SavedAdd your journal

Journals / Gümüşhane Üniversitesi Fen Bilimleri Dergisi / 2023 / Cilt: 13 Sayı: 4

Comparison of grey wolf optimizer (gwo) and ıncremental conductance (ınc) method for maximum power point tracking (mppt) in photovoltaic systems

Fotovoltaik sistemlerde gri kurt optimizasyon (gko) algoritması ve artımlı iletkenlik (ai) yönteminin maksimumum güç noktası takibi (mgnt) için karşılaştırılması

Ömer ÖZTÜRK
Ömür AKYAZI
Bora ÇAVDAR
Pages
962–978
Publication Date
2023-10-15
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

These results demonstrate the success of GWO algorithm over INC method.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:The need for energy in the world is increasing day by day with the advancements in technology.
📊
Key Findings & Data:The output power efficiency of the system is 98.24% for GWO algorithm and 93.72% for INC method.
💡
Conclusion & Impact:These results demonstrate the success of GWO algorithm over INC method.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Artımlı iletkenlik yöntemi · Gri kurt optimizasyon algoritması · Kısmi gölgeleme

Abstract

The need for energy in the world is increasing day by day with the advancements in technology. For this reason, there has been a trend towards renewable energy sources that are less harmful to the environment. Among renewable energy sources, solar energy (photovoltaic modules) is often preferred. The disadvantages of photovoltaic modules are that they negatively affect the stability (frequency, voltage) of electricity grids and have intermittent generation due to temperature, radiation and partial/full shading. This paper discusses maximum power point tracking (MPPT) in photovoltaic systems under partial shading conditions. In this study, the incremental conductance method (INC), one of the traditional techniques, and the gray wolf optimization (GWO) algorithm are compared in a Matlab/Simulink simulation environment. The output power efficiency of the system is 98.24% for GWO algorithm and 93.72% for INC method. The system output power is determined to have a settling time of 0.08 s and 0.18 s for the GWO algorithm and the INC method, respectively. These results demonstrate the success of GWO algorithm over INC method. Additionally, the study investigates how the change in the number of wolves (particle) in the GWO algorithm affects the output of the photovoltaic system. When the number of wolves is 3, 4, 5, the average output power values obtained are 2413 W, 2196.4 W, 1536.8 W, and 2349 W, respectively. When the number of wolves exceeds 3, oscillations in output power increase and efficiency decreases.

Özet

Dünyadaki enerji ihtiyacı teknolojide yaşanan gelişmelerle gün geçtikçe artmaktadır. Bu sebeple, çevreye daha az zararlı olan yenilenebilir enerji kaynaklarına eğilim söz konusudur. Yenilenebilir enerji kaynakları arasında sıklıkla tercih edilen ise doğrudan güneş enerjisinin (fotovoltaik modüllerin) kullanımıdır. Fotovoltaik modüllerin dezavantajı elektrik şebekelerinde kararlılığı (frekans, gerilim) olumsuz etkilemesi ve sıcaklık, ışınım ve kısmi/tam gölgeleme gibi nedenlerle kesikli üretime sahip olmasıdır. Bu çalışmada kısmi gölgeleme koşulları altında fotovoltaik sistemlerde maksimum güç noktası takibi (MGNT) konusu ele alınmaktadır. Çalışmada geleneksel tekniklerden biri olan artımlı iletkenlik yöntemi (Aİ) ve gri kurt optimizasyon (GKO) algoritması Matlab/Simulink benzetim ortamında karşılaştırılmaktadır. Sistemin çıkış gücü veriminin GKO algoritması için 98,24% ve Aİ yöntemi için 93,72% olduğu elde edilmektedir. Sistem çıkış gücünün, GKO algoritması ve Aİ yöntemi için sırasıyla 0,08 s ve 0,18 s oturma zamanına sahip olduğu tespit edilmiştir. Bu sonuçlar, GKO algoritmasının Aİ yöntemine göre başarısını göstermektedir. Ayrıca çalışmada sistemin GKO algoritmasındaki kurt (parçacık) sayısı değişiminin fotovoltaik sisteminin çıkışını nasıl etkilediği incelenmektedir. Kurt sayısı 3, 4, 5 ve 6 olduğunda sırasıyla 2413, 2196,4, 1536,8 ve 2349 W ortalama çıkış gücü değerleri elde edilmektedir. Kurt sayısı 3’ü geçtiğinde çıkış gücünde salınımların arttığı ve verimin düştüğü gözlemlenmektedir.

🔖

Cite This Article

ÖZTÜRK, Ö., AKYAZI, Ö., ÇAVDAR, B. (2023). Comparison of grey wolf optimizer (gwo) and ıncremental conductance (ınc) method for maximum power point tracking (mppt) in photovoltaic systems. Gümüşhane Üniversitesi Fen Bilimleri Dergisi, Cilt: 13 Sayı: 4, 962–978. https://ajindex.com/articles/967444

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (10)

  1. Ahmed, J., & Salam, Z. (2015). An improved perturb and observe (P&O) maximum power point tracking (MPPT) algorithm for higher efficiency. Applied Energy, 150, 97-108. https://doi.org/10.1016/j.apenergy.2015.04.006
  2. Almonacid, F. J. M. F., Rus, C., Hontoria, L., & Munoz, F. J. (2010). Characterisation of PV CIS module by artificial neural networks. A comparative study with other methods. Renewable Energy, 35(5), 973-980. https://doi.org/10.1016/j.renene.2009.11.018
  3. Altintaş, N., Yilmaz, A., DEMIRCI, A., & Tercan, S. M. (2021). Bataryalı PV sistemlerde maksimum güç noktası takip yöntemlerinin karşılaştırılması. Avrupa Bilim ve Teknoloji Dergisi, (21), 369-377. https://doi.org/10.31590/ejosat.702393
  4. Azli, H., Titri, S., Larbes, C., Kaced, K., & Femmam, K. (2022). Novel yellow saddle goatfish algorithm for improving performance and efficiency of PV system under partial shading conditions. Solar Energy, 247, 295-307. https://doi.org/10.1016/j.solener.2022.10.029
  5. Baba, A. O., Liu, G., & Chen, X. (2020). Classification and evaluation review of maximum power point tracking methods. Sustainable Futures, 2, 100020. https://doi.org/10.1016/j.sftr.2020.100020
  6. Basha, C. H., Bansal, V., Rani, C., Brisilla, R. M., & Odofin, S. (2020). Development of cuckoo search MPPT algorithm for partially shaded solar PV SEPIC converter. In Soft Computing for Problem Solving, 1, 727-736. https://doi.org/10.1007/978-981-15-0035-0_59
  7. Charin, C., Ishak, D., Zainuri, M. A. A. M., Ismail, B., & Jamil, M. K. M. (2021). A hybrid of bio-inspired algorithm based on Levy flight and particle swarm optimizations for photovoltaic system under partial shading conditions. Solar Energy, 217, 1-14. https://doi.org/10.1016/j.solener.2021.01.049
  8. Chtita, S., Motahhir, S., El Hammoumi, A., Chouder, A., Benyoucef, A. S., El Ghzizal, A.,. & Askar, S. S. (2022). A novel hybrid GWO–PSO-based maximum power point tracking for photovoltaic systems operating under partial shading conditions. Scientific Reports, 12(1), 1-15. https://doi.org/10.1038/s41598-022-14733-6
  9. Daraban, S., Petreus, D., & Morel, C. (2014). A novel MPPT (maximum power point tracking) algorithm based on a modified genetic algorithm specialized on tracking the global maximum power point in photovoltaic systems affected by partial shading. Energy, 74, 374-388. https://doi.org/10.1016/j.energy.2014.07.001
  10. Demirtaş, M., İbrahim, S. E. F. A., Irmak, E., & Çolak, İ. (2008). Güneş enerjili sistemler için mikrodenetleyici tabanlı DA/DA yükselten dön