Disponible en línea en www.sciencedirect.

com

ScienceDirect

Diario de sistemas eléctricos y de Tecnología de la Información 5 (2018) 11-22

Máximo PowerPoint el seguimiento de bomba solar fotovoltaica basada

en Sistema de sintonización ANFIS

S. Shabaan un , Mohamed I. Abu El-Sebah un , segundo , Pierre Bekhit do , *

un Mecánico Ingenieria Academia Árabe Departamento de Ciencia, Tecnología y Transporte Marítimo (AASTMT), Facultad de Ingeniería y

Tecnología-Campus Cairo, El Cairo, Egipto

segundo Departamento de Electrónica de Potencia y Conversión de Energía, Instituto de Investigación de Electrónica, Giza, Egipto

do Departamento de Ingeniería Mecatrónica, Instituto Superior de Ingeniería, Giza, Egipto

Recibido el 30 de enero de de 2018; recibido en forma 10 de febrero 2018 revisado; 10 de febrero de 2018 aceptada

Disponible en línea del 7 de marzo de 2018

bstracto

Solar sistemas fotovoltaicos (PV) son una fuente de energía limpia y, naturalmente, se repone. paneles fotovoltaicos tienen un punto único que representa la máximo potencia disponible y este

nto dependen de las condiciones ambientales tales como la temperatura y la irradiancia. UN máximo PowerPoint seguimiento (MPPT) es por lo tanto necesario para lograr la máxima e fi ciencia.

n este trabajo, un estudio de MPPT para PV agua bombeo Se discute sistema basado en adaptativo sistema de inferencia neuro-fuzzy (ANFIS). Una comparación entre el rendimiento de la sistema

n y sin MPPT se lleva a cabo bajo diferentes condiciones de irradiación y de temperatura. basado ANFIS controlador muestra rápida la respuesta con una alta e fi ciencia en todos los niveles de

adiancia y temperatura por lo que es una poderosa técnica para no lineal sistemas como los módulos fotovoltaicos. © 2018 Electrónica Research Institute (ERI). Producción y hospedaje por

sevier BV Este es un artículo de acceso abierto bajo la licencia CC BY-NC-ND licencia ( http://creativecommons.org/licenses/by-nc-nd/4.0/ ).

labras clave: MPPT; ANFIS; Convertidor de carga; bomba de PMDC

Introducción

De acuerdo con la la población mundial de las Naciones Unidas llegó a alrededor 7,5 mil millones de personas en Abril 2017 que dará lugar a una marcado aumento de la energía el nsumo
debido al aumento en el número de edificios y el transporte. Actualmente, los edificios consume el 40% de la energía total y el 51% del consumo total de electricidad ( Ahmad et ., 2017 ). Los
edificios consumen energía en operaciones como refrigeración, calefacción, agua caliente, la iluminación y la cocción etc. ( Ma et al., 2017 ). Combustibles fósiles

* Autor correspondiente.

Email direcciones: Sameh.Shaaban@aast.edu (S. Shabaan), Mohamedibrahi32@aast.edu (MI Abu El-Sebah), berooo88@hotmail.com (P. Bekhit).

Mirar revisión en virtud de la responsabilidad del Instituto de Investigación Electrónica (ERI).

tps://doi.org/10.1016/j.jesit.2018.02.002
14-7172 / © 2018 Instituto de Investigación Electrónica (ERI). Producción y hospedaje por Elsevier BV Este es un artículo de acceso abierto bajo la licencia CC BY-NC-ND licencia ( http://creativecommons.org/licenses/by-nc-nd/4.0/
12 S. Shabaan et al. / Diario de sistemas eléctricos y de Tecnología de la Información 5 (2018) 11 -22

representan el 87% de la energía mundial el consumo ( Efe Biresselioglu y Yelkenci, 2016 ), El 70% de la electricidad en función de las generaciones la quema de combustibles
fósiles y 98% de la producción industrial de hidrógeno se basa en ella ( Muradov, 2017 ). CO 2

as emisiones como resultado de la quema de combustibles fósiles aumentaría alrededor 35,6 mil millones de toneladas métricas en 2020 ( Zaman y Abd-el. Moemen, 2017 ) Y negro de carbono

(BC), que se compone principalmente de carbono puro como resultado de la combustión incompleta de fósiles combustibles y biocombustibles, que absorbe la luz a todas las longitudes de

onda por lo que llamó negro y volver a irradiar radiación solar en forma de calor ( Healy et al., 2017 ) Son los factores primarios en el calentamiento global y provoca contaminación ambiental

que afecta a la salud humana. Como un Consecuentemente, hay un enfoque serio para reducir las emisiones de estos gases en la atmósfera mediante el aumento de la utilización de renovable

energías que existen en muchas formas, incluyendo solar térmica, fotovoltaica (PV), hidráulica, geotérmica, viento, océano y biomasa, que está clasificada como la tercera fuente de energía

después del petróleo y el carbón debido a su disponibilidad ( Trnini'

do

et Alabama., 2016 ). Están limpias, naturalmente, repuesto, emiten poco o nada de gases de efecto invernadero, y no afectan a la salud humana. recientemente PV se convirtió en uno de los

mercados en crecimiento de ayuno debido a la continua reducción de costos, el alto nivel de inversiones que conlleva, y la progreso tecnológico. Los sistemas fotovoltaicos tienen muchas ventajas

como el bajo costo de operación y mantenimiento, de confianza sistemas, fuente de energía libre, alta disponibilidad, se pueden instalar en lugares remotos, y silencioso, pero su AWS principales

son fl limitaciones en la disponibilidad de sistemas en el mercado, la alta dependencia del desarrollo de la tecnología, necesitan una gran superficie de instalación, dependerá de la radiación solar, y

los altos costos iniciales ( Vasconcelos y Sampaio Aguirre González, 2017 ). UN PV sistema tiene no lineal características. Hay un solo punto en el poder voltaje (P-V) curva, llamado el máximo punto

de potencia (MPP), en el que el generador fotovoltaico produce potencia de salida máxima. El MPP de un sistema fotovoltaico depende solar irradiación, la temperatura y la impedancia de carga,

por lo que es necesario realizar un seguimiento de este punto de forma continua. Por lo tanto, de seguimiento del punto de máxima potencia se necesitan (MPPT) técnicas para mantener el

conjunto fotovoltaico de funcionamiento en este punto ( fawzy El-Khatib et al., 2017 ). Durante la última décadas, muchos métodos se han desarrollado para hallar MPP y publicado. Estas técnicas

difieren en muchos aspectos como sensores necesarios, la complejidad, el costo, el rango de efectividad, facilidad de aplicación, y la convergencia velocidad. Estas técnicas pueden clasificarse en

cinco grupos

( Karami et al., 2017 ). El primer grupo es el seguimiento de las técnicas con constante parámetros: Las técnicas basadas en modelo; requerir información previa acerca de las características de la modelo.
Estas técnicas incluyen (método de tensión constante, método de la tensión de circuito abierto, el método corriente de corto-circuito, Circuito abierto tensión de pilotaje PV método de la celda, de
gradiente de temperatura (TG) Algoritmo, Temperatura paramétrico (TP) Método, P-N técnica de unión caída de tensión de seguimiento,

tensión de realimentación o el método actual). El segundo grupo está rastreo técnicas con ensayo y error: Las técnicas más ampliamente utilizadas. Son métodos iterativos comienzan con una

arbitrario solución y la búsqueda de una mejor solución al cambiar un solo parámetro que afecta a la solución. iteraciones continuará hasta que no se mejoras se pueden hacer ( Jately y Arora, 2017

). Estas técnicas incluyen (perturbar y observar (CORREOS) método, Modi fi ed P & O con paso fijo perturbación, Convencional P & O con perturbación adaptativa, Modi fi ed P & O con adaptado

perturbación, el método fotovoltaica solamente de corriente, método de control de PV de salida sin sentido (POS), de peso de tres puntos método de comparación, CC-Link condensador de

control de caída, On-Line MPP algoritmo de búsqueda, Array Reconfiguración Método). El tercer grupo es el seguimiento de técnicas con medición y comparación: Estas técnicas se basan en la

detección de los parámetros externos, tales como la irradiación, la temperatura, la corriente

de PV, y el voltaje de PV y comparando con una pre-conocido MPP. La desventaja de estos algoritmos es grandes necesidades de memoria para almacenar datos ( Joshi y Arora,

2017 ). Look-up método de la tabla, cargar la maximización de corriente o voltaje de carga, método de control de corriente lineal son ejemplos de estos técnicas. El cuarto grupo es
viradas con técnicas de cálculo matemático: Estos numérico métodos proporcionan estimaciones cercanas a la solución exacta. Una cantidad mínima de error se introduce en el
cómputo y MPP considerado la solución óptima para ser rastreado ( Amir et al., 2016 ). Ejemplos de estos métodos son (Método MPPT a base de Estado, Método racor Curve-, lineal
reorientado método de coordenadas, Slide método de control, Diferenciación método, el método de barrido actual, el método incremental conductancia, dP / dV o control de
retroalimentación / dI dP, paso variable incrementales método de la conductancia, Variable paso de tamaño método incremental resistencia, método, Parásito capacitancia (PC) método,
IMPP y método de cálculo VMPP, control correlación Ripple, Métodos de modulación). El grupo final es el seguimiento de las técnicas con una predicción inteligente:

Estos métodos de predecir la ubicación de la MPP por utilizando una proceso de aprendizaje inteligente como control de lógica difusa, redes neuronales y el algoritmo enjambre
persiguiendo biológica. Cada técnica tiene sus propias ventajas y desventajas. tabla 1 compara entre algunos diferentes técnicas MPPT en términos de número y el tipo de sensores
utilizados y por lo tanto el costo de implementación, el seguimiento de la velocidad y la estabilidad.
 S. Shabaan et al. / Diario de sistemas eléctricos y de Tecnología de la Información 5 (2018) 11-22 13

bla 1 Ventajas y desventajas de las diferentes técnicas de MPPT (adoptados de Karami et al. (2017) ).

Rastreo métodos ANUNCIO sensores Velocidad Estabilidad la sintonización periódica

Voltaje constante UN V Rápido No es estable Sí

Abra el circuito de voltaje UN V Rápido No es estable Sí
Perturbar y observar ANUNCIO V&C Lento No es estable No
Lineal reorientado coordenadas re V&C Lento Estable No
Curve- racor re V Rápido No es estable Sí
dP / dV o dP / dI control de realimentación re V&C Lento Estable No
incremental conductancia re V&C Lento Estable No
control de lógica Fuzzy re V&C Muy rapido Muy estable No
Neural red re V&C Muy rapido Muy estable No
enjambre Biológica algoritmo persiguiendo re V&C Muy rapido Muy estable No

Modelado y características de fotovoltaica

Simulación de sistemas de energía solar tiempo y dinero utilizado en la realización de experimentos en los sistemas reales de ahorro. Podemos estudiar el influencia de cambiar cualquier rámetro en todo el
sistema, la comparación de diferentes sistemas, trazar la conversión de energía y la identificación de las pérdidas en todo el sistema en detalles, pero la simulación tiene

gunos inconvenientes como mucho tiempo de modelo preparación, y cada modelo de simulación es única, los resultados de este modelo no se pueden utilizar para el análisis de otro modelo ( Kikolski,
17 ). Un módulo PV está consistiendo en una combinación de células conectadas en serie y en paralelo. Células conectadas en serie aumentar la tensión de salida, mientras que las células nectadas en
paralelo aumento de la corriente de salida. Las características I-V de un PV Módulo vienen dados por las ecuaciones. (1) - (4) ( KC200GT, 2017 ).

I = Np * IPV - Notario público * Es [ exp (q (V + R YO)Ns K una T) - 1] - V + R I rp (1)

Ipv = [ yo SC + K yo ( T - T ref)] * GRA MO (2)

[ ]
3 exp 1 T árbitro -1
T
yo s = yo (rs T ) q * mi gramo (3)
T árbitro Ka

yo Carolina del Sur

yo rs = (4)
exp [ qV jefe
norte s KaT] -1

nde IPV es la corriente fotoeléctrica; Es es la corriente de saturación inversa de diodo; q es la carga del electrón (1,60217646 × 10-19C); k es la la constante de Boltzmann (1.3806503 × 10-23

/◦ K); T es la célula de la temperatura de trabajo en Kelvin ( ◦ K); a es el factor de idealidad del diodo (1 ≤ un ≤ 2); Np es el número de células en paralelo; Ns es el número de células en serie, c es la
corriente de cortocircuito de células en STC; Ki es la célula cortocircuito temperatura actual coeficiente en STC; T es la célula trabajando temperatura; Tref es la temperatura de ferencia de la celda;
GRAMO es el nivel de irradiancia solar (KW / m 2);

S está el marcha atrás la saturación actual; Ej es la energía de intervalo de banda del semiconductor en la celda (1,1 eV).

Como el PV módulo, una matriz de PV se compone de varios módulos fotovoltaicos interconectados con enlaces en serie y en paralelo. La I-V características de un generador fotovoltaico
tán dadas por la ecuación. (5) ( KC200GT, 2017 ).

Npar)) npar)
I = npar * IPV - npar * Es [ exp (q (V + Rs I ( Nser ) - 1] - V + Rs I ( Nser (5)
Nser K a T rp ( Nser
npar)

ónde Npar es la número de módulos en paralelo; Nser es el número de módulos en serie. módulo fotovoltaico fue KC200GTS elegido para una MATLAB modelo de mulación. El

módulo está hecho de células solares 54 de silicio multi-cristalino en serie con 200 W la potencia máxima en STC. Tabla 2 ilustra la ficha técnica de este módulo n STC.

Figura 1 muestra el circuito equivalente del modelo de Rp diodo individual que se describe por las ecuaciones. (1) - (4) para la simulación.
Figura 2 ilustra el modelo de circuito del módulo PV por MATLAB, mientras Higos. 3-5 ilustrar el modelo Simulink de módulo actual, y Vta corriente fotoeléctrica respectivamente.
 Variable
Pmax 200 W (+ 10% / - 5%)
Vmax 26,3 V
Imax 7.61 Un
SC 8.21 Un
Voc 32,9 V
Temperatura coeficiente de Voc - 1.23 × 10 - 1 V / ◦ do
Temperatura coeficiente de Isc 3.18 × 10 - 3 UN/ ◦ do

Higo. 1. Modelo de Rp diodo individual.

Higo. 2. Circuito modelo del módulo FV mediante MATLAB.

Higo. 3. Modelo Simulink de corriente de los módulos.

Higo. 4. Modelo Simulink de Vta.

UN la simulación se lleva a cabo mediante el uso de MATLAB Simulink utilizando el modelo de Fig. 6 para investigar el efecto de la irradiación y la temperatura en el módulo

PV actuación. En primer lugar, se tomaron diferentes niveles de irradiación a una temperatura constante de 25 ◦ C y la se representaron curvas resultantes I-V y P-V. Higos. 7 y 8 mostrar as
características I-V y V-P de la módulo en diferente niveles de irradiación de 400, 600, 800 y 1000 W / m 2 respectivamente. Se observa que la salida
 S. Shabaan et al. / Diario de sistemas eléctricos y de Tecnología de la Información 5 (2018) 11 -22 15

Higo. 5. Modelo Simulink de fotocorriente.

Higo. 6. Modelo Simulink de módulo PV.

Higo. 7. I-V características a temperatura constante y niveles de irradiación variables.

rriente aumenta significativamente y hay un aumento moderado en la tensión de salida que conduce a un aumento en la salida con el poder el aumento de la niveles de
adiación.

A estudiar el efecto de la la temperatura en el rendimiento del módulo, los diferentes niveles de temperatura fue tomada en una constante irradiancia de 1000 W / m 2. Fig. 9 ilustra
s características de I-V del módulo a diferentes niveles de temperatura de 25 ◦ C, 35 ◦ C, 45 ◦ C y 55 ◦ do respectivamente. Se representa que hay un ligero aumento en la rriente de
salida y una notable disminuir en la tensión de salida, que se traducen en una disminución total en la potencia de salida con el aumento de la temperatura.
dieciséis S. Shabaan et al. / Diario de sistemas eléctricos y de Tecnología de la Información 5 (2018) 11 -22

Higo. 8. P-V características a temperatura constante y niveles de irradiación variables.

Higo. 9. I-V características a irradiación constante y niveles de temperatura variable.

3. ANFIS estructura y puesta a punto

3.1. ANFIS estructura

Adaptativo neuro-difusa sistema de inferencia (ANFIS) es una manera inteligente arti fi cial que combina las ventajas de borroso lógica y fi redes neuronales artificial por o que es
una técnica poderosa para sistemas no lineales y complicadas ( Rezakazemi et al., 2017 ). ANFIS estructura consta de cinco capas como se muestra en La Fig. 10 . Son capa de entrada
(capa difusa), capa Fuzzi fi cación (la capa de producto), la capa de proceso de inferencias (capa normalizado), la capa de fi cación defuzzi y la final capa de salida ( Sen et al, 2017.; Im
et al., 2018 ). La función de cada capa se presenta como sigue: ( Abolfazl Hosseini y Paeen Afrakoti, 2017; rÐoki'

c y Jovi' c, 2017; Zare y Koch, 2018; Baghban et al., 2017 ).

Capa 1: La las entradas están convertida en valores difusos. Cada nodo en esta capa consiste en una función de pertenencia A yo.

os salida del nodo i-ésimo de la capa 1 se da de acuerdo con la Ec. (6) :

o yo, 1 = UN yo ( X 1) (6)

dónde O yo, 1 es el salida del nodo i-ésimo de la capa 1; X 1 es el nodo de entrada i; UN yo es una variable lingüística asociada con este nodo.
 S. Shabaan et al. / Diario de sistemas eléctricos y de Tecnología de la Información 5 (2018) 11 -22 17

Higo. 10. Estructura ANFIS (adoptado de Abolfazl Hosseini y Paeen Afrakoti (2017) ).

BLA 3 Muestra de conjunto de datos de

trenamiento. Número

Irradiancia (W / m 2) Temperatura ( ◦ DO) Potencia de salida (W)

200 15 240.5256
200 20 234.1192
200 25 227.7175
200 30 221.3214
200 35 214.9322
200 40 208.5511
200 45 202.1794
200 50 195.8187
200 55 189.4703
200 60 183.1359
200 sesenta y cinco 176.8174

Capa 2: La capa de producto, la salida de esta capa proporciona los pesos de las funciones de pertenencia subproducto de su insumos. por ejemplo, w 2 = UN 2 ( X 1) × UN
X 2).
Capa 3: La capa normalizado proporciona la base de reglas de la red de cada peso se normaliza por la suma del total pesos de acuerdo con la Ec. (7) :

w = w kΣ norte (7)
yo - 1 w yo

Capa 4: En esta capa defuzzi fi cación de las salidas se lleva a cabo, la salida de los nodos en esta capa es como Eq. (8) :

o i = w yo × F i = w yo x ( pag yo X 1 + q yo X 2 + r yo) (8)

nde w yo es el de salida de la capa anterior y { pag yo, q yo, r yo} son el conjunto de parámetros que deben calcularse de mecanismo de aprendizaje.

Capa 5: La capa de salida calcula la salida global del sistema en la Ec. (9) :

f (x 1, X 2) = Σ w yo × F yo (9)
yo

2. ANFIS sintonización

ANFIS modelo toma la temperatura y la irradiancia como entradas y da el valor nítido de la potencia máxima disponible a estas operando condiciones. conjuntos de datos de trenamiento se

forman cambiando la temperatura de 15 ◦ C a 65 ◦ C en el paso de 5 ◦ C y la irradiancia de 100 W / m 2 a 1000 W / m 2 en el paso de 50 W / m 2. Una muestra de los datos entrenamiento se muestra

en la el Tabla 3 . ANFIS está entrenado utilizando conjuntos de datos 209, 2000 épocas. La Fig. 11 muestra la estructura ANFIS generada por el MATLAB. La oducción fue de predicha usando el

método de optimización híbrido que es una combinación entre el método de mínimos cuadrados y gradiente backpropagation decente basado en el stema de inferencia de tipo Sugeno.
18 S. Shabaan et al. / Diario de sistemas eléctricos y de Tecnología de la Información 5 (2018) 11 -22

Higo. 11. estructura ANFIS generada por el MATLAB.

4. PMDC solar bomba

PV agua sistema de bombeo es generalmente clasificados como sistema de bombeo motor DC o AC. Un convertidor intermedio entre el módulo y la bomba en el sistema de bombeo
motor de corriente continua se pueden utilizar para buscar la máxima potencia, mientras que la C.A. bombeo sistema requiere un convertidor DC-AC para convertir la potencia de salida de

CC del módulo en una tensión / Variable Variable fuente de alimentación de frecuencia ( Periasamy et al., 2015 ). El motor de corriente continua convencional con escobillas y sin escobillas DC motor
(BLDC) se utiliza para el sistema de DC motor de bombeo, mientras que la inducción y el motor de CA sincrónico se utilizan en AC sistema de bombeo ( Sontake y Kalamkar, 2016 ). En general, las
bombas centrífugas se utilizan en el sistema de bombeo fotovoltaico con un fi ef que varía de 25% a 35% eficiencia ( Chandel et al., 2017 ). Las bombas centrífugas operan

sobre la cabeza baja y alto descarga condiciones. Tiene una potencia de succión relativamente pobre y la cavitación sucede a menudo. Los otros tipos de zapatillas utilizados son positivo desplazamiento y
bombas sumergibles. bombas de desplazamiento positivo tienen un buen poder de succión para que son una elección adecuada cuando la cabeza de succión total es alto pero tienen

baja descarga. Las bombas sumergibles ofrecer cabezas altas y descarga. No hay ningún problema de cavitación, pero sufren de problemas de corrosión y daños al sello ( Li et al., 2017 ). os
ecuaciones que describen el motor de imán permanente de corriente continua (PMDC) de tensión y el par son dada en las ecuaciones. (10) y (11) respectivamente. Además, la ecuación de carga
de la bomba centrífuga se da como en la Ec. (12) ( Ibrahim y Ibrahim, 2013 ).

Va = Ia Ra + Ladi un (10)
dt + k 3 w

T = A 3 + segundo 1 w + J dW (11)
carga + T dt

Tload = A1 + ∈ w 1.8 (12)

donde Va es la tensión del inducido (V); Ia es la corriente del inducido (A); Ra es la resistencia del inducido ( ); La es la armadura inductancia (H); k3 es la constante de fuerza contraelectromotriz

(N m A - 1); w es la velocidad del rotor (rpm); T es el par del motor (N metro); A3 es la constante de fricción del motor (N metro); B1 es la constante de amortiguamiento (N rad ms - 1); J es la inercia
del rotor (kg m 2);

Tload es la carga de par (N metro); A1 es la constante de fricción de carga (N metro); ∈ es la constante de par de carga (N ms rad - 1).
 S. Shabaan et al. / Diario de sistemas eléctricos y de Tecnología de la Información 5 (2018) 11 -22 19

Higo. 12. Simulink de fotovoltaico acoplado directamente a la carga de la bomba de motor de corriente continua.

Higo. 13. Simulink de sistema MPPT ANFIS con carga de la bomba de motor DC.

simulación y resultados

MATLAB simulaciones realizar pruebas comparativas entre algoritmo MPPT ANFIS y acoplamiento directo de sistema PV con la carga del motor de la bomba DC a diferentes niveles de adiancia y

temperatura. La Fig. 12 muestra diagrama de circuito Simulink de directo acoplamiento del generador fotovoltaico a la bomba de motor de corriente continua, mientras La Fig. 13 muestra agrama de

circuito Simulink de ANFIS MPPT sistema. UN simulación para el acoplamiento directo y la matriz ANFIS MPPT PV conectado a carga de la bomba de motor DC se implementa debajo variar adiancia y

temperatura constante. La Fig. 14 muestra el comportamiento transitorio de MPPT de la energía fotovoltaica poder utilizando ANFIS a 900 W / m 2 y una temperatura constante de 25 ◦ DO. bla 4

muestra el rendimiento del motor CC la velocidad de la bomba de corriente continua, su par motor y la potencia de carga usando ANFIS a diferentes niveles de irradiancia y temperatura nstante,

mientras Tabla 5 muestra los mismos resultados durante el acoplamiento directo. Tabla 6 ilustra el rendimiento del motor de corriente continua la velocidad de la bomba de corriente

ntinua, su par motor y la potencia de carga usando ANFIS a diferentes niveles de temperatura y la irradiación constante. ANFIS tiene más rápido velocidad de giro que dará lugar a
mucho mbeo de agua como en la bomba centrífuga depende de motor velocidad.
20 S. Shabaan et al. / Diario de sistemas eléctricos y de Tecnología de la Información 5 (2018) 11-22

Higo. 14. La respuesta transitoria de la energía PV usando ANFIS.

Tabla 4 Bomba rendimiento utilizando ANFIS a diferentes niveles de irradiancia y temperatura constante. irradiancia (W / m 2)

Temperatura ( ◦ DO) La velocidad del motor (rpm) Bomba de par (N metro) La potencia de carga (W)

1000 25 1451 5,854 1002

900 25 1425 5,691 956
800 25 1391 5.475 895,5
700 25 1342 5.171 814,6
600 25 1266 4.72 698
500 25 1150 4,073 545,2
400 25 997,9 3.294 379,4
300 25 815,6 2,475 231.5

Tabla 5 Bomba rendimiento durante el acoplamiento directo a diferentes niveles de irradiancia y temperatura constante. irradiancia (W / m 2)

Temperatura ( ◦ DO) La velocidad del motor (rpm) Bomba de par (N metro) La potencia de carga (W)

1000 25 833 2,546 243,5

900 25 827,5 2,523 239,6
800 25 821.2 2,497 235,3
700 25 813,9 2,466 230.3
600 25 805.2 2.43 224.4
500 25 794,4 2,386 217.3
400 25 780,3 2,329 208,2
300 25 759,9 2,248 195,6

6. Conclusión

Esta papel presenta un estudio de MPPT para los sistemas fotovoltaicos y su aplicación para una carga de la bomba de corriente continua bajo irradiación variable y temperatura condiciones. El
modelado del módulo fotovoltaico basado en el modelo de diodo Rp solo logra un buen juego con datos hoja información. Simulación de la instalación fotovoltaica con bomba de motor de corriente

continua se ha implementado con MPPT vs. directa acoplamiento sistema de MATLAB. La comparación muestra que el sistema fotovoltaico sin MPPT tiene pobres e fi ciencia debido a la descalce entre
el módulo fotovoltaico y la carga. El MPPT asegurar la adaptación de impedancia entre el PV y
 S. Shabaan et al. / Diario de sistemas eléctricos y de Tecnología de la Información 5 (2018) 11-22 21

bla 6 Bomba rendimiento utilizando ANFIS a diferentes niveles de temperatura y la irradiación constante. irradiancia (W / m 2)

Temperatura (oC) La velocidad del motor (rpm) Bomba de par (N metro) La potencia de carga (W)

0 30 1256 4,656 683,2

0 35 1242 4,583 665,3
0 40 1228 4.502 645,4
0 45 1212 4,413 624,1
0 50 1196 4.317 601,5
0 55 1176 4.216 578
0 60 1157 4.112 554
0 sesenta y cinco 1137 4.004 529,6

de carga para máxima transferencia de potencia mediante el control del ciclo de trabajo del convertidor elevador DC-DC. Por otro lado, espectáculos que el MPPT técnica aumenta la
tencia de salida solar de 20,1% a 82,7% más que el acoplamiento directo. Diferente tipos de MPPT algoritmos han sido revisados. ANFIS algoritmo MPPT es simulada para lograr la
áxima potencia transferir. ANFIS algoritmo muestra un mejor rendimiento en términos de e fi ciencia en comparación con acoplamiento directo. ANFIS respuesta es rápida, menos
oscilante la ganancia en la potencia de salida es alta en todos los niveles de irradiancia. Otra comparación tiene estado hecho en términos de velocidad de motor que muestra el
sistema con algoritmo ANFIS puede bombear más agua que directa acoplamiento.

ferencias

olfazl Hosseini, Seyed, Paeen Afrakoti, Iman Esmaili, 2017. ruido de neutrones reconstrucción fuente usando el sistema de inferencia neuro-fuzzy adaptativo
(ANFIS) en el VVER-1000 núcleo del reactor. Ana. Nucl. Energía 105 (julio), 36-44.

mad, J., Larijani, H., Emmanuel, R., Mannion, M., Javed, A., Phillipson, METRO., 2017. predicción de demanda de energía a través de novela neural azar
red predictor de gran edificios no domésticos. En: 2017 IEEE Conferencia Anual Internacional de Sistemas (Syscon), Montreal, QC, Canadá, pp. 1-6.

mir, UN., selvaraj, J., Rahim, N / A, 2016. Estudio de la MPP algoritmos de enfoque: las técnicas método numérico. Renovar. Sostener. Energía Rev.
62 (Septiembre), 350-371.
aghban, Alireza, Sasanipour, Jafar, Haratipour, Pouya, Alizad, Mehdi, Ayouri, Masih Vafaee, 2017. modelado ANFIS de avance ramnolípido
curvas en Carbón activado. Chem. Ing. Res. Des. 126 (Octubre), 67-75.
andel, SS, Nagaraju Naik, M., Chandel, Rahul, 2017. Revisión de estudios sobre el funcionamiento de los sistemas fotovoltaicos de bombeo de agua de acoplamiento directo y

caso estudiar. Renovar. Sostener. Rev. energía 76 (septiembre), 163-175.

e Biresselioglu, Mehmet, Yelkenci, Tezer, 2016. Escrutando las relaciones de causalidad entre los precios, la producción y el consumo de fósiles
combustibles: una panel de datos enfoque. Energía 102 (mayo), 44-53.

wzy El-Khatib, Mohamed, Shaaban, S., Abu El-Sebah, Mohamed YO., 2017. Una propuesta avanzada máximo control de seguimiento del punto de potencia para una

fotovoltaica solar sistema de bomba. Energía Solar 158 (diciembre), 321-331.

ealy, RM, Sofowote, U., Su, Y., Debosz, J., Noble, M., Jeong, C.-H., Wang, JM, Hilker, N., Evans, GJ, Doerksen, G., Jones, K., Munoz, UN.,
2017. Ambiente mediciones y fuente prorrateo de los combustibles fósiles y la quema de la biomasa de carbono negro en Ontario. Atmos. Reinar. 161 (julio), 34-47.

rahim, HEA, Ibrahim, Mahmoud, 2013. MPPT usando controlador difuso para el sistema fotovoltaico de bombeo. En: IEEE Conferencia Internacional sobre
Controlar ingeniería y Tecnología de la Comunicación (ICCECT), diciembre, pp. 150-155.
toy, Dongkyun, Choi, Sung-Uk, Choi, Byungwoong, 2018. simulación física del hábitat para una comunidad de peces usando el método ANFIS. Ecológico
43 (Enero), 73-83.
tely, V., Arora, S., 2017. Desarrollo de una técnica de doble seguimiento para extraer la máxima potencia de los sistemas fotovoltaicos bajo los rápidos cambios

ambiental condiciones. Energía 133 (agosto), 557-571.

shi, puneet, Arora, Sudha, 2017. metodologías de seguimiento máxima del punto de alimentación para sistemas solares fotovoltaicos, una opinión. Renovar. Sostener. Rev. energía

70 (Abril), 1154-1177.
C200GT Hoja de datos de célula solar. Disponible en línea http://store.affordable-solar.com/store/discontinued-unavailable-solar-panels/kyocera-kc200gt-

200watt-solar de panel . (Acceso el 15 de de agosto de 2017).

rami, Nabil, Moubayed, Nazih, Outbib, Rachid, 2017. Revisión general y clasi fi cación de las diferentes técnicas de MPPT. Renovar. Sostener. Energía

Rev. 68 (Febrero (Parte 1)), 1-18.

kolski, Mateusz, 2017. Estudio de escenarios de producción con el uso de modelos de simulación. Procedia Ing. 182, 321-328.

Guiqiang, Jin, Yi, Akram, MW, Chen, Xiao, 2017. La investigación y el estado actual de la energía solar fotovoltaica sistema de bombeo de agua, una opinión.
Renovar. Sostener. Energía Rev. 79 (Noviembre), 440-458.
amá, Jia-Jun, Du, Gang, Zhang, Zeng-Kai, Wang, Pei-Xing, Xie, Bai-Chen, 2017. análisis del ciclo de vida de consumo de energía y CO 2 las emisiones
a partir de una grande típico de la construcción o fi cina en Tianjin, China. Construir. Reinar. 117 (Mayo), 36-48.
22 S. Shabaan et al. / Diario de sistemas eléctricos y de Tecnología de la Información 5 (2018) 11-22

Muradov, Nazim, 2017. Baja a casi cero CO 2 producción de hidrógeno a partir de combustibles fósiles: situación y perspectivas. En t. J. Hydrogen Energy 42 (mayo
(20)), 1408-14058.
Periasamy, Packiam, Jain, NK, Singh, IP, 2015. Una revisión sobre el desarrollo del sistema de bombeo de agua fotovoltaica. Renovar. Sostener. Rev. energía
43 (Marzo), 918-925.
rÐoki' do, Aleksanda, Jovi' c, Sr -Dan, 2017. Evaluación de la agricultura y la industria efecto sobre la salud económica por el enfoque ANFIS. Phys. R: Stat. Mech.
Appl. 479 (Agosto), 396-399.
Rezakazemi, Mashallah, Dashti, Amir, Asghari, Morteza, Shirazian, Saeed, 2017. membranas matriz mixta H2 selectivos modelado usando ANFIS,
PSO-ANFIS, GA-ANFIS. En t. J. Hydrogen Energy 42 (junio (22)), 15.211 hasta 15.225.
Sen, Binayak, Mandal, Uttam Kumar, Mondal, Sankar Prasad, 2017. Avance de un sistema inteligente basado en ANFIS para la predicción de mecanizado

actuación parámetros de Inconel 690-a perspectiva de enfoque metaheurístico. Medición 109 (octubre), 9-17.
Sontake, vimal Chand, Kalamkar, Vilas R., 2016. sistema de la energía solar fotovoltaica de bombeo de agua revisión exhaustiva. Renovar. Sostener. Rev. energía
59 (Junio), 1038-1067.
Trnini' do, METRO., Stojiljkovi' do, D., Jovovi' do, A., Jankes, GRAMO., 2016. La biomasa gasi tecnología fi cación: el estado de la visión general del arte. En: 2016 4ª Internacional

Simposio sobre Respetuosa del medio ambiente Energías y Aplicaciones (EFEA), Belgrade, pp. 1-8.
Vasconcelos Sampaio, Priscila Gonçalves, Aguirre González, Mario Orestes, 2017. Energía solar fotovoltaica: marco conceptual. Renovar.
Sostener. Rev. energía 74 (julio), 590-601.

Zaman, Khalid, Abd-el. Moemen, Mitwali, 2017. El consumo de energía, las emisiones de dióxido de carbono y el desarrollo económico: la evaluación de alternativas
y plausible ambiental hipótesis de un crecimiento sostenible. Comentarios (julio), 1119-1130.

Zare, Mohammad, Koch, Manfred, 2018. Nivel del agua subterránea fluctuaciones de simulación y predicción por ANFIS- y híbrido Wavelet-ANFIS / Fuzzy C-
Medios (FCM) los modelos de conglomerado: aplicación a la llanura Miandarband. J. Hydro-Environ. Res. 18 (febrero), 63-76.