Soft Computing-Based Optimal Solar Tracking and MPPT

Diese Studie konzentriert sich auf die Verbesserung der Effizienz von Solarenergiesystemen durch die Bewältigung der Herausforderungen durch schwankende Sonneneinstrahlung und Umweltbedingungen. Die Forschung setzt maschinelle Lernalgorithmen ein, insbesondere Feedforward Neural Networks (FNN) und Random Forest (RF), um die Neigungswinkel von Solarmodulen für eine maximale Energieerfassung zu optimieren. Die Studie nutzt Daten des National Renewable Energy Laboratory (NREL), um die Modelle zu schulen und zu testen. Das FNN-Modell zeigte eine höhere Genauigkeit bei der Vorhersage von Neigungswinkeln, benötigte aber mehr Rechenzeit, während das RF-Modell ein Gleichgewicht zwischen Genauigkeit und Recheneffizienz bot. Die Integration dieser Algorithmen mit Maximum Power Point Tracking (MPPT) unter Verwendung des Perturb and Observe (P & O) -Algorithmus steigert die Leistung des Systems weiter. Die Studie kommt zu dem Schluss, dass die Kombination von maschinellem Lernen zur Neigungsoptimierung mit MPPT zur Leistungsmaximierung die Effizienz von Solarsystemen signifikant verbessert. Die zukünftige Forschung sollte sich auf standortspezifische Datensätze und fortgeschrittene ML-Techniken konzentrieren, um sich schnell verändernden Umgebungen anzupassen.