چکيده— این مقاله یک الگوریتم جدید ردیابی نقطه توان ماکزیمم (MPPT) را در سیستم های تولید انرژی توربین بادی، با بکارگیری جبرانساز شبکه عصبی، ارائه می نماید. پایه و اساس این الگوریتم، شیب توان مکانیکی توربین بادی به ازای سرعت دوران می باشد تا اینکه از مشکل نوسان و نیز اثر پارامترهای غیر قطعی، جلوگیری شود. با توجه به اینکه مشخصه های سرعت دوران توربین بادی با استفاده از شرایط تراکم هوا و نیز سرعت باد تعیین می شوند؛ برای اینکه توربین بادی بتواند حداکثر بازدهی را در شرایط عملیاتی مختلف از انرژی بادی کسب نماید؛ می بایست توپولوژی های تغییر موقعیت نقطه توان ماکزیمم در کاربردهای کنترلر MPPT مد نظر قرار گیرند. در این مطالعه و بررسی، موارد عدم قطعیت در سیستم های مولد توربین بادی، با استفاده از یک شبکه عصبی جبرانسازی می شود و چرخه کاری مبدل dc/dc با استفاده از یک کنترلر PI تعیین می شود و بعلاوه پارامترها، توسط الگوریتم ژنتیک و با کمک نرم افزار MATLAB تعیین می شوند. با ملاحظه نتایج شبیه سازی، می توان دقت و اعتبار کنترلر MPPT پیشنهادی را تحت شرایط تغییر سرعت باد، تراکم هوا و نیز مشخصه های الکتریکی بار در سیستم های مولد توربین بادی، بررسی نمود.

Abstract:  This paper presents a novel maximum-power-point tracking (MPPT) algorithm in wind-turbine generation systems using neural network compensator based on the slope of the wind-turbine mechanical power versus rotation speed to avoid the oscillation problem and effect of uncertain parameters. Because the characteristics of the wind-turbine rotation speed is determined by the wind speed and air density conditions, the technologies of changing the location of the maximum power point must be developed in the applications of MPPT control in order to make the wind turbine generator get the optimal efficiency from wind energy at different operating conditions. In this study, the uncertainties in wind-turbine generation systems are compensated by a neural network, the duty cycle of dc/dc converter is determined by a PI controller, and the parameters is determined by a genetic algorithm with the help of MATLAB. From the simulation results, the validity of the proposed MPPT controller can be verified under variations of wind speed, air density, and the load electrical characteristics in wind-turbine generator systems.