Date of Award
4-2023
Document Type
Dissertation
Degree Name
Doctor of Philosophy in Electrical Engineering
Department
Electrical and Communication Engineering
First Advisor
Hussain Shareef
Abstract
The primary aim of this doctoral thesis is to examine the potential application of machine learning (ML) in optimizing Maximum Power Point Tracking (MPPT) and devising a flexible ML-based controller for photovoltaic (PV) systems. The lack of MPPT mechanisms leads to fixed voltage and current points for PV modules, resulting in substantial power loss when environmental conditions vary. The limitations of conventional and enhanced MPPT methods, as well as finding an alternative controller to classical Proportional-Integral (PI) controllers, have spurred the search for substitute approaches to maximize PV power. To address these limitations, this thesis proposes using ensemble ML techniques, specifically the CatBoost algorithm, as a viable alternative to conventional MPPT methods. The proposed methodology harnesses the ability of ML models to learn from data and adapt to changing environmental conditions. The CatBoost method outperformed other techniques in predicting maximum current. Moreover, the thesis introduces an adaptable ML-based controller for PV systems that offers an alternative approach to the PI controller by leveraging the learning capability of ML models. The controller employs feature engineering and SHapley Additive exPlanations (SHAP) values for feature analysis, allowing for the identification of features that significantly impact system performance and adjusting the controller's parameters accordingly. Results revealed that the model output is strongly correlated with the reference current and error signal, with the most substantial feature importance contributing to the model's output. In addition to variations in irradiance, the controllers were tested for partial shading conditions and varying loads. The performance of the ML-gradient boosting (MLGB) controller and the adjustable MLGB controller were compared under these circumstances. The adjustable MLGB controller showed improved results, emphasizing its ability to adapt to changing conditions. The proposed methodology was verified experimentally, and the results demonstrated that the suggested gradient boosting based MPPT had the lowest mean. In transient response analysis, the proposed controller exhibited the shortest rise and fall times.
Arabic Abstract
التقاط الطاقة الكهروضوئية القصوى باستخدام الذكاء الاصطناعي : أقصى قدر من التنبؤ للتيار الكهربائي، ومنهجية تتبع للطاقة القصوى، وجهاز تحكم قائم على تعلم الاله قابل للتعديل ذاتيا
الهدف الأساسي من أطروحة الدكتوراه هذه هو فحص التطبيق المحتمل للتعلم الآلي في تحسين تتبع الحد الأقصى من نقاط الطاقة وابتكار وحدة تحكم مرنة تعتمد على تعلم الآلة للأنظمة الكهروضوئية. يؤدي عدم وجود آليات MPPT إلى جهد ثابت للوحدات الكهروضوئية، مما يؤدي إلى فقد طاقة كبير عندما تختلف الظروف البيئية. دفعت قيود أساليب MPPT التقليدية والمحسنة، بالإضافة إلى إيجاد وحدة تحكم بديلة لوحدات التحكم التناسبية المتكاملة الكلاسيكية، إلى البحث عن طرق بديلة لزيادة الطاقة الكهروضوئية إلى أقصى حد. لمعالجة هذه القيود، تقترح هذه الأطروحة استخدام تقنيات الذكاء الاصطناعي التي تستخدم عدة نماذج متجمعة، وتحديداً خوارزمية CatBoost، كبديل عملي لأساليب MPPT التقليدية. تستخدم المنهجية المقترحة قدرة نماذج تعلم الآلة على التعلم من البيانات والتكيف مع الظروف البيئية المتغيرة. تفوقت طريقة CatBoost على الأساليب الأخرى في التنبؤ بالتيار الأقصى. علاوة على ذلك، تقدم الأطروحة وحدة تحكم قائمة على الذكاء الاصطناعي قابلة للتكيف للأنظمة الكهروضوئية التي توفر نهجا بديلاً لوحدة التحكم PI من خلال الاستفادة من قدرة التعلم لنماذج تعلم الآلة. تستخدم وحدة التحكم هندسة المدخلات وقيم SHapley Additive explanations لتحليل المدخلات، مما يسمح بتحديد المدخلات التي تؤثر بشكل كبير على أداء النظام وتعديل طريقة تتبع وحدة التحكم وفقا لذلك. كشفت النتائج أن ناتج النموذج يرتبط ارتباطًا وثيقا بالتيار المرجعي وإشارة المدخلات، مساهمة أهم ميزة جوهرية في إخراج النموذج. بالإضافة إلى الاختلافات في الإشعاع، تم اختبار وحدات التحكم لظروف التظليل الجزئي والأحمال المتغيرة. تمت مقارنة أداء وحدة تحكم ML-gradient وجهاز التحكم MLGB القابل للتعديل في ظل هذه الظروف. أظهرت وحدة التحكم MLGB القابلة للتعديل نتائج محسنة، مؤكدة قدرتها على التكيف مع الظروف المتغيرة. تم التحقق من المنهجية المقترحة تجريبياً، وأظهرت النتائج أن MPPT المعتمد على تعزيز التدرج المقترح كان له أدنى متوسط. في تحليل الاستجابة اللحظية، أظهرت وحدة التحكم المقترحة أقصر أوقات صعود وهبوط للإشارة للوصول للهدف.
Recommended Citation
Mohamed, Zahi Mohamed, "CAPTURING MAXIMUM PHOTOVOLTAIC POWER WITH MACHINE LEARNING: MAXIMUM CURRENT PREDICTION, MPPT METHODOLOGY, AND ADJUSTABLE ML-BASED CONTROLLER" (2023). Dissertations. 327.
https://scholarworks.uaeu.ac.ae/all_dissertations/327
