Enhancing MPPT Performance in Partially Shaded PV Systems under Sensor Malfunctioning with Fuzzy Control
Notice bibliographique
Résumé
The shift towards sustainable energy sources is gaining momentum due to their environmental cleanliness, abundant availability, and eco-friendly characteristics. Solar energy, specifically harnessed through photovoltaic (PV) systems, emerges as a clean, abundant, and environmentally friendly alternative. However, the efficacy of PV systems is subjective depending on two critical factors: irradiance and temperature. To optimize power output, maximum power point tracking (MPPT) strategies are essential, allowing operation at the system’s optimal point. In the presence of partial shading, the power–voltage curve exhibits multiple peaks, yet only one global maximum power point (GMPP) can be identified. Existing algorithms for GMPP tracking often encounter challenges, including overshooting during transient periods and chattering during steady states. This study proposes the utilization of fuzzy sliding mode controllers (FSMC) and fuzzy proportional-integral (FPI) control to enhance global MPPT reference tracking under partial shading conditions. Additionally, the system’s performance is evaluated considering potential sensor malfunctions. The proposed techniques ensure precise tracking of the reference voltage and maximum power in partial shading scenarios, facilitating rapid convergence, improved system stability during transitions, and reduced chattering during steady states. The usefulness of the proposed scheme is confirmed through the use of performance indices. FSMC has the lowest integral absolute error (IAE) of 946.94, followed closely by FPI (947.21), in comparison to the sliding mode controller (SMC) (1241.6) and perturb and observe (P&O) (2433.1). Similarly, in integral time absolute error (ITAE), FSMC (56.84) and FPI (57.06) excel over SMC (91.03) and P&O (635.50).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».