Sünter, SedatAhmad, Muhammad SaeedElectrical-Electronics Engineering2024-07-072024-07-072023https://hdl.handle.net/20.500.14411/5161Yenilenebilir enerji teknolojileri, fosil yakıtlara güvenin azalması, iklim değişimlerinin etkisini azaltması gibi sebeplerden dolayı son birkaç 10 yıldır önem kazanmıştır. Güneş, rüzgar ve su gibi yenilenebilir kaynaklar temiz ve sürdürülebilirdir. Bu teknolojiler son yıllarda önemli derecede dikkatleri üzerine çekmiştir. Yenilenebilir enerji teknolojileri birçok avantajlara sahip olmalarına rağmen fosil yakıtlarına göre oldukça düşük verimlere sahip olmaları önemli bir dezavantajdır. Sonuç olarak, yenilenebilir enerji sistemleri, fosil-yakıt temelli sistemlerin ürettiği miktardaki bir enerjiyi üretmek için daha fazla yere ve kaynağa ihtiyaç duyarlar. İlave olarak, yenilenebilir enerji sistemlerinin verimi hava ve diğer çevresel koşullara bağlı olarak değişebilir. Örnek olarak, güneş panelleri bulutlu günlerde daha az etkiliyken rüzgar türbinleri de sakin (rüzgarsız) havada daha az etkilidir. Bu durumlar yenilenebilir enerji sistemlerinin üreteceği enerji miktarını tahmin ve kontrol etmeyi zorlaştırabilir. Bu durum yenilenebilir enerji sistemlerinin şebekeye entegrasyonunu zorlaştırabilecektir. Maksimum güç noktası takip (MPPT) tekniklerinin kullanılmasıyla verimle ilgili problemlerin üstesinden gelinebilir. Bu teknikler, maksimum güç noktasında veya en çok gücü üreteceği noktada çalışmayı sağlayarak yenilenebilir enerji sistemlerinin performansını optimize etmek için kullanılır. Birkaç çeşit maksimum güç noktası izleme (MPPT) tekniği vardır, fakat genel olarak üç kategoride sınıflandırılırlar. : Basit, Yapay zeka (AI) ve hibrit. PO ve IC gibi basit MPPT teknikleri en temel olanlardır ve MPPT'de oldukça fazla kullanılır. Bu teknikler, maksimum güç noktasını sağlamada sistemin çalışma koşullarını sürekli olarak ayarlamak için oldukça basit algoritmalar kullanırlar. PSO ve ANN gibi AI-temelli MPPT teknikleri, yenilenebilir enerji sistemlerinin performansını optimize etmek için ileri algoritmalar ve makine öğrenme teknikleri kullanır. Bu teknikler çevresel koşulların değişimine kendilerini uyarlayabilir ve gerçek zamanda sistemin çalışma koşullarını sürekli olarak ayarlayabilirler. ANFIS ve PSO&PO gibi hibrit MPPT teknikleri, basit ve AI-temelli tekniklerinin bir birleşimidir. Bu teknikler maksimum güç noktasını hızlıca takip etmek için basit algoritmalar kullanır ve daha sonra gerçek zamanda sistemin çalışma koşullarının ince ayarı için AI-temelli teknikler kullanırlar. Hibrit enerji (güneş ve rüzgar) sistemleri için basit, AI, ML ve hibrit MPPT tekniklerinin karşılaştırmalı analizi bu tezde sunulmuştur. MPPT algoritmaları, verim, yerleşme zamanı, MPPT noktasında salınım ve algoritma karmaşıklığı gibi farklı metriklere dayanan verilere göre sıralanmıştır. PV sistem için, hibrit ve konvansiyonel tekniklere göre AI-temelli teknikler en iyi performansı göstermiştir. Rüzgar sistemi için ise, konvansiyonel ve AI tekniklerinin faydalarını birleştiren hibrit teknikler en iyi sonucu göstermiştir.Renewable energy technologies have gained a lot of traction in the last few decades as a means of reducing reliance on fossil fuels and mitigating the impact of climate change. Renewable sources such as sunlight, wind, and water are clean and sustainable. These technologies have gained significant attention in recent years. While renewable energy technologies have many advantages, one of the main challenges is their relatively low efficiency compared to fossil fuels. As a result, renewable energy systems typically require more land and resources to produce the same amount of energy as fossil fuel-based systems. Additionally, the efficiency of renewable energy systems can vary depending on the weather and other environmental conditions. For example, solar panels are less effective on cloudy days and wind turbines are less effective in calm weather. This can make it difficult to predict and control the amount of energy that renewable systems will produce, which can create challenges for integrating them into the grid. The problem with efficiency can be dealt with the use of maximum power point tracking (MPPT) techniques. These techniques are used to optimize the performance of renewable energy systems by ensuring that they operate at the maximum power point, or the point at which they can generate the most power. There are several types of maximum power point tracking (MPPT) techniques, but they can be broadly classified into three categories: simple, artificial intelligence (AI), and hybrid. Simple MPPT techniques such as PO and IC are the most basic and widely used type of MPPT. These techniques use relatively simple algorithms to continuously adjust the operating conditions of the system to maintain the maximum power point. AI-based MPPT techniques like PSO and ANN use advanced algorithms and machine learning techniques to optimize the performance of renewable energy systems. These techniques can adapt to changing environmental conditions and can continuously adjust the operating conditions of the system in real-time. Hybrid MPPT techniques like ANFIS and PSO&PO are a combination of simple and AI-based techniques. These techniques use simple algorithms to quickly track the maximum power point, and then use AI-based techniques to fine-tune the operating conditions of the system in real-time. A comparative analysis of simple, AI, ML, and hybrid MPPT techniques for hybrid energy (Solar and Wind) systems is discussed in this thesis. The MPPT algorithms were ranked based on different metrics such as efficiency, settling time, oscillations at MPPT and algorithm complexity. For PV system, AI based techniques performed best as compared to Hybrid and conventional techniques. For Wind system, hybrid techniques yield the best results as they combine the benefits of conventional and AI techniques.enElektrik ve Elektronik MühendisliğiGüneş enerjisiMaksimum güç noktasıElectrical and Electronics EngineeringRüzgar enerjisiSolar energyMaximum power pointVerimWind energyYapay zekaYieldArtificial intelligenceYenilenebilir enerjiRenewable energyMaster Thesis781102074