms and the use of fuzzy logic. In spite of the simplicity, accuracy and relative speed of the incremental conductance algorithm compared to the basic algorithms, it has shortcomings such as the possibility of non-convergence if there are optimal local points, oscillation around the operating point and the inability to adjust the step length using the environmental conditions. In this thesis, by using a combination method of incremental conductance algorithm and adaptive neural-fuzzy inference system, the shortcomings of this algorithm are solved. Also, the accuracy of convergence is improved and the speed of convergence is up to 5 times faster. Finally, the proposed algorithm and the basic incremental conductance algorithm are applied to the power converter extracting power from the solar cell and using simulation, the results are compared in terms of efficiency improvement and convergence rate under different environmental conditions.
