Indonesi an  Journa l  of El ect ri cal Engineer ing  an d  Comp ut er  Scie nce   Vo l.   10 ,  No.   3 ,  June   201 8 ,  pp .  1080~ 1089   IS S N: 25 02 - 4752, DO I: 10 .11 591/ijeecs .v1 0.i 3. pp 1080 - 1089          1080       Journ al h om e page :  http: // ia es core.c om/j ourn als/i ndex. ph p/ij eecs   Optimi zation  of  PV Syste ms Usin g Data Mi nin g   and Reg ression  Learner  MPPT T ec hn iqu es       Ad ed ayo M . F aray ola ,  Ali  N  Hasan ,  Ah me d A li   Depa rtment  o f  E le c tri c al E ngin eering  T ec hnolog y ,   Univer si t y   of   Johanne sburg,   South Afri c a       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   N ov   1 9 , 201 7   Re vised  J an   21 , 201 8   Accepte d  Ma r   11 , 201 8       Supervised  m achine   l ea rn ing  t e chni ques  such  a s  art ifici al   n eur al   ne twork  (AN N)  and  ANFIS  are   powerful   tool s   used  to   tra c k  the   m axim um   po wer   point   (MP PT)  in  photovoltaic   s y stems .   How eve r,  th ese   offl ine   MP PT  te chn ique s   stil l  req uire   l arg e  an d  ac cur a te   tr ai n i ng  dat a  sets  for  succ essful   tra ck ing .   Th is  pa per   pre sents  an  i nnovat iv e  use  of  rat ional  quadr atic  gaus sian   proc ess  reg ression  (RQGPR)  t ec hniqu e  to  gene rate  the   la rg e  and  v e r y   ac cur ate  tra in ing   dat a  req uir ed  for  MPPT  ta sk.  To  conf irm  the   eff ec t ive ness   of  the   RQG PR   t ec hniqu e,   the   co m bina ti on  of  A NN   and  RQG P R  as  AN N - RQG PR   te chn i que  result s  were   compare d  with  the   conve nt i onal   AN N   te chn ique   r esults ,   and  that  of   combined  AN N  and  li ne ar  sup port  ve ct or   m ac hine   reg r ession  as  ANN - LSV M  te chni que  res ult s  under   diffe r ent   wea th er   condi ti ons .   Result s  show   tha t  AN N - RQGPR  te chni que  produc ed   t he  over a l l   best  resul t and  w it h  an  improved   per form anc e .      Ke yw or d s :   ANN   Data m ining  te chn i qu e   MPPT   Photo vo lt ai c s yst e m   Suppor t  v ect or m achine   Copyright   ©   201 8   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Ali N. Has an ,    Dep a rt m ent o f El ect rical  En gi neer i ng   Tec hnology ,   Un i ver sit y   of J oh a nnes burg ,   P.O. Bo x 5 24, Auc klan d Par k 2 006, S ou t h A fr ic a .   E m a il : alin@ uj .ac.za       1.   INTROD U CTION   Photo vo lt ai c  ( PV )  s olar  e nergy  is  a  cat ego r y  of   su sta ina bl e  energy  that  ge ner at es  it s  ene rg y  nat ur al ly   from   su nligh t.   This  form   of   energy  is  the  do m inant  ty pe  of   re new a bl e  energy  so ur ce  as  PV   ene rg y  is  consi der e d  to  be  le ss  poll utive,  ine xhausti ble,  noise   f ree,   and   read il y  avail able  com par ed  to  t he  f ossi l  fu el   e nergy  [1 ] .  T he   PV   cel ls  conver t  li gh t  ene r gy  into  el ect rical   or   heat  ene r gy.  H ow e ve r,   these  P V  cel ls  us ua ll y  pro du ce   lo w  a nd  a bnor m al   powe r  w hen  us ed  with ou t  a   work i ng  m axim u m   po wer   point  trac ki ng  ( MPPT)  con t ro ll er   [ 2].  In  sta nd - a l on e   PV   syst e m s,  MPPT  c on t ro ll ers   a re  us e d  to   en ha nce  the   fl ow  of  powe r  from   the   connecte d  P V  cel ls  to  the  con necte d  loa d.   I n  batte ry - c onne ct ed  PV   syst em s,  MPPT  te chn i qu e s   are  use d  to   protect   batte rie s  f ro m   ov e r - c ha rg i ng  an d  dee p  discha rg e   of   powe r  f r om   the  cel ls  [ 3 ] .  Als o,   MP PT  te c hniqu e s   can  i ncr ease   th e  eff ic ie ncy  of   PV  cel ls  du ring  col d  te m per at ur e   a nd  cl oudy  days  w he n  the   s un  ir radi ance  is   low  [ 4].  MPPT  te chn i qu es   are  cl assif ie d  into  th ree  cat egories:   o n li ne,   offli ne,   and   hybri d  MPPT     te chn iq ues  [5] - [ 10 ] .    Re cent  researc h  has  a dopte d  the  us e  of   gl ob al   op ti m iz ation   te ch niques   su ch  a s  ge net ic   al go rithm   (GA),  par ti cl e  swar m   op ti m izati on   (P S O),  s i m ulate d  an ne al ing   (SA),  an t  bee  c olony  ( ABC)  an d  im pr ove d  conve ntion al   MPPT  te ch ni ques  s uc h  as   m od ifie d  Pe rturb &Obser ve  an d  m od ifie d  inc re m ental   cond uc ta nce  to  i m pr ove  the  tra ckin g  eff ic ie nc y  of   MPPT  co ntr ollers  in  PV  syst e m s   [5 ] ,  [1 1 ] .  N eve rthel ess,  few   wor k  is  done  us in g  data  m ining   te ch niques  to  track  the  m axim u m   p ow er  po i nt  in  PV   sy stem s.  Data  m i ning  is  a  com pu ti ng  and   sta ti sti c al   too l  us e d  to  di scov e r  patte r ns,  rem ov e  no is e,  extract  inf orm ation   f r om   la rg e  data  set s ,  an d  conve rsion  of   filt ered   data  set s  into  a  lo gical   structu re   fo r  furthe r  use .  Data  m ini ng   c om bin es   m achine  le arn in g,  sta ti sti cs,  an d  data base  syst e m s  into  a n  al l - in - on e   te ch nique .   Tasks   s olv e d  us in g  data  m ining  te chn iq ues   are   broa dly   di vid ed   into   six   cat egories:   cl ust er  analy sis,  ano m al y  detect ion ,  cl assi ficat ion,   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Op ti miz atio n o f PV Sy ste ms U sing D ata Mi ni ng an d  Re gr es sion Le ar ne r…   ( Adeday o  M . F arayol a )   1081   su m m arization,  regressi on,  and   ass ocia ti on   ru le   le arn i ng   (d e pe nd e ncy  m od el li ng )  [ 12 ]   .  Cl us te r  ana ly sis  is   us e d  to  le ar n  the  sim il arit ies  that  exist  in   data  set s.  A no m al y  detection   detect s  th e  error   i n  dat a  set s.  Cl assifi cat ion   si m plifie s  the  known  str uctur e  in  new   da ta   set s.  Su m m arizat ion   off ers  an  ext ra  com pact   represe ntati on   of  the  data  set s  w hile  re gr e ssion  le ar ning  est i m at es  the  rela ti on s hip   with   da ta   set s  an d  at tem pts   to  find   a  f un ct ion   that  m od el s  the  data  set s  with  le ast   err or.  Re gr e ssio n  le arn i ng   us es  predict ive  analy sis  to  ob ta in  m or e   accurate  res ul ts  fr om   a  decisi on   s upport   syst e m .  Dep end e ncy  m od el li ng   exam ines  the   relat ion s hip s  wi th v a riables  [13 ].   The  c ontrib ution  of  t his  pa pe r  is  to   intr oduc e  the  us e  of  a  par ti cula r  cl ass   of  data  m ining   te ch nique s   known  as  regr ession  le ar nin g  al gor it hm   fo r  op ti m iz a ti on   an d  im pr ove m ent  of   MP PT  co ntr ollers   in  PV   syst e m s.  The  r egr es sio n  le arni ng  alg or it hm s co nsi der e d  are  li near  sup port v ect or m achine ( LSV M )  re gr e ssio n  te chn iq ue  a nd   rati onal   qua dr at ic   gau s sia n  process  re gressi on  (RQ G PR)  te ch nique .  T he se   re gre ssion   al gorithm s  us e  few   real - tim e  sam ples  to  gen erate  the  ne w  data  set s  need e d  to  trai n  the  ANN  f or   MP P T  ta sk .  Seco nd   c on tri bu ti on  is  a  wo r k  done  to  e valuate  the  fe asi bili ty   of   the  two  pro po se d  regressi on   l earn i ng  al gorithm s  (LSV M  a nd   R Q GP R)  t hat  we re  com bin ed  s epar at el y  with   ANN  as  A N N - L SV M  a nd   ANN - RQGP R  te ch ni qu e  res pecti ve ly   for  the  en han cem ent  of   MPPT  te chn i ques  in  P V  syst e m s  un der   dif fer e nt   weathe r  c onditi on s .   The  syn opsis  of   this  p a pe r  is  pr e par e d  as  fo ll ows,  sect io n  2  will   pr ese nt  a  su m m ary  of   the  use d  MPPT  te ch niques.  In  sect io n  3,   a  re port  of   the  ex pe rim e nt  set up  a nd   m et ho d  is  pro vid e d.   Sect ion  4  will   pr ese nt the  r es ults, a nd secti on  5 wil l i nclu de  the c on cl us io ns .       2.   MPPT T E CHNIQ UES   The  te c hn i qu e s  u se d  i n  this  stud y a re  br ie fly   discusse d :     2.1 .      Li ne ar - S upp ort   Vec to r  Machine  (LS VM)   Suppor t   vect or  m achine  (SV M)  is  a   po pu la r  m achine  le ar ning  te c hn i qu e   us e d  f or  cl ass ific at ion   a nd   regressio n  a nal ysi s.  SV M  re gressi on tech nique  was fir st i nt rod uced by   Vladim ir V a pn i k i n  19 92 and  ha s b ee n  widely   us e d  t o  s olv e  patte r n  rec ogniti on   pro blem s ,  par ti cl e  identific at ion   prob le m s ,  an d  op ti m i zat ion  pro blem s  [ 5]. Ex am ples o f  SV M regressi on  techn iq ues  inc lud e the f ine S VM, m ediu m   SV M, coa rse - ga us sia n  SV M,  a nd  li ne ar  s upport  ve ct or   m achin e   (LSVM )  re gressi on  te ch ni qu e   [ 13 ] .  The   LSV M  regre ssion   te chn iq ue   ai m s   at   fin di n g  a  li near  f unct ion  f (x)  with  t he  m ini m al   no rm   va lue  ( β’β )  t hat  m akes  the  f un ct ion  f(x)   t o  be  as  fl at   as  possible  us in g  wh at   is   ca ll ed  pri m a l  fo rm ula  an d  dual   form ula.  Th e  pr im al   fo rm ula  is  br ie fly   desc rib e d  us in g  Eq ua ti on s  (1 - 2) ,   w hile  E quat io ns  ( 3 - 6)  il lustrate   the  w orkin g  pr i nciple  for  t he  du al   form ula u sed  in  li nea r  S VM  r egr es sio n  a naly sis ,      f ( x ) x b               ( 1 )     N * nn n1 1 J ( ) C ( 2             ( 2 )     NN * * ' i i j j i j i 1 j 1 1 L( ) ( ) ( ) X X V 2               ( 3 )     NN ** i i i i i i 1 i 1 V ( ) y ( )               ( 4 )     N * n n n n1 ( ) x .               ( 5 )     N *' n n n n1 f ( x ) ( ) ( x x ) b .             ( 6 )     Wh e re  xn   a re   the  data  set s  c om pr isi ng   of   N  obse rv at io ns,  yn  is  the  re sp onse ,  εn   an d  εn *  de note   th e  sla ck   var ia bles for  e ach  po i nt, whil e αn a nd αn *  a re  non - ne gativ e m ult ipli ers  f or eac h ob se r vation x n   [14 ] .        Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   10 , N o.   3 ,  June   2018   :   1080  –   1089   1082   2.2.    Ratio na l  Qu ad r at ic - G au ssi an  P roce ss R e gressi on   Ra ti on al   quad r at ic   gau ssia n  proces s  re gr es sion   (RQ GP R )  is  a  ty pe  of  ga us sia n  p ro ces s   regressi on   (G PR )  te ch nique  t hat  us es  rat ion al   q ua dr at ic   kernel  (c ovari ance)  i n  s olv in g   opti m iz a ti on ,   regressio n,   t ra i nin g  and   pr e dicti on   prob le m s  [1 5 ] .  The  re gr ess ion   kernel  hel ps   to  de te rm i ne  the  cha ract erist ic s  (e.g.  f it ness,   sm oo thn ess ,  pe rio dici ty ,  et c.)  of  a   f un ct io n  f ( x) .   T he  R QGPR  ke r nel  is  denote d   usi ng  E quat io n  ( 7).  T he   RQGP R  te c hniqu e  e xh i bits  so m e  si m il arities  with  the  s qu a re d  ex pone ntial   GP R  w he n  the  scal e  m ixtur e  par am et er  (σ)   f ro m   E qu at io n  ( 7)   a ppr oach e s  zero   [16 ] .  T he  above - m entioned   s qua re  ex po nen ti al   GP R  k ern el   can  be rep rese nted usi ng E qu at ion   (8),       2 2 rq 2 ( x x ) K ( x , x ) [ 1 ] 2l              ( 7 )     2 2 se 2 ( x x ) K ( x , x ) . e x p [ ] 2l              ( 8 )     Wh e re  K   ( x,  x’)   is  the  co va riance  ke rn el ,   va riable  x  an d   x’   a re  the   i nput  var ia bles,   σ 2   is  the   m a xim u m   cov a riance ,  a nd  l   is  the scal ed - le ng t h  use d  to d et erm ine  how  qu ic kly  a  G PR  va ries  with   the  in put  va riable  ( x) .   Othe r  e xam ple s of  GP R  kerne ls i nclu de  m at e rn s/2 ke rn el ,  a nd exp on e ntial  G PR  ke rn el   [ 17 ] - [18 ] .      2.3.    Art ific ial  N eur al  Net w ork (AN N)   ANN  is  a  m ac hin e  le ar ning  te chn i qu e  th at   works  li ke  the  hu m an  br ai n  and   is  us e d  to   so lve  bot h  li near   an d  non - li near   ta s ks .  ANN  c om pr ise s  of   t hr ee  la y ers;  the  in put  la ye r,   hidde n   l ay er,  an d  the   ou t pu t     la ye r  [1 9 ] .  T he   inp ut  la ye r  re cei ves  the  inf orm ation   (traini ng   data),  proce sses  the  data  thr ough   le arn i ng,  an d  giv es  ou t  pr e di ct ed  outp ut  dat a  thr ough  the  outp ut  la ye r.   Th e  hidden  la ye r  is  an  inv isi ble  la ye r  with  it s  outp ut   interco nnect ed   to  the  in puts  of  so m e  oth e r  ne uro ns   [ 20 ] .  I n  photov oltai c  syst e m s,  AN N   input  va riables can be   the irr adia nce (G) ,   te m per at ure (T) , ope n  ci r cuit vo lt age (V oc )  w hile t he  ANN  predict e d respon se ca n  be  duty   cy cl e  (D ),   pr e di ct ed  current,  predict ed  vo lt a ge ,  or   pr e dicte d  PV   po wer.    Th e  ANN  ne uro ns  process,  e val uate   the  input  sig na l  us ing   li nea r  m et ho d,   t hen   c om par e  with  it s   su m   by  m ean s  of   a  non - li ne ar  f un ct io n  known  as   act ivati on   f unc ti on ,  a nd   s en ds  the  co ns e qu e nce  to  oth e r  ne uro ns .  ANN  has  tw o  com m on   ty pe s,  the  f eed - forw a r d neural  n et w ork  and t h e  recurre nt  ne ur al   netw ork [ 21 ].   A ne uro n  i s m od el le d  us i ng equati on  (9) ,      M mm m1 Z X W               ( 9 )     wh e re  the  in put  var ia bles   are d en oted  by  X 1 ,   X 2 ,  X 3 ,  …,  X m  an d  the  res pec ti ve  weigh t  of  the  ind i vidual  inputs  are  denoted   by   W 1 ,   W 2 ,   W 3,  …,  W m   res pec ti vely   [5 ] ,  [22 ] .  Ma them at ic a l ly ,  the  ne uro ns  in  the   hi dden   la ye r   can  be  est im ated   us in g  e quat ion ( 10),      io he ( N N ) NN 2              ( 10 )     wh e re  N h  is  th e  hid de n  la ye r,  N i   is  the  inpu t  la ye r,   and   N o  is  the  ou t pu t  l ay er.  So m e  drawb ac ks   with  ANN   te chn iq ue  i nclud e  l onge r  pr oc essing  ti m e  fo r  la r ge  netw orks ,  com plexity   of   the  A NN   al gorithm ,  and  ANN   proce dure  dem ands  that  the  syst e m   is  first  t raine d  us in g  pri or   data  set s  and   the  c ollec ti on   of   these  tra inin g  d at a sets m igh t be c um ber so m e [ 23 ] - [25] .       3.   SIMULATI O N MO DEL   To  in vestigat e  the f easi bili ty   with the use  of  r eg ressi on  lea r ning a lg or it hm s in  trac k in g  th e m a xi m u m   powe r  po i nt  in  a  sta nd - al one  phot ovoltai c  syst e m ,  an   exp erim ent  was  co nducte d  us in g  a  co m ple te  photov oltai c  syst e m   that  inclu de s  a  so lt ech  1S T H - 215 - P  P V  pa nel,  m od ifie d  c uk   DC - D C  conver te r,   MPP T   con t ro ll er,   an d  a  20  Ω  resist ive  loa d.   T he  tr ai ning  da ta   s et s  wer e  c olle ct ed  f ro m   PSIM   so ft war e .  T able  1  il lustrate s  the  sp eci ficat ions  of  the  us e d  PV   pan el   an d  the  DC - DC  conve r te r  in  this  study .  The  PV   ef fi ci ency,   load  e ff ic ie ncy, and  DC - DC c onve rter loss  w ere  ob ta ine d us ing   E quat io ns   ( 11 - 13),       Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Op ti miz atio n o f PV Sy ste ms U sing D ata Mi ni ng an d  Re gr es sion Le ar ne r…   ( Adeday o  M . F arayol a )   1083     t p v ( m a x ) t 0 t p v ( m p p t ) t 0 P . d t P V   e f f ic ie n c y   a t  M P P T   =   P V . d t             ( 11 )     t o u t ( m p p t ) t 0 t p v ( m p p t ) t 0 P . d t M C U K   l o a d   e f f ic ie n c y   a t  M P P T   =   P V . d t             ( 12 )     M C U K   L o s s e s     i n p u t   p o w e r   –   o u t p u t   p o w e r             ( 13 )     Wh e re  P pv( mppt )  is  the  1S T H - 215 - P  rate d  po wer   at   STC  (st and a r d  te st  con diti on) ,  P pv( ma x)   is  the  PV   extracte d  powe r,  a nd  P out   is t he o utput p ow e r  at  t he 20  Ω resist ive.         Table  1.  T he  U sed  P V P an el  a nd MC U K DC - DC  C onve rter  Sp eci ficat ion s   So lar  Pan el Spec if icatio n s   Mcuk   Sp ecif icatio n s   PV M o d el    1 STH - 215 - P   L 1   4   m H   Stan d ard Te st Co n d itio n   1 0 0 0 W / m 2 ,  25 °C   L 2   4   m H   Maxi m u m  Voltag e  ( V mo )   2 9 .0V   C 1   1 0 0  µF   Maxi m u m  curr en t  (I mp )   7 .35 A   C 2   1 0 0  µF   Maxi m u m  Powe r  ( P mp )   2 1 3 .15 W   R 0   2 0  Ω   N s  -   n u m b e r  o f  cell  in series   60   C 0   2 7 0  µF   I sc   -   sh o rt  cir cu it c u rr en t   7 .84 A       V o c  –   o p en  cir cu it vo ltag e   3 6 .30 V       Te m p .  coef f icien t of  I sc   - 0 .36 0 9 9 % / ° C       Te m p .  coef f icien t of  V oc   0 .10 2 % / ° C       A - Dio d e idealit y  f acto r   0 .98 1 1 7           Figure  1  pr ese nts  the  flo wchart  al go rithm   of   the  li near   suppo rt   vector   m ac hin e  (L SV M )  regress i on   te chn iq ue.   T he   LSV M  m od el li ng   was  do ne   in  three  fo lds .  The  first  fo l d  dealt   with  the  optim iz ation   an d  gen e rati on  of  a  fitness  f un ct io n  (yfit )  usi ng  LSV M  re gr e ss ion   ke r nel  and   few   c ollec te d  sa m ples  of   the  PSIM   data  set s  ( 19   instances )  in   t r ai n ing   the  m odel .  The  data  se ts  com pr ise   of   two  in put  va riables  ( dif fer e nt  le vels   of   ir rad ia nce(G)  a nd   te m per at ur e  (T ))   as  pr edict or s  (X)  an d  one  outp ut  va riable  (r e fer e nce  cu rr e nt  (Ir ef*   ) )  as   the   respo ns e.  T he  LSV M  re gressi on   kernel  was  then  us ed  to  pr e dict  the  respon ses  (Iref )   fo r  an  a dd it io nal  110  instances  c omprisin g  of  va ri ables  G   an d  T.   The  seco nd  f ol d  dealt   with  th e  trai ning,   te sti ng,  a nd  validat ion   of   the  LS VM  ne wly  pr e dicte d  data  set s  us i ng  ANN  te c hn i que.  T he  L SV M   gen e rated   dat a  s et s  wer e   sp l it   in  the   pro portion 7 5%  for t rainin g,  15% test ing, a nd 15%  v al idat ion .   Fo r  the  thi rd   f old ,  Fi gure  2  di sp la ys  a  co m plete   sta nd - al on e  PV   syst e m   d esi gn e d  us i ng   ANN - LS VM   te chn iq ue.   T he   ANN - L SV M  ou t pu t  ( ref e re nc e  cur re nt  ( Ir e f*))   w as  com par ed  with  the  PV   cu rr e nt  (Ip v)   as   error  sig nal  ( Iref*  –   I pv).  T he   erro r  si gn al   w as  pas sed   th rough  a   power - in te gr al   (P I )  c ontrolle r   f or  fin e  t un i ng   and   outp uts  the   du ty   cy cl e  sig nal  ( D) .   The   duty   cy cl e  sign a l  was  tra ns m itt ed  th rou gh   a   pulse   wi dth   m od ulat or   (PW M )  as  p ulse  sig nal  that  was  us e d  to  ac ti vate  the  Mos fet  gate  of   t he  DC - DC  co nve rter.  Ta ble  2  di sp la ys  the  aver a ge  te sti ng   er ror  of   the  trai ned   A NN - LS VM  MPPT  te ch nique   us ing   a  total   of   12 9  sam ple s  that  com pr ise   of   10   sam ples  fr om   the  PS IM  data  set s  and   119  sa m ples   fr om   the   gen e rated  A N N - L SV M  data  set s   in the p rop or ti on 70%  trainin g,   15% test in g, an d 15%  valid at ion .   Fo r   the   rati on al   qu a drat ic   ga us sia n  pr oces s  re gr es sio n  ( RQGP R )  te c hniq ue,   sim il ar  proce dures  as   sh ow n  in    Fig ur e  1,   a nd   a  blo ck  diag ram   a s  show n  in   Fi gu re  2   of  a  com plete   PV   syst e m   bu t  us in g  R QGPR  al gorithm   and   ANN - R QGP R  MPPT  te chn iq ue  we re  use d.   Ta ble  3  presents  the  A NN - RQ GP R  trai ning ,   te sti ng ,  a nd   va li dation  sta ti sti cs.  Wh ere  a  va lue  of   R  that  is  appro ac hing   1.000 00   a nd   a  MSE  appr oa chin g  0.000 00 v al ida t e a w el l t raine d  m od el .         Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   10 , N o.   3 ,  June   2018   :   1080  –   1089   1084   S t a r t   R e g r e s s i o n   l e a r n i n g   a l g o r i t h m U s e   t h e   n e w l y   p r e d i c t e d   s a m p l e s   ( i n p u t s   G   a n d   T ,   o u t p u t   I r e f   f o r   A N N   t r a i n i n g ,   t e s t i n g   a n d   v a l i d a t i o n   ) ( 1 9   +   1 1 0     s a m p l e s )   U s e  t he  ge ne ra t e d fi t ne s s  func t i on  t o pre di c t  ne w  t ra i ni ng i ns t a nc e s (110  s a m pl e s ) S t op a t  t  =  0. 4   s Im port   f e w   P S IM  t ra i ni ng  da t a  (G , T , I pv ) for pre di c t i on (1 9  s a m pl e s ) G e ne ra t e  F i t ne s s  func t i on    y f i t   =   t r a i n e d C l a s s i f i e r . p r e d i c t F c n ( X )   us i ng  Re gre s s i on  l e a rni ng  K e rn e l s W he re  X  a re  t he  i n put   pre di c t ors   (G  a nd  T ) a nd  yfi t  i s  t he  ou t put   Re s pons e   (Ire f)  E rror( e ) =  Ipv  –   Ire f* E r r or  e  i s  p a s s e d  t o  P ID  c ont rol l e r  fo r  t uni ng  a nd  t o o bt a i n  D ut y  c yc l e ,  D D ut y Cyc l e  D  i s   pa s s e d t o P W M   c ont ro l l e r a t  50K H Z   fre que nc y a s  pu l s e T o M os fe t  of  D C - D C  Con ve rt e r U s e  t he  A N N  s ys t e m   t o obt a i n out put  Ire f*     Figure  1. The   ANN - LS VM a lgorit hm           Figure  2. Com plete  PV syst em  d esi gn ed  u si ng AN N - L SVM  MPPT tec hniq ue       Table  2.   T he  R egr es sio n  (R )  a nd Mea n S qu a r e Er ror (M SE)  S ta ti sti cs   fo r A NN - LS VM T e chn i qu e   ANN - LSV M   Sa m p les   MSE   Reg ressio n  ( R)   Tr ain in g   91   1 .94 2 4 7 e - 9   9 .99 9 9 9 e - 1   Testin g   19   1 .26 6 0 0 e - 8   9 .99 9 9 9 e - 1   Valid atio n   19   6 .20 5 2 3 e - 7   9 .99 9 9 9 e - 1       Table  3.   ANN - R Q GP R  R egr essi on ( R )  and  Me a n  S qu are E rror  (MS E)  S ta ti sti cs   ANN - RQ GPR   Sa m p les   MSE   Reg ressio n  ( R)   Tr ain in g   91   1 .28 4 8 2 e - 9   9 .99 9 9 9 e - 1   Testin g   19   5 .33 0 8 0 e - 9   9 .99 9 9 9 e - 1   Valid atio n   19   1 .79 4 9 4 e - 7   9 .99 9 9 9 e - 1       Fo r   t he  c onve ntion al   ANN  t echn i qu e ,  F i gure  3  s how s  th e  com plete   PV   syst em   desi gn e d   us in g  a   conve ntion al   ANN  MPPT  te chn i qu e .  U nlike  the  ANN - LSV M  an d  A NN - RQ GP R  te chn i qu e s  that  were   trai ned   us in g  optim iz ed  data  set s  from   the  r e gr es sio n  le arni ng   pr e dicti on s ,  t he  co nventio nal  A NN   al go r it h m   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Op ti miz atio n o f PV Sy ste ms U sing D ata Mi ni ng an d  Re gr es sion Le ar ne r…   ( Adeday o  M . F arayol a )   1085   was  trai ned  us i ng  real  data  se ts  (12 9  insta nc es  of  G ,  T ,  an d  I ref)  t hat  we re  colle ct ed   en ti rely   fr om   the  PSIM   so ft war e   t hro ugh  a   dy nam ic   PV   sim ulati on .   Table  4  dis play s  the  erro r  s ta ti sti cs  fo r    th e  co nv e ntio nal  ANN   trai ning,  te sti ng, a nd  validat ion.       Table  4.   A NN  R egr essi on ( R )  and  Me a n  S qu are E rror  (MS E)  S ta ti sti cs   Co n v en tio n al ANN   Sa m p les   MSE   Reg ressio n  ( R)   Tr ain in g   91   1 .06 3 0 4 e - 5   9 .99 9 9 8 e - 1   Testin g   19   1 .05 6 6 3 e - 5   9 .99 9 9 3 e - 1   Valid atio n   19   7 .10 0 1 9 e - 5   9 .99 9 9 0 e - 1           Figure  3. Com plete  PV syst em  d esi gn ed  u si ng con ven ti ona l ANN tec hn i que       4.   RESU LT S   A ND AN ALYSIS   Table  5  a nd  F igures  4 - 9  pr e sent  the   ta bula te d  res ults  a nd  the  gr a phic al   resu lt s  for  t he   co nduct e d  exp e rim ent  us ing   c onve ntio na l  ANN  te ch ni qu e ,  no n - c onve ntion al   A NN - LSV M  a nd   no n - c onve ntio nal  ANN - RQGP R  MP P T  te chn i qu e  unde r  th ree  di fferent  weather  conditi ons  ( N OCT,  PTC ,  an d  STC) .  T he    NO CT  is   the  norm al   op erati ng   ce ll   te m per at ur e  wh e re   the  irra diance  (G)  is  800  W/ m 2  and   the  am bient  te m per at ur e  (T)   is  47 . 40   °C .  S TC  is  the  sta nd ar d  te st  cond it ion   wh e re  G  is  10 00  W /m 2  and   T  is  25   ° C  wh il e  PTC  is  the   PVUS A  te st co nd it io n wh e re  G  is  1000  W/m 2  a nd T is  20 ° C   Fo r  case  1  (NO CT) ,  where  G  is  800  W m - 2  a nd   T  is  47. 40   °C ,  obta ined  resu lt s  show  that  the   conve ntion al   ANN  an d  the  non - co nventio nal  ANN - R Q G PR  te chn iq ue  had   ti e  (sam e)  and   best  res ults  at   bo th  the  PV  en d  a nd  at   the  20  Ω  resist ive - loa d  end   ( 73.09%  PV   e ff ic ie ncy  and   69. 79%  outp ut  loa d  ef fici ency )   wh il e  ANN - L SV M  disp la ye d  the   lo west  perform ance  ( 72.67%  PV  ef fici ency,  69.43%  loa d  e ff ic ie ncy).  Howe ver,  the  ANN - LS VM  exh i bited  the  lowest  DC - D C  con ve rter  powe r  loss  un de r  NO CT  c onditi on.   Figures  4 - 5  di sp la y  the  grap hical   res ults  of   the  e xtracte d  PV   powe r  a nd   the  outp ut  loa d  powe r  from   the  P V   syst e m   us ing   conve ntion al   ANN,   non - co nv e ntio nal  A NN - LS VM,  A NN - RQ GP R  t echn i qu e ,  an d  under  NO CT  w eat her co nd it io n.   Fo r  ca se  2  ( P TC),  w he re  G   is  1000   W m - 2  an d  T  is  20   °C,  A NN - RQ GP R  ha d  the  best  res ult  (10 1.95 %   P V   eff ic ie ncy  a nd  97. 71%  r esi sti ve  load   eff ic ie ncy) ,  w hile  A NN - LS VM  un derper form ed  (10 0.40 %  P V  eff ic ie ncy  an d  97 . 71%  loa d  eff ic ie ncy) .  Sim il arly ,  the  D C - DC  co nvert er  loss  in  po w er  with  ANN - LS VM  r egr es sio n  te ch nique  was  the   lowest  (8.56  W).  Fig ures  6 - 7  disp la y  the  grap hical   res ults  of  th e   extracte d  P V  powe r  an d  the outp ut  load  pow er  from   the  PV   syst e m   us ing   ANN,  A N N - L SV M, ANN - R QGPR  te chn iq ue, a nd  unde r  PTC  w e at her  c onditi on .   Fo r   case   3  ( ST C),  where   G   is  1000   W m - 2  a nd  T   is  25  °C,   both   A N N  a nd  ANN - RQ GPR   achiev e d  cl os e  res ults  at   the  P V  e nd   a s   eq ual  powe r s  and  ef fici encies  were  ext racted  f r om   the  PV   syst em   (2 12 .90   W  PV  pow e r  a nd 9 9.8 8%   PV  ef f ic ie ncy)  w he re as  the PV  pa ne l  did  und e r perf or m   us in g  ANN - L SV M ( 209.9 0  W  PV   i nput  P V   powe r  a nd  98. 48%  P V  e f f ic ie ncy).  How ever,  at   the   20  Ω  resist ive   en d,   A NN - R QGPR  ov e r perform ed  by  e xtracti ng  the  m axi m u m   ou t pu t  powe r  a nd  ef fici ency  ( 204.1 6  W  resis ti ve - loa d  powe r  a nd   95.78%  loa d  e ff ic ie ncy) .  Als o,   the  A N N - L SV M  MPPT  te chn i qu e  unde rp e rfor m ed  as  201.4 5  W   po w er  was   pro du ce d  at   the  resist ive  load  en d  an d  with  a  load  eff ic i ency  of   94. 45 %.  Figures  8 - 9  disp la y  the  graph ic al   resu lt s  of  the   e xtracted   P V  power  an d  t he  ou tpu t  l oad  po we r  f r om   the  PV  syst e m   us ing  ANN,  A N N - L SV M,  ANN - R Q GP R  te chn iq ue, a nd  unde r  PTC  w e at her  c ondit ion.   In   a ddit ion ,  at   STC,  the  ANN - L SV M  had  the  lowe st  DC - DC  c onve rter   powe r  loss  as   8.45   W  was   dissipated   at   the  DC - DC  c onve rter  w hile  powe r  dissi pated  wit h  A N N - RQGP R  M PP T  te chn i que  in   al l  the   three  en vir onm ental   con diti on   cases  ( N O CT,  PTC,  and  STC)  wer e  t he  highest.  Al so ,  f ro m   the  a naly se d  regressio n  (R)   and  the  m ean - squa re - e rror   ( MSE)  re su lt s  sh ow n  in  Tabl es  2 - 4,  A N N - RQGP R  ha d  t he  be st  resu lt   wh il e  A NN h a d  t he worst t raini ng r es ult.     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   10 , N o.   3 ,  June   2018   :   1080  –   1089   1086   Table  5.  Res ults o f  the  con du c te d  ex pe rim ent  und e r varie d weat he r  c onditi ons   W eath er  con d itio n s   VALU ES   ANN   ANN - LSV M   ANN - RQ GPR     G =  8 0 0  W m - 2       T  = 47 .40   °C     (NOCT )     CASE 1   PV curr en t ( A )   5 .80 0   5 .71 5   5 .80 2   PV vo ltag e ( V )   2 6 .57   2 7 .04   2 6 .77   Load  curre n t  (A)   - 2 .72 7   - 2 .72 0   - 2 .72 7   Load  vo ltag e ( V)   - 5 4 .55   - 5 4 .41   - 5 4 .55   PV  p o wer ( W )   1 5 5 .80   1 5 4 .90   1 5 5 .80   Load  po wer  ( W )   1 4 8 .76   1 4 8 .00   1 4 8 .76   DC - DC lo ss es ( W )   7 .04   6 .90   7 .04   PV E f f icien cy   (%)   7 3 .09   7 2 .67   7 3 .09   Load  ef f icien cy  ( %)   6 9 .79   6 9 .43   6 9 .79     G =  1 0 0 0  W m - 2     T  = 20  ° C     (PT C)     CASE 2   PV curr en t ( A )   7 .14 1   6 .92 3   7 .15 9   PV vo ltag e ( V )   3 0 .30   3 0 .86   3 0 .25   Load  curre n t  (A)   - 3 .22 6   - 3 .20 5   - 3 .22 7   Load  vo ltag e ( V)   - 6 4 .52   - 6 4 .10   - 6 4 .54   PV po wer ( W )   2 1 7 .00   2 1 4 .00   2 1 7 .30   Load  po wer  ( W )   2 0 8 .14   2 0 5 .44   2 0 8 .27   DC - DC lo ss es ( W )   8 .86   8 .56   9 .03   PV E f f icien cy   (%)   1 0 1 .81   1 0 0 .40   1 0 1 .95   Load  ef f icien cy  ( %)   9 7 .65   9 6 .38   9 7 .71     G =  1 0 0 0  W m - 2     T  = 25  ° C     (ST C)     CASE 3   PV curr en t ( A )   7 .17 4   6 .94 5   7 .17 9   PV vo ltag e ( V )   2 9 .58   3 0 .16   2 9 .57   Load  curre n t  (A)   - 3 .19 4   - 3 .17 4   - 3 .19 5   Load  vo ltag e ( V)   - 6 3 .89   - 6 3 .47   - 6 3 .90   PV po wer ( W )   2 1 2 .90   2 0 9 .90   2 1 2 .90   Load  po wer  ( W )   2 0 4 .06   2 0 1 .45   2 0 4 .16   DC - DC lo ss es ( W )   8 .84   8 .45   8 .74   PV E f f icien cy   (%)   9 9 .88   9 8 .48   9 9 .88   Load  ef f icien cy  ( %)   9 5 .74   9 4 .51   9 5 .78           Figure  4. G raph  of 1 S TH - 215 - P i nput  power at  NOCT           Figure  5. G raph  of  1STH - 215 - P  ou t put p owe r  at   NO CT           Figure  6. G raph  of 1 S TH - 215 - P i nput  power at  PTC   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Op ti miz atio n o f PV Sy ste ms U sing D ata Mi ni ng an d  Re gr es sion Le ar ne r…   ( Adeday o  M . F arayol a )   1087         Figure  7. G raph  of 1 S TH - 215 - P  ou t put p owe r  at  PTC           Figure  8. G raph  of 1 S TH - 215 - P i nput  power at  STC           Figure  9. G raph  of 1 S TH - 215 - P  ou t put p owe r  at  STC       5.   CONCL US I O N S   This  pap e r  pr e sents  a n  in nova ti ve  us e  of  a  par ti cula r  ty pe   of  data  m ining   te ch nique  kn own  as   the   rati on al   qu a dr at ic   gau ssia n   process  regres sion   (RQ GP R)   le arn in g  al go rithm   to  track  the  m axi m u m   powe r  po i nt  in  PV   sy stem s.  Find in gs  su ggest   that  op ti m iz ation   of  PV   syst em s  us ing   R QG PR  t echn i qu e  ca n  be   us ed   to  ext ract  m axi m u m   po we r  f ro m   a  phot ovol ta ic   pan el   unde r  diff e ren t   we at her   c on diti on s.  T he  R QGP R  can  su ccess fu ll y  ge ner at e  the  la r ge,   acce ptable   and   acc ur at e  trai ning  data  s et s  need e d  to  trai n  the  super vised  m achine  le arn i ng   te ch niques  l ike  ANN  an d  ANFIS   for  MP PT  ta sk s.  Als o,  the  m ean - squa re - e rror   (M SE)  and   regressio n  (R )  error   sta t ist ic s  with  RQ GP R  te chn i qu e  wer e   bette r  than  t ha t  of   co nventio nal  A NN   a nd   l inear   su pp or t  vecto r  m achine  ( LSVM )  re gr e ssio n  te chn iq ues .  Re su lt s  co nfi rm e d  that  R Q GP R   te chn i qu e   ex hi bited   an  im pr ov e d   trackin g  powe r  an d  e ff ic ie nc y  com par ed  to  the  li nea r  su pp or t  vecto r   m achine  (LSVM )   regressio n  te c hniq ue.         REFERE NCE S   [1]     Y.  Jin y ue ,   Hand book  of  Cl ea n   E ner g y   S y s te m s, 6 Volum e  Set ,   V olume  5,   6th ed.,   John W il e y   &  S ons,  2015.     [2]     A.  M.  Fara y ol a,  A.  N.  Hasan,   an d  A.  Ali,     "Com par ison  of  m odif ie d  in cre m ental  conduc t anc e   and   fuz z y   logi c  m pp t   al gorit hm   using  m odifi ed  cuk  co nver te r , "  in  8th  IEE E  Int ernati on al  Re newab le   E nergy   Congress   ( IRE C) ,   A mman,   Jordan,   2017 .     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   10 , N o.   3 ,  June   2018   :   1080  –   1089   1088   [3]     A.  M.  Fara y ola,   A.  N.  Hasan,   a nd  A.  Ali ,   "Cur ve  fit t ing  pol y no m ia l  technique   c om par ed  to  AN FIS   te chni que  fo r  m axi m um   po wer  point   tra ck ing , "  in  8th  IEE E  In te rnational   Re ne wable   Ene rgy  C ongress   ( IRE C) ,   Amman,  Jordan ,  2017.     [4]     A.  M.  Far a y ola,   A.  N.   Hasan,  a nd  A.  Ali ,   "Im pl ementa t ion  of   m odifi ed   inc r eme nta l   conducta n c e  and   fuz z y   log i c   m ppt  te chn ique s   using  m cuk  con ver te r   under   var i ous  envi ronm ental  condi t ions , "  A ppli ed  Solar  En e rgy ,   vol .   53 ,   no .   2,   pp .   1 - 13 ,   201 7.     [5]     A.  M.  Fara y o la,  "Com par at ive   st ud y   of   diffe r ent   photovol taic  MP PT  te chn ique s  u nder   var ious  wea the r  conditions   (The sis  subm it te d  in  par t ia l  fu lfi ll m ent   for  th e  degr e e  of  Master s  in  Elec t ri ca l  Eng ineeri ng ), "  Unive rs it y  o f   Johanne sbur g ,   J ohanne sburg,   South Afri c a, 2017 .   [6]     A.  M.  Fara y ol a,   A.  N .   Hasa n,   A.  Ali ,   and   B.   Twa la,  "D istri bu ti v e  MP PT  appr oa ch  usi ng  AN FIS   and  Perturb& Obs erv e  technique s  un der   uniform  an d  par tial  shadin g  condi ti ons , "   i n  Inte rnational   Confe renc e  on  Arti ficial   Intelligence   and  Ev o l uti onary  Computati ons  in  Eng in ee ring  Syst ems  &   P ower,   Circui t  and  Informati on  Technol ogi es  ( ICPCIT - 2017) ,   India ,   2017.     [7]     S.  R.   Nandurkar  and  M.  Rajee v ,   “ Modeli ng  si m ula ti on  &  d esign  of  photovoltaic  arr a y   with   MP PT  cont rol   te chn ique s ,”   Int e rnational   Journal  of   Applied   Pow er  Engi n ee ring   ( IJA P E) ,   vol. 3 ,   n o.   1 ,   pp .   41 - 50 ,   2014.   [8]   J.   Cunli ang ,   W .   Yanxiong ,   and   W .   Ze rong ,   “ Photovolt a ic   arr a y   m axi m um   powe r  point   tr ac k ing  base d  on  improved  m et hod , ”   TEL KOMNIKA ,   vol .   1 4,   no .   2 ,   pp .   404 - 410,   2016 .   [9 ]   A.   Jus o h,   R.   Ali k ,   T .   K   Guan ,   T .   Sutikno ,   “ MP P T  for  PV   s y stem   base d  on   var ia b l e  step   siz e  p&o   al gorit hm , ”  TEL KOMNIKA ,   vol. 15,   no. 1 ,   pp .   79 - 92,   2017 .   [10]   S.  Doraha ki,   “ A  surve y   on  m axim um   po wer  point   tra ck ing  m et h ods  in  photovol t ai c  power  s y s tem s ,”   Bul l et i n   of  El e ct rica l  Eng in ee ring a nd   Infor matic s ,   vo l. 4,  n o.   3 ,   pp .   169 - 17 5 ,   2015 .   [11]   R.   J.  Prasanth   and  B.   T.   Sudh aka r,  "A   comprehe nsive  r eview  on  solar  PV   m axi m um   powe r  point   tr ac k ing   te chn ique s,"  Re n ewabl e   and  Sust ainabl e   Ene rgy ,   ELSEV IE R ,   vol.  67,   no .   3 ,   pp .   82 6 - 847,   2017 .     [12 ]    A.  H.  Nure ,   "D i stribut ed   d ata  m ini ng  using  m ulti  ag ent   d ata, "  In te rnational   R ese arch  Journal  o f  Engi ne ering  an d   Technol ogy   ( IRJET) ,   vol.   4 ,   no .   3 ,   pp .   463 - 468 ,   2 017.     [13 ]    Ahm e d  Ali,   Ali  N.  Hasan  and  Tshil idzi  Marwal a ,   “ Perturb  and  O bserve   base d  on  fuz z y   logic  controlle r  m axi m um   power  point   trac king  (MP PT)”,   i n  IEE E   Inte rnat i onal  Confe ren ce on  Re n ewabl e   E nergy   R ese arch  and  Appl i cat ions   ( ICRE RA )   2014,   Mil wau ke e   USA ,   2014 .   [14 ]    P.  Dom ingos,  T he  Master   Algorit hm :  How   the   quest  for  the   ultim at e  learni ng   m ac hine   will   re m ake   our  world ,  Unite d  St at es:   B asic  Boo ks ,   2015 .       [15 ]    A.  O.  Khedr - Ibr ahi m ,   Regre ss io n  base d  m ult i - st age   a lgori thm   to   tra ck  the   m axim um   po wer  point   for  photovolt ai c   s y stems   (in  fu lfi l lment  of the   Master   of   Sci enc e ),  W at erl oo,   Ontar i o,   Ca n ada:  Uni v ersity   o f  Wat erlo o ,   2012 .     [16 ]    C.   E  Rasm uss en  and  C.   K.  I.   W illia m s  ,   Gauss ia n  proc esses  for  ma chi n e  learni ng ,   Cambridge,   Mas sac husett s :  MIT   Press ,   2006.     [17 ]    A.  W il sons   and  R.   Adam s,  "G aussian  proc ess  ke rne ls  for  p at t ern   discove r y   and  e xtra p ol at ion , "   In   Proceedi ngs  of   the   30 th  Int ernat ional   Conf ere nc e  on  Ma chi n e  Le arning  ( ICML - 1 3) ,   Atla nt a, USA ,   2013 .     [18 ]    A.  G.  W il son,  H.  Zhi ti ng ,   S.  Ruslan,   and  E .   P.  Xing,   "D ee p  ker ne l   le arn ing , "  in  Art if icial  Int el l ige n ce   and  Stat ist ic s ,  2016,   pp .   370 - 3 78.   [19 ]    A.  Rai ,   B.   Aw a sthi,   S.  Singh,  a nd  C.   K.  Dw ive di,   “ A  rev ie w  of  m axi m u m   po wer  point   tra ck i ng  te chni qu es  for   photovol taic   s y st em, ”  In te rnation al  Journal   of   En gine ering   Re s ea rch ,   vol .   5 ,   no .   6 ,   pp .   539 - 545 ,   2 016.     [20 ]    L.   Thi aw ,   G.   Sow ,   and  S.   Fal l,   " Applic a ti on  of   n eur al  net works   t ec hniqu e  in   ren e wable   ene rg y   s ystems , "  in  2014   Fi rs t  Int ernati on al  Conf ere nce o n  Syste ms   In formatic s,  Mod ellin g,   and   Simulatio n ,   W ashingt on   DC,  US A,  2014.     [21 ]    N.  A.  Kam arza m an  and  C.   W .   Ta n ,   “ A  comprehe nsive  r evi ew  of  m axi m um   power  point  tracki ng  al gor it hm s  for   photovol taic   s y st ems , ”  R ene wabl e  and  Susta inable  En ergy   Revie w s ,   vol. 37, pp. 58 5 - 598,   2014 .     [22 ]    V.  Lo  Brano,   G.   Ciul la ,   and  M.  Di  Falc o,   “ Artificial  neur al   ne tworks  to  pre dic t  t he   power  output  of  a  pv  pane l ,”  Inte rnational   Jo urnal  of Phot oen ergy ,   vo l. 2014,  pp.   1 - 12 ,   2014 .     [23 ]    S.  Naz m ul  and   A.  Hojjat,   “ Sy ner g ie s  of  fu z z y   logic,   neur a l  net works   and   evol ut iona r y   c om puti ng ,”  in   Computati onal I nte lligen ce ,   John   W il e y   &  Sons ,   pp.   159 - 181 ,   20 13 .   [24 ]    V.  K.  Garg,   et   al.,   “ A  rev ie w  pap er  on  var ious  t y pes  of  MPPT  te c hnique s  for  PV   s y stem, ”  Inte rnat ional   Journal  of   Engi ne ering  and   Scienc e  R ese arc h  ( IJE SR) ,   vol .   4 ,   no .   5 ,   pp .   320 - 330,   2014 .   [ 2 5]   A.M.  Fara y o la, A .   N.  Has an, a n d  A.  Al i, “ E ffici ent   pho tovol t ai c   MPPT   sy st em using  co arse   g aussian  support   vec tor   m ac hin e and  ar ti fi cial  n eu ral   n et work  te ch nique s , ”   Int ernat ional   Journal  of   Innov ative  Com puti ng,   Information  and  Control  ( IJI CIC) ,   vol .   14 ,   no .   2 ,   p p.   323 - 339 ,   201 8.           Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Op ti miz atio n o f PV Sy ste ms U sing D ata Mi ni ng an d  Re gr es sion Le ar ne r…   ( Adeday o  M . F arayol a )   1089   BIOGR AP H I ES   OF  A UTH ORS       Adeda y o  M.  Fara y o la   re ceive d  his  Bac hel or  of   Scie nce s  degr e e  in  El e ct r ic a l  and  El e ct roni c  Engi ne eri ng  S ci en ce s  from   the   Univ ersity  of  L agos  i n  2012,   MEn g.   Degr ee   in   El e ct ri ca l &E l ect ronic   Eng ine e ri ng  Scie nc es  fro m   the   Univer si t y   of   Johanne s burg  in  2017 .   Curre ntly   worki ng  on  his  Phd  p rogra m m e  at   the  Univer sit y   o f  Johanne sburg,  South  Afric a .   His  rese arc h  int er est s  inc lude   Mac h ine   l e arn ing ,   power  s y stems   o pti m iz ation ,   r enew abl e  energ y   s y stems   and  sm a rt  grid .                   Dr.  Ahm ed  Ali.   He  rec ei v ed  his  MS c.   degr ee   in  El e ct ri ca l  and  E l ec tron ic   E ngin eering  from   the   Univer sit y   of  Jo ha nnesburg  and  his  PhD   degr ee   i n  El e ct ri cal  E ng i nee ring  from   the  Univer sit y   of  Johanne sburg  in  2014  and  2017   r espe ctively .   Cur ren tly   work ing  a s  a  l ecture r   with  the   U niv ersi t y   of  Johanne sburg.  His  rese arc h  in te rests  are   th e  power  sy st ems   oper at ion  and  pla nn i ng,   el e ct ri ci t y   m ark et   an aly s is,   distri but ed  generat ion ,   power  s ystem  opti m iz atio n,   Mac hin e  l ea r ning  and  sm art   grid .       Evaluation Warning : The document was created with Spire.PDF for Python.