PSO Training Neural Network MPPT with CUK Converter Topology for Stand-Alone PV Systems Under Varying Load and Climatic Conditions
Notice bibliographique
Résumé
Temperature and irradiance levels are two examples of environmental variables that affect the power value produced by photovoltaic panels. Therefore, in order to transfer the maximum power value from the PV panel to the load under varying climatic conditions, maximum power point tracking (MPPT) algorithms and DC-DC converter topologies are used. In this study, the performances of boost converter and CUK converter circuit topologies are investigated under variable irradiance and variable load conditions by using a neural network-based MPPT algorithm learning particle swarm optimization (PSO). As the first scenario, it is analyzed assuming that the temperature and irradiance values coming to the panel are constant. As the second scenario, the performance evaluation of the converter topologies according to the current, voltage and power parameters is made for the variable load situation. As the last scenario, the difference in the irradiance value coming to the panel depending on the sun's condition during the day has been examined. Canadian Solar CS6P-250P PV panel is used in the study. 50 kHz is selected as the switching frequency. According to the results obtained, it has been observed that the CUK converter circuit topology reaches the maximum power point faster than the boost converter circuit topology both in dynamic environmental conditions and load change, and the oscillation at this point is less. It is aimed to increase the performance of this method, which uses boost converter topology and MPPT in the literature, by applying CUK converter topology.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».