الفهرس 
Maximum Power Point Tracking System of Grid Connected Photovoltaic System Using Adaptive Neuro Fuzzy Inference System
IntroductionOnly 14 pages are availabe for public view
 |  | from | 106 |  |  |
| | | from | 106 | | |
Abstract
بسبب الطلب الهائل والمتزايد على الطاقة ، وندرة الوقود الأحفوري وتسارع سعره المتزايد مما أدي الى استخدام مصادر الطاقة المتجددة والتنوع فى استخدامها مثل طاقة الرياح وطاقة الشمس والهيدروجين الأخضر. حيث تعتبر الطاقة الشمسية هي من أنقى مصادر الطاقة المتجددة وتكلفة التشغيل فى الطاقه الشمسية مقارنه بمصادر الطاقة التقليديه منخفضه جدا. تقدم الرساله دراسة لأداء تتبع نقطة القدرة القصوى للشبكة الكهروضوئية الحقيقية 5.3 كيلو واط الموجوده في كلية الهندسه ببنها باستخدام نظام الاستدلال العصبى التكيفى (ANFIS) والنظام الهجين بين نظام الاستدلال العصبى التكيفى ونظام تحسين سرب الجسيمات (PSO).تتكون المحطة الفعلية للطاقة الكهروضوئية في كلية الهندسة في بنها من 22 وحدة كهروضوئية طاقة كل منها 240 واط ، محول قدرة لتحويل التيار المستمر الخارج من الوحدات الكهروضوئية الى تيار متردد. يتم محاكاة خوارزميات طريقة تتبع نقطة القدرة القصوى للشبكه الكهروضوئية القائمة على نظام الاستدلال العصبي الضبابي التكيفي والنظام الهجين بين ظام الاستدلال العصبى التكيفى ونظام تحسين سرب الجسيمات (ANFIS-PSO) وتم استخدام وحدة التحكم PID لتحسين وحده الإخراج من النظام الهجين وذلك باستخدام برنامج MATLAB/SIMULINK.تم استخدام نظام الاستدلال العصبى التكيفى والنظام الهجين بين الاستدلال العصبى التكيفى وتحسين سرب الجسيمات (ANFIS-PSO) باستخدام بيانات حقيقية من محطة حقيقية تم الحصول عليها في أوقات متغيرة وفى ظروف جوية مختلفة مثل درجة الحرارة والإشعاع ونشاط الرياح والأتربه في عام 2020. تستخدم هذه الرساله للمقارنة بين خوارزميات التحكم الكلاسيكية والذكاء المختلفة لـتتبع نقطة القدرة القصوى . الأنظمة الكلاسيكية مثل FLC و INC. أنظمة الذكاء مثل نظام الاستدلال العصبى التكيفى ونظام تحسين سرب الجسيمات والخوارزميات الهجينة (ANFIS-PSO) ويتم محاكاة النموذج فى ظروف جوية مختلفة. وفقًا للنتائج التي تم الحصول عليها ، فإن النظام الهجين ANFIS-PSO قدم أداءً جيدًا وكفاءة أعلى بنسبة 99٪ وأيضا قدم تذبذبًا أقل فى الجهد والطاقة مقارنة بالطرق التقليدية مثل INC و FLC في ظل ظروف جوية مختلفة.هدفت هذه الدراسة إلي تنظيم فترة التشغيل لكل ضاغط بناءً على استهلاك الطاقة الأمثل لـ MCS بالإضافة إلى الوصول إلي العمر الافتراضي الأمثل لكل ضاغط. تم استخدام خوارزمية جايا التطورية متعددة الأهداف. علاوة على ذلك ، تم استخدام خوارزمية Gray Wolf وتمت مقارنة نتائجه لإظهار أن MO-Jaya أظهر أداءً أفضل مع المشكلة المقترحة. تم دراسة وتحليل حالات عملية مختلفة توضح أن نموذج التحسين متعدد الأهداف يمكن أن يقلل بشكل كبير من تكاليف الاستهلاك ويزيد من عمر الآلة. إلى جانب ذلك ، يمكن التنبؤ بجدول الصيانة لكل ضاغط وتخطيطه. تم تطبيق تدفق الهواء المتغير لاختبار فعالية النموذج المقترح. تم دراسة وتحليل سيناريوهات مختلفة توضح أن نموذج التحسين متعدد الأهداف يمكن أن يقلل بشكل كبير من تكاليف الاستهلاك ويزيد من عمر الآلة. يبلغ إجمالي خفض التكلفة في السيناريوهين 1 و 2 30.89 و 36٪ على التوالي. تم اختبارومقارنة أداة تحسين GWO المعروفة مؤخرًا لنفس الأهداف للتأكد من أن Jaya كان خيارًا أفضل لمشكلة MSC. أظهر مُحسِّن Jaya نتائج أفضل من تخفيض يصل إلى 15٪ في EPC وزيادة تصل إلى 33٪ في LS. بالإضافة إلى ذلك ، فإن التشغيل الأمثل للضواغط يسمح بتخطيط صيانة دورية أفضل لكل ضاغط.