Published December 1, 2023 | Version v1
Publication Metadata-only

Data-driven green energy extraction: Machine learning-based MPPT control with efficient fault detection method for the hybrid PV-TEG system

Creators

  • 1. Hamdard University
  • 2. University of Science and Technology of China
  • 3. Capital University of Science and Technology
  • 4. University of Agder

Description

The hybrid photovoltaic-thermoelectric generation system (PVTEG) gives two-fold benefits; firstly, it efficiently utilizes the available solar energy as it converts both solar irradiance and solar thermal energy into electricity, secondly, it enhances PV efficiency by reducing the PV module surface temperature. However, the efficiency of the hybrid PVTEG system is usually low because both PV and TEG are not highly efficient devices. Under changing environmental conditions, a well-designed maximum power point tracking (MPPT) controller can enhance the generation efficiency by 10%–15%. Therefore, this research explores the evolutionary Neural Network based MPPT control technique for the hybrid PVTEG systems. The snake optimizer optimally tuned weight and biases of the Multilayer perceptron neural network (MLPNN), which provides fast real-time global maxima (GM) tracking. Furthermore, to enhance the robustness of MPPT control, PID gains are tuned using the SO algorithm. Use of the snake optimizer based PID (SOPID) controller with the snake optimizer based neural network (SOANN) results in stable, accurate and fast MPPT under varying environmental conditions. The effectiveness of the proposed SOANN MPPT controller is validated by comparing it with PSOANN, RSANN and GWOANN. SOANN based MPPT controller provides very fast real-time global maxima (GM) tracking with negligible power oscillations. The SOANN controller extract optimal power with an average efficiency of 99.928% and tracking time of less than 5ms. Furthermore, an intelligent data driven based fault detection algorithm is proposed, which do not require any temperature or irradiance sensors reducing cost of the system. Comparative, simulation, quantitative, and statistical results second superior performance of SOANN controller in terms of efficiency, tracking time, stability and fault detection capability under various practical condition.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

يعطي نظام التوليد الكهروضوئي الحراري الهجين (PVTEG) فوائد مزدوجة ؛ أولاً، يستخدم بكفاءة الطاقة الشمسية المتاحة لأنه يحول كل من الإشعاع الشمسي والطاقة الحرارية الشمسية إلى كهرباء، وثانيًا، يعزز الكفاءة الكهروضوئية عن طريق تقليل درجة حرارة سطح الوحدة الكهروضوئية. ومع ذلك، فإن كفاءة نظام PVTEG الهجين عادة ما تكون منخفضة لأن كلا من PV و TEG ليست أجهزة عالية الكفاءة. في ظل الظروف البيئية المتغيرة، يمكن لوحدة التحكم في التتبع الأقصى لنقطة الطاقة (MPPT) المصممة بشكل جيد أن تعزز كفاءة التوليد بنسبة 10 ٪-15 ٪. لذلك، يستكشف هذا البحث تقنية التحكم MPPT التطورية القائمة على الشبكة العصبية لأنظمة PVTEG الهجينة. قام محسن الثعابين بضبط الوزن والتحيزات بشكل مثالي للشبكة العصبية الإدراكية متعددة الطبقات (MLPNN)، والتي توفر تتبعًا عالميًا سريعًا في الوقت الفعلي (GM). علاوة على ذلك، لتعزيز متانة التحكم في MPPT، يتم ضبط مكاسب PID باستخدام خوارزمية SO. يؤدي استخدام وحدة تحكم PID (SOPID) القائمة على محسن الثعبان مع الشبكة العصبية القائمة على محسن الثعبان (SOANN) إلى MPPT مستقرة ودقيقة وسريعة في ظل ظروف بيئية مختلفة. يتم التحقق من فعالية وحدة تحكم SOANN MPPT المقترحة من خلال مقارنتها مع PSOANN و RSANN و GWOANN. توفر وحدة تحكم MPPT المستندة إلى SOANN تتبعًا عالميًا سريعًا جدًا في الوقت الفعلي (GM) مع تذبذبات طاقة لا تذكر. تستخرج وحدة تحكم SOANN الطاقة المثلى بمتوسط كفاءة 99.928 ٪ ووقت تتبع أقل من 5 مللي ثانية. علاوة على ذلك، يتم اقتراح خوارزمية ذكية للكشف عن الأخطاء تعتمد على البيانات، والتي لا تتطلب أي مستشعرات درجة الحرارة أو الإشعاع مما يقلل من تكلفة النظام. النتائج المقارنة والمحاكاة والكمية والإحصائية هي ثاني أداء متفوق لوحدة تحكم SOANN من حيث الكفاءة ووقت التتبع والاستقرار والقدرة على اكتشاف الأخطاء في ظل ظروف عملية مختلفة.

Translated Description (French)

Le système de génération photovoltaïque-thermo-électrique hybride (PVTEG) offre deux avantages : premièrement, il utilise efficacement l'énergie solaire disponible car il convertit à la fois l'irradiance solaire et l'énergie thermique solaire en électricité, deuxièmement, il améliore l'efficacité photovoltaïque en réduisant la température de surface du module photovoltaïque. Cependant, l'efficacité du système PVTEG hybride est généralement faible car le PV et le TEG ne sont pas des dispositifs très efficaces. Dans des conditions environnementales changeantes, un contrôleur de suivi du point de puissance maximale (MPPT) bien conçu peut améliorer l'efficacité de la production de 10 % à 15 %. Par conséquent, cette recherche explore la technique évolutive de contrôle MPPT basée sur le réseau neuronal pour les systèmes PVTEG hybrides. L'optimiseur de serpent optimise le poids et les biais du réseau neuronal perceptron multicouche (MLPNN), qui fournit un suivi rapide des maxima globaux (GM) en temps réel. En outre, pour améliorer la robustesse du contrôle MPPT, les gains PID sont ajustés à l'aide de l'algorithme SO. L'utilisation du contrôleur PID basé sur l'optimiseur de serpent (SOPID) avec le réseau neuronal basé sur l'optimiseur de serpent (SOANN) permet d'obtenir un MPPT stable, précis et rapide dans des conditions environnementales variables. L'efficacité du contrôleur MPPT SOANN proposé est validée en le comparant avec PSOANN, RSANN et GWOANN. Le contrôleur MPPT basé sur SOANN fournit un suivi des maxima globaux (GM) en temps réel très rapide avec des oscillations de puissance négligeables. Le contrôleur SOANN extrait la puissance optimale avec une efficacité moyenne de 99,928 % et un temps de suivi inférieur à 5 ms. En outre, un algorithme intelligent de détection de défauts basé sur des données est proposé, qui ne nécessite aucun capteur de température ou d'irradiance réduisant le coût du système. Les résultats comparatifs, de simulation, quantitatifs et statistiques sont deuxièmes plus performants que le contrôleur SOANN en termes d'efficacité, de temps de suivi, de stabilité et de capacité de détection des pannes dans diverses conditions pratiques.

Translated Description (Spanish)

El sistema híbrido de generación fotovoltaica-termoeléctrica (PVTEG) ofrece dos beneficios: en primer lugar, utiliza de manera eficiente la energía solar disponible, ya que convierte tanto la irradiancia solar como la energía solar térmica en electricidad; en segundo lugar, mejora la eficiencia fotovoltaica al reducir la temperatura de la superficie del módulo fotovoltaico. Sin embargo, la eficiencia del sistema híbrido PVTEG suele ser baja porque tanto PV como TEG no son dispositivos altamente eficientes. Bajo condiciones ambientales cambiantes, un controlador de seguimiento de punto de máxima potencia (MPPT) bien diseñado puede mejorar la eficiencia de generación en un 10%–15%. Por lo tanto, esta investigación explora la técnica de control MPPT basada en la red neuronal evolutiva para los sistemas híbridos PVTEG. El optimizador Snake ajustó óptimamente el peso y los sesgos de la red neuronal de perceptrón multicapa (MLPNN), que proporciona un rápido seguimiento global de máximos (GM) en tiempo real. Además, para mejorar la robustez del control MPPT, las ganancias PID se ajustan utilizando el algoritmo SO. El uso del controlador PID basado en el optimizador de serpientes (SOPID) con la red neuronal basada en el optimizador de serpientes (SOANN) da como resultado una MPPT estable, precisa y rápida en diferentes condiciones ambientales. La efectividad del controlador SOANN MPPT propuesto se valida comparándolo con PSOANN, RSANN y GWOANN. El controlador MPPT basado en SOANN proporciona un seguimiento global de máximos (GM) en tiempo real muy rápido con oscilaciones de potencia insignificantes. El controlador SOANN extrae la potencia óptima con una eficiencia media del 99,928% y un tiempo de seguimiento inferior a 5 ms. Además, se propone un algoritmo inteligente de detección de fallos basado en datos, que no requiere ningún sensor de temperatura o irradiancia que reduzca el coste del sistema. Los resultados comparativos, de simulación, cuantitativos y estadísticos superan el rendimiento del controlador SOANN en términos de eficiencia, tiempo de seguimiento, estabilidad y capacidad de detección de fallas en diversas condiciones prácticas.

Additional details

Additional titles

Translated title (Arabic)
استخراج الطاقة الخضراء القائم على البيانات: التحكم في MPPT القائم على التعلم الآلي مع طريقة فعالة للكشف عن الأعطال لنظام PV - TEG الهجين
Translated title (French)
Extraction d'énergie verte pilotée par les données : contrôle MPPT basé sur l'apprentissage automatique avec méthode de détection de défaut efficace pour le système hybride PV-TEG
Translated title (Spanish)
Extracción de energía verde basada en datos: control MPPT basado en el aprendizaje automático con un método eficiente de detección de fallas para el sistema híbrido PV-TEG

Identifiers

Other
https://openalex.org/W4322488412
DOI
10.1016/j.egyr.2023.02.047

Is supplement to
https://openalex.org/W2381993707 (Other)
https://openalex.org/W2367445858 (Other)
https://openalex.org/W2366644717 (Other)
https://openalex.org/W2366001104 (Other)
https://openalex.org/W2351307261 (Other)
https://openalex.org/W2159563029 (Other)
https://openalex.org/W2093748482 (Other)
https://openalex.org/W2090575600 (Other)
https://openalex.org/W2002388147 (Other)
https://openalex.org/W1956655372 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Pakistan

References

  • https://openalex.org/W2002016471
  • https://openalex.org/W2003948968
  • https://openalex.org/W2080978846
  • https://openalex.org/W2144581650
  • https://openalex.org/W2417131376
  • https://openalex.org/W2735447725
  • https://openalex.org/W2794540775
  • https://openalex.org/W2806940859
  • https://openalex.org/W2820983647
  • https://openalex.org/W2898721230
  • https://openalex.org/W2927264835
  • https://openalex.org/W2938198051
  • https://openalex.org/W2961332375
  • https://openalex.org/W2965827431
  • https://openalex.org/W2966771171
  • https://openalex.org/W2971275885
  • https://openalex.org/W2990064391
  • https://openalex.org/W2997116687
  • https://openalex.org/W2999889194
  • https://openalex.org/W3000235773
  • https://openalex.org/W3009439247
  • https://openalex.org/W3017296391
  • https://openalex.org/W3024077117
  • https://openalex.org/W3028934903
  • https://openalex.org/W3029651554
  • https://openalex.org/W3049726863
  • https://openalex.org/W3092426105
  • https://openalex.org/W3106690674
  • https://openalex.org/W3113524057
  • https://openalex.org/W3119965323
  • https://openalex.org/W3136036964
  • https://openalex.org/W3139334231
  • https://openalex.org/W3149661373
  • https://openalex.org/W3157757285
  • https://openalex.org/W3158975227
  • https://openalex.org/W3164848503
  • https://openalex.org/W3185164587
  • https://openalex.org/W3195143513
  • https://openalex.org/W3196391541
  • https://openalex.org/W3205838794
  • https://openalex.org/W3213283122
  • https://openalex.org/W4210258968
  • https://openalex.org/W4210559488
  • https://openalex.org/W4212993228
  • https://openalex.org/W4213347399
  • https://openalex.org/W4221087128
  • https://openalex.org/W4226093483
  • https://openalex.org/W4306881590
  • https://openalex.org/W4310061569