Gelişen ve değişen dünyamızda güneş enerjisi son derece önemli bir kaynaktır. Ancak bu kaynağın verimli bir şekilde kullanabilmek çok önemlidir. Bu bağlamda mevcut tezin amacı fotovoltaik sistemde Maksimum Güç Noktasını izlemek (MPPT) için yapay sinir ağı bu alanda son derece verimli olduğunu ispatlayarak ve de panel verimi ve kirliliği etkisini göz önüne alarak bir önceki çalışmaların dezavantajlarını bertaraf emtektir. Pv panelden elde edilen maksimum güç, güneş ışınımı, sıcaklık, kirlilik ve panel verimi gibi bir çok etkene bağlıdır. Bu sebeblerden dolayı MPP sürekli değişmektedir. Böylece, maksimum gücü elde etmek için uygun bir kontrolör tasarlamak önemlidir. Değiştir ve Gözle (DG) ve Sabit Akım (SA) en çok kullanılan mpp yöntemleridir. DG yöntemi daha verimli ancak mpp etrafında dalgalanma vardır. SA yöntemi DG ye göre daha az verim ile çalışır fakat mpp etrafında dalgalnma daha azdır. Bu çalışmada geliştirilen yöntem, DG ve SA yöntemleri tasarlanarak sonuçları karşılaştırmaktadır. Mevcut çalışma, toz ve panel verimliliğinin etkisini MPPT algoritmalarıyla birlikte ele alan literatürdeki ilk tez çalışmasıdır. Geliştirilen yöntem, SA ve DG yöntemlerine göre daha verimli ve daha az bir dalgalanma ile çalıştığını ispatlamaktadır.
Solar energy is an significant resource in our rapidly changing world. it is very important to use this resource efficiently. The purpose of this thesis is to show the usefulness of Artificial Neural Network (ANN) for tracking Maximum Power Point and taking into account the efficiency of the photovoltaic panel and dust effects to eliminate the disadvanteges of the previous works. Maxsimum Power Point Tracking (MPPT) is a method used to extract maximum power from a pv panel. The maximum power obtained from the Pv panel depends on many factors such as solar radiation, temperature, dust and panel efficiency. Because of these reasons MPP is constantly changing. Therfore, it is important to design a suitable controller to achieve maximum power. Perturb and Observation (PO) and Constant Current (CC) are the most commonly used MPP methods. The PO method is more efficient but there is fluctuation around the MPP. The CC method works with less efficiency than PO but has less fluctuation around the MPP. In this study the proposed method, PO and CC methods are designed and the results are compared. Based on our knowledge, this is the first study to consider the effect of dust and panel efficiency. The results demonstrate that the proposed method works with more efficient and less fluctuation than CC and PO methods.
