Fotovoltaik (PV) panellerin yakıt gereksinimlerinin olmaması, kirlilik olusturmamaları, gürültü çıkarmamaları gibi avantajlarına ragmen yaygın sekilde kullanılmalarını önleyen en önemli faktörler, yatırım maliyetlerinin yüksekligi ve enerji dönüsüm verimlerinin henüz düsük olmasıdır. Bu nedenle fotovoltaik enerji ile beslenen sistemlerin verimini iyilestirmeye yönelik çalısmalar önem kazanmıstır. Tezde, sebekeden bagımsız bir PV güç sisteminin maksimum güç noktası izleme (MPPT) performansının gelistirilmesi amacıyla genetik algoritma (GA) yardımlı yapay sinir agı (YSA) tabanlı bir yaklasım sunulmustur. Maksimum güç noktasının izlenmesi, tüm hava sartları için günes panellerinden maksimum gücün alınabilmesi amacıyla yük olarak kullanılan bir asenkron motorun mekanik enerji çıkısı kontrol edilerek gerçeklestirilmistir. Sistemde maksimum güç noktası, gerçek zamanlı olarak bulunmus, PV panellerin çıkıs gerilimi YSA ile belirlenen optimal noktaya getirilerek MPPT algoritması gerçeklestirilmistir. YSA'nın egitilmesi amacıyla PV panellerin simülasyonla elde edilen modellerinin kullanılması yerine, deneysel ölçümler gerçeklestirilmis, genellikle kullanıcıya hazır sekilde sunulmayan PV panel parametrelerinin bulunması ve PV panel hakkında bir ön bilgiye sahip olunması zorunlulukları ortadan kaldırılmıstır. Isık siddeti ve sıcaklık degerleri, YSA'da giris bilgisi olarak alınmıs ve PV panellerin maksimum güç noktasındaki referans gerilim degeri bulunmustur. MPPT algoritmasında, oransal-integral (PI) denetleyici kullanılarak inverter frekansındaki degisme miktarının ayarlanmasıyla hızlı izleme cevabı elde edilmis ve maksimum güç noktası etrafındaki dalgalanmalar önlenerek güç izleme hatası azaltılmıstır. GA, giris veri setinde indirgemeler yapılarak daha etkin bir setin elde edilmesi ve sinir agının genellestirme yeteneginin artırılması amacıyla kullanılmıstır. Diger kullanım amacı ise sinir agında gizli katmandaki dügüm sayılarının optimum sekilde belirlenmesidir. YSA'daki asırı ögrenme probleminin önlenmesi amacıyla GA'da amaç fonksiyonu hesabı için dogrulama seti kullanılmıs, ayrıca amaç fonksiyonuna bir ceza terimi eklenerek kompleks mimariler cezalandırılmıs, böylece sayısal isaret islemcide (DSP) programlanabilen ideal büyüklükte bir mimarinin elde edilmesi amaçlanmıstır. Bu çalısmada, üç fazlı inverterin anahtarlanmasında kullanmak üzere gerçeklestirilen GA yardımlı YSA tabanlı bir uzay vektör modülasyonu (UVM) metodu önerilmistir. GA, YSA tabanlı UVM'nin DSP'de gerçeklestirilmesi için optimum büyüklükte sinir agı yapısının bulunabilmesi amacıyla topoloji optimizasyonunda kullanılmıstır. Maksimum güç noktası izleyicide sinir agı yapısının gerçeklestirilmesi ve üç fazlı inverterde kullanılan UVM metodu ile ilgili hesaplamaların yapılması amacıyla ADSP-21992 sayısal isaret islemcisi kullanılmıstır. PV sistem, laboratuarda pratik olarak gerçeklestirilmis, elde edilen simülasyon ve deneysel sonuçlar verilmistir. PV sistem üzerinde gün boyu yapılan deneysel çalısmalardan, GA optimizasyonunun kullanılmadıgı YSA yapısını içeren MPPT algoritması için bulunan degerlere göre, teorik olarak hesaplanan PV panel gücünün ortalama olarak %95.14'ü kullanılabilirken, GA optimizasyonlu YSA yapısını içeren MPPT algoritması için %97.58'inin kullanılabildigi görülmüstür.
Despite the advantages of photovoltaic (PV) modules such as noiseless operation, being fuel-free and non-polluting, the most important factors hindering their wide use are high investment costs and low energy conversion efficiencies. By reason of that, studies involving efficiency improvement of the systems fed by PV energy is deemed important. In this thesis, a genetic algorithm (GA) assisted artificial neural network (ANN) based approach to improve maximum power point tracking (MPPT) performance of a stand-alone PV power system has been presented. The maximum power point tracking is accomplished by controlling mechanical energy output of induction machine to extract maximum available power from the solar array at all environmental conditions. In the system, maximum power point is determined in real time and MPPT algorithm is realized by forcing the PV modules to operate at its optimal point, determined by ANN. Instead of using simulated models of PV modules, experimental measurements are employed to obtain the training set for neural network, and requirement of any prior knowledge and the cumbersome process of obtaining PV module parameters are eliminated. ANN uses irradiation and temperature as input information to estimate reference voltage value corresponding PV module?s maximum power point. A proportional-integral (PI) controller is designed to adjust the step size of inverter frequency and compared to the applications with constant step size, smooth tracking of maximum power was obtained and tracking error was reduced. GA assistance was used to make reductions to input data set and a more compact and effective data set has been obtained and the generalization performance of ANN has been improved. GA assistance has also been used to determine optimal number of neurons in the hidden layer. GA employs generalization error of ANN in objective function and also by adding a penalty term to objective function complex architectures are punished and ANN architecture in ideal size for programming in digital signal processor (DSP) is obtained. In this thesis, a GA-assisted ANN-based implementation of space-vector modulation (SVM) method for three-phase inverter switching has been presented. In DSP implementation of ANN-based SVM method, GA assistance has been used in topology optimization to determine optimum size of neural network structure. ADSP-21992 digital signal processor has been used for emulating the neural network structure of maximum power point controller and performing necessary calculations for presented SVM method. PV system has been practically implemented on the laboratory and simulation and experimental results have been presented. From the experimental studies conducted in the system through a day, it was shown that, while %95.14 of the theoretically calculated available PV power can be utilized by the conventional MPPT algorithm, which does not use GA assistance, %97.58 of available PV power can be utilized by the developed MPPT algorithm using GA assistance.
