Int ern at i onal  Journ al of  R obot ic s  and  Autom ati on   (I J RA )   Vol .   7 , No .   2 ,  J un e   201 8 , pp .   1 29 ~ 1 39   IS S N:  20 89 - 4856, DO I: 10 . 11 591/ij ra . v 7 i2 . pp 1 29 - 1 39          129       Journ al h om e page :  http: // ia escore . c om/j ourn als/i ndex . ph p/IJRA/i ndex   Neural  Net w or k Bas ed MPP T Con troll er  for So la r  PV  Con nected  In du ction Mot or       T .   Sh anthi   As sistant   Profess or  (Senior  Grad e),   EEE  Dep artm ent ,   Kum ara gu ru  Coll ege of  T e chnol og y ,     Coim bat ore ,   T a m il   Nadu, Indi a       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   Feb   27 , 201 8   Re vised  Ma y  1 , 201 8   Accepte d  Ma y  17 , 201 8       In  thi s   pap er,  Maximum   Pow er  Point  Tr ac k ing  Control le r   is   des igne d  b ase d   on  Neura l   Netw ork  Contro ll er   ( NN C) .   Thi s   con t roll er   wil l   sense   the  spee d   of   a  singl e  phase   i nduct ion   m otor  which  is  f ed  fr om   solar  panel .   Maximum   power  poin t  trac king  (MP PT)  a l gorit hm   ar e  r equ ire d   in   all  pho to volt aic   (PV )   s y stem  and  in   o rde r  to   inc r ea se   th e  eff i cienc y   of  th e   s y st em,  I ncr emental   Conduct an ce  a l gorit hm   which   i s  an   eff ec t ive  a lgori thm  is  use d  to   ex tract  m axi m um   powe r  from   the   sol ar   panel  which   supplie s  an  Induc t ion  m otor     of  1HP .   To  step   up  the  voltage  ava i la bl e  from   t he  solar  p anel,   t he  SEP IC     DC  –   DC  conv e rte r  is  used .   Th e   m ai n  adva nt age  of  th e  conve r ter  is  h avi ng   non - inve rt ed  out put .   The   conve r t er  a ct s  as  an  in terfac e   bet w ee n  P V  arr a y   and   m otor  loa d .   The   en ti r e  s y stem  is   m odel ed  and   sim ula te d  using   MA TL AB/S imu li nk  softwar e .   Ke yw or d:   In c rem ental  co nductanc e   Neural  netw ork  c on t ro ll er   MPPT   Photo vo lt ai c   SEPI C     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 :   T .   S ha nth i,   Dep a rtm ent o f El ect rical  an d  Ele ct ro nics  E nginee rin g,   Ku m aragur u  C ollege  of Tec hnol og y,   Chin nav e dam patti , Co i m batore – 64 1049, T a m il  N adu ,  In dia .   E m a il : shan thit s@g m ai l . com       1.   INTROD U CTION   Am on g  al l  re new a ble  e ne rgy   sources ,  s ol ar  e nergy  at tr act s  m or e  at te ntion  because   they   pro vi de   excell ent  oppo rtu nity   to  ge ne rate  el ect rici ty .   S olar  e ne rg y   is  a  cl ea n  re ne wab le   res ource   with   zer o  em i ssion .   Power   dem and   is  i ncr ea sin g  day  by  da y,   so  we   hav e   t o   s witc h  to  re new a ble  e nerg y  sources   w hi ch  a re    eco - fr ie nd ly   a nd  e xist  ab unda nt  in   nat ur e .   T he  m axi m u m   po we r  point  tra ckin g  (MPPT )  con t ro ll er   is  us ed  to   i m pr ove  the  ef fici ency  of   t he   PV   syst em ,  in  wh ic h  Pe rturb   &  O bs er ve  (P&O )  an d  I nc re m ental   Con duc ta nce  (INC)  are  fr e quently   us e d .   T he  inc rem ental  cond uc ta nce  a lgorit hm   determ ines  the  gr a di ent  of   the  P - V   curve   [1 - 2] .   This   m e thod  has  overc om e  the  disad van ta ge  of  the   P& O  m et ho d  to  trac k  the   pe ak  powe r  unde r  fa st   var yi ng  at m os ph e ric  co ndit ion .   T he  inc rem ental   cond ucta nce  can  deter m ine  wh et he r  t he  MPPT  has  rea che d  the  m axi m u m   powe r  po i nt  ( MPP)  a nd  st op  per t urbin g  t he  operati ng  point  or  el se  t he   relat ionshi p  betwee n  dI / dV   &  - I/V   can  be  us e d  to  dete rm ine   the  di recti on  in  w hich   th e  MPPT  op e r at ing   po i nt  m us t  be     per t urbed [ 3 - 6] .   A  dc  to  dc  c onve rter  is  ne eded  to  bo os t   the  vo lt age   f ro m   PV   pan el   an d  c omm on ly   avail able  conve rters  are  the  boost ,  buc k,   bu c k - bo os t,  Cuk,  SEP IC  [ 7 - 8] .   I n  wh ic h  the  sin gle - e nd e d  pri m ary  ind uc ta nce   conve rter  ( SE PI C)  is  a  DC/DC - co nverter   that  pro vid es   a  po sit ively   regulat ed  ou t put  an d  no n - i nver te d    ou t pu t .   B uck - boos t   co nverte rs  a re   c heap e r   be cause   t hey  re quire   only   a  sin gle   in du c tor   an d  a   cap aci tor .     But  the  draw ba ck  is  t he  high   am ou nt  of   i nput  cu rr e nt  rip pl e  wh ic h  c reate  ha rm on ic s,  i n  m any  ap plica ti on s,   these  ha rm on ic s  require   us i ng  a  la rg e  ca p aci t or  o r   an  LC  filt er .   T his o ften  m akes  the b uc k - boos t  i neffici ent  or   exp e ns i ve,   a nd  that  can  com plica te   the  us ag e  of   bu c k - bo ost   conver te r s  is  the  fact  that  th ey   inv ert  the  outp ut  vo lt age .   C uk  c onve rters   so l ve   both   of  thes e  pr ob le m s  by  us i ng  a n  extr a  in du ct or  a nd  capaci to r .   Howev e r ,   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2089 - 4856   IJ RA    V ol .   7 ,   No .   2 ,   June   201 8   :   1 29   –   1 39   130   bo t h  buc k - boost   an d  Cu k  co nverter   operati on  c ause   la r ge   a m ou nts  of  el ec tric al   stress   on  the  c om po ne nt s,  t his  can  resu lt  in   de vice ove rh eat in g or fail ure .   SE PI C c onve rters  so l ve bo t h of  t hese  pro blem s .   In   t his  pa pe r,   SEPI C  c onve rt er  re gula te s  th e  dc  vo lt a ge  obta ined   f ro m   the  s olar  panel   an d  fee ds    the  sin gle  phas e  inv e rter .   Thi s  sing le   phase  inv e rter  r uns  t he  sin gle  phas e  Ind uction  m otor  of  1HP  ca pacit y  [9 - 10] .   T he  s pe ed  of  the  i nduc ti on   m oto r  is  us e d  as  a   fee db ack  si gn al   fro m   wh ic h  volt age  is  der i ved  a nd  er ror   and  cha nge  in   error  are  obta ined  a nd  giv e n  to  N eu ral  Net work  co ntr oller  [ 11] .   T he  ge ner at e d  pu lse s   from     the  c on tr oller  a re  c om bin ed  w it h  the  pulse s  obta ined   f r om   t he  In c rem ental  Co nductance   Algorithm   of  a   So la r   pan el  a nd  g ive n  to  SE PI C c onve rter a nd  des ired o utput v ol ta ge  is  produce d .       2.   PROP OSE D SYSTE M    2 . 1 .    S ola r  pan el   So la r   pa nel  us es  t he  li gh t  energy  phot on   from   the  sun  to   ge ne rate  el ect rici ty   throu gh    the  photov oltai c  (PV)   ef fect .   The   m ajo rity   of  m od ules   use   wa fer   ba se d  cel ls  or  thi n - film   cel ls  based   on    non - m agn et ic   cond uctive  tra ns it ion   m et al   or   sil ic on .   It  can   prov i de  ne arly   per m anen t  po wer   at   lo w  ope rati ng  cost  an d  is  virt ually   fr ee  poll ution .   A  ty pica l  PV   cel l  pr oduces  le ss  t han  3  watt s  at   ap prox im at el y  0 . 5V  DC .     A   PV   m odule  consi sts  of   se ve ral  PV   cel ls  connecte d  i n  se ries  or   paral le l .   Series  co nnec ti on s  are  res pons ible   for  inc reasin g  the  volt age  a nd  the  pa rall el   connecti ons  a r e  res pons ible  f or   i ncr easi ng  the  c urren t .   Fi gure  1 .   sh ows  the  blo c k diag ram  o f  th e  pro posed  sys tem .           Figure  1 .   Bl oc k  dia gram  o f  th e pro posed  sc hem e       2 . 1 . 1 .   Desi gn   of s ola r  panel   To   ge ne rate  1k W  powe r  fro m   the  so la r   pa nel,   f our   25 0W  pa nels  is   c onnected   i n  se ries .   D ue   to    the series  con ne ct ion , t he v oltage  is   i ncr ease d   a nd the c urre nt r em ai n s   co nst ant .   I n Table   1  is s olar  p a nel .       Table  1 .   So la r Panel S pecific at ion   S . No   SPECIFIC ATI O N   RAN G E   1   Nu m b e r  o f  cells   72   2   Op en  cir cu it vo lta g e ( V OC )   4 4  V   3   Sh o rt  circuit cur re n t ( I SC )   7 . 5 8  A   4   Vo ltag e at  m ax i m u m   p o wer  ( V MP )   35 . 5 5  V   5   Cu rr en t at  m ax i m u m   p o wer  ( I MP )   7 . 0 4  A       2 . 2 .     M axim u m  po w er  p oin t  tr ackin g   In   wind  tu rb i nes  an d  P V  s olar  syst em s,  to  m axi m u m   powe r  extracti on   is  possible   under   al l   conditi ons,   if  MPPT  te c hn i que  is   use d .   PV  so la r  syst em   has  m any  different   co nf i g ur at ion s .   A  ty pic al   so la r   pan el   c onve rts   only   30 - 40 ( %)  of   t he  inc ident  s olar  ir r adiat ion   i nto   el ect rical   energy .   MPP T  in creases     the  ef fici ency  of  the   so la r  pa nel  r api dly .   I f  they   ope rate  at   their   MPP   des pite  the   i nev it able   cha nges  i n    the  e nviro nm e nt,  m ax im u m   po wer  f r om  the   s olar   pa nel  ca n  be   ha rv est e d .   O ve r  t he  past   de cades,     m any  m et ho ds  to  fin d  t he  M PP  ha ve  bee n  publishe d  a nd  dev el op e d .   I n  that  m os t  su it a ble  te ch niques   for  m edium   and ,  la rg e - siz e  ph oto volt a ic   ap plica ti on s  a re  P& O  an d  IN C .   T hese  te ch nique s  ha ve  the  m erit s  of     an  easy  im plem entat ion .     Evaluation Warning : The document was created with Spire.PDF for Python.
IJ RA   IS S N:  20 89 - 4856       Ne ur al Net wo r k Ba se d MPPT  Co ntro ll er for   So l ar  P V Co nn ect ed  I nductio n  M oto r   ( T .   Sh an t hi )   131   2 . 2 . 1 .   I ncreme nt al  conduc tance al go ri th m   A  wide   range   of   MPPT   Algorithm s  are  avail able .   O f  al l  the  a vaila bl e  al gorithm s,  I ncr em ental   Cond uctance  Algorithm  lends it sel f  well .   T he  inc rem ental  Cond uctance  m et ho d  is  oft en  c on si der e d, due to  it s   high  pe r form a nces  s uch  as  easy   i m ple m e ntati on ,   hi gh   t rac ki ng   sp ee d,  bette r  ef fici ency  an d  it   get s  easi ly   adap ta ble  f or   t he  cha ngin g  en vir on m ental   con diti ons  th us   i ncr ease  t he  ef f ic ie ncy  of   P V  syst e m .   It  is  fo und  to   be  the   best  t echn i qu e   an d  easi ly   adap ta ble  to  t he  c ha ng i ng  en vir onm ental   con di ti on s .   O n  c om par ing     the  ef fici ency   res ults  obt ai ne d  f r om   Pertur b  &  Obser ve   (P & O )  95 %   and  the  In c re m ental   Conduc ta nce  Algorithm  9 8% .   This  al gorithm   se ns es  t he   out pu t   cu rr e nt  an d  volt age   of   the   PV  ar ray  us i ng   se ns ors .   T he   dem erit s  of  P&O  m et ho d  to  trac k  the  pe ak  power  un der   t he  fast  va ryi ng   at m os ph eric  co ndit ion   is  ov e rc om e  by  IN C   m et ho d .   T he  i nc rem enta l  condu ct a nce   ca n  de te rm ine  the  MPPT  a nd  if   the  MP P  is  reac hed  it   sto ps  pe rturbin g  the ope rati ng point .     (d P/ dV) MPP  = 0 .   d(VI)/d V  =  0 .   I(dV / dV)  +  V( dI / dV)  = 0   I+V(dI/ dV) MPP   = 0   ( dI/ dV) MPP   =  -   I/V     The   te rm   – I/V   re pr e sents   th e  insta ntane ous  c onduct ance   of   the   P V  pa nel  a nd  t he  te rm   (d I/ dV )   represe nts  inc r e m ental   cond uc ta nce  of  the  PV   m odule .   T his  m et ho d  is  base d  on  the   f act   that  the   slop e   of    the  power  cu r ve   is  zer o  at   the   MPP,   if  t he  sl op e   is  decr ea sing,  MP P  li es  on  th e  ri gh t   sid e  an d  if   the   slo pe  is   increasin g, MP P lie s on  t he  le ft side .   T his ca n be  giv e n by,     (dI/d V) MPP   =  -   I/V, at  the MP P   (dI/d V) MPP   >  -   I/V, o n  t he  le ft   (dI/d V) MPP   <  -   I/V, o n  t he  ri ght     The  per t urbati on  is  r epea te d  unti l  the  MP P  is  re ache d .   Un ti l  a  c ha nge  in  c urre nt  is   m easur ed,    the  MPP T  c onti nu es  t o  opera te   at   the  sam e  po i nt .   In  Fi gur e  2  is  flo w  c ha rt  I nC  al gorith m   and   Ba sic   c on ce pt   of INC o n a P - V  c urve   as  s hown in Fi gure  3 .           Fig ure   2 .   Flo w  ch a rt for  INC  a lgorit hm   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2089 - 4856   IJ RA    V ol .   7 ,   No .   2 ,   June   201 8   :   1 29   –   1 39   132       Fig ure   3 .   Ba sic  concept  of IN C o n  a  P - V  c urve       2 . 3 .     Sepic c onverter   The  ci rc uit  dia gr am   of   t he  S EPIC  c onve rter  is  s how n  in  Figure   4 .   A  S EPIC  (single - e nd e d  pr im ary   inducto r  co nve rter)   is  on e   ty pe   of   DC - DC  c onve rter .   It  co ns ist s  of  bo os t  conve rter  f ollo wed   by  a  buc k - bo os t   conve rter .   The   m ai n  ad van ta ge   of  t his  c onve rter  is   capa ble  of  pro vi ding  a   non - in ver te d  outp ut  (i . e .   t he  ou t pu t  has   the   sam e  po la rity   as  the  i nput) .   Its  outp ut  volt age  m us t  be  great er  t ha n  or   le ss  t han  or   e qual   to  t he   input  vo lt age  and is   widely  used  in batt ery o perat ed  a pp li cat io ns .   The  outp ut vol ta ge  is con t ro ll ed  by adj us ti ng  the d uty cy cl e o f  the c ontr ol sw it ch .   Th e co nt ro l swit ch   is  ty pical ly   a  MOSFET ,   w hi ch  offe rs   m uch   highe r  i nput   i m ped ance ,  l ow  volt age   dr op  a nd   lo wer  s witc hing   losses .   A   SE P IC  c onver te r  i s  a  fou rth   ord er  c onve rter,   it   m eans  these  conve rters  ha ve   f our  ene rg y   stora ge   el e m ents  they   are  t wo  in duct or s   a nd  tw o  ca pacit or s ,  a nd  it   is  us e d  t o  tra ns fe r  t he  ene rgy   from   input  s ide  to   ou t pu t   side .   T he  i nput  in duct or  L 1   is  t og et he r  with  t he  M OS FE T  c on t rol   swi tc h  t o  be  li ke  a  boos t  t opol og y,   w he re t he  in du ct or  L 2   locat io n  is si m il ar to  a buck - boos t t opology .             Fig ure  4 .   P ow e r  ci rc uit o f  S E PI C c onve rter       2 . 3 . 1  D esi gn c alcula tion   V IN       = 142 . 2V   I IN          = 7 . 04A   f          =  15 KHZ   V OUT     = 23 0V   I OUT       = 4A   Wh e re,   V IN     =  INP UT  VOLT AGE   I IN      = INPUT   CURR ENT   f        =  FRE QUENCY   V OUT   = O UTPUT  VOLT AGE   Evaluation Warning : The document was created with Spire.PDF for Python.
IJ RA   IS S N:  20 89 - 4856       Ne ur al Net wo r k Ba se d MPPT  Co ntro ll er for   So l ar  P V Co nn ect ed  I nductio n  M oto r   ( T .   Sh an t hi )   133   V IN       = I NPUT  VOLT AGE           CALCUL AT I ON DUT Y  C Y CLE:   We  know that,            D=  T ON  /T   Wh e re,   T = T ON   + T OFF   Si m il arly ,   D=  V OUT   / V OU T   + V IN   D=  230  / 230  +   142 . 2   D=  0 . 6179   INDU CT OR C ALCU LAT I O N:   Fo r  In du ct or L 1 ,   L 1 = V IN   * D /  2*I IN *f   L 1   = 14 2 . 2 *0 . 6179 /  2*7 . 04*15*e^ 3   L 1 = 0 . 416e - 3H   Fo r  In du ct or L 2,   L 2 = V OUT *(1 - D)  /  2*I OUT *f   L 2 = 230* (1 - 0 . 6179)  / 2* 4 . 5*15*e^ 3   L 2 = 0 . 6457e - 3H   CAPA C IT OR  CALCUL AT I ON :   Fo r  Capaci to r C 1 ,   C 1 = I OUT   /    V *f   Wh e re,     V=  V OUT   –   V IN   C 1 = 3 . 447e - 6F   Fo r  Capaci to r C 2,   C 2 = I OUT   / V OUT *f   C 2 = 4 . 54 / 23 0*15 *e^3   C 2 = 1 . 31e - 6F       2 . 4 .     Ne ural  n etworks   A  ne ural   netw ork  is  a  m at hem at ic al   m od el   insp ire d  by  bi ol og ic al   ne ur al   netw orks  as  li ke   in  a  brai n .   Hu m an  br ai n  le arn s f r om   exp erience  a nd   st ores  inf orm ation ' s  as  patte rn s .   In   s om e  sit uatio n,  these p at te r ns   are   ver y  c om plica t ed  an d  al lo w  us  the  abili ty   to  recog nize  ind i vidual  faces .   S o  the  process  of  sto rin g  in for m at ion   as  patte r ns  has   a  new  fiel d  in   com pu ti ng .   T his  c om pu ti ng  us e  as   m assive  pa rall el   netw orks   an d  trai ni ng  of  this net w ork  don e  to sol ve  a  sp eci fic  pro blem  [ 11 ] .   A  ne ur al   netw ork  co ns ist s  of   an  interc onne ct ed  set   of   a rtific ia l  neu r ons,  and   it   proce ss  inf or m at ion   us in g  a  c on ne ct ion ist   ap proa ch  to   com pu ta ti on .   I ntegr at e d  ci rc uits  are   two - dim ensional   dev ic es   wit h  le ss  nu m ber   of  la ye rs  for  i ntercon necti ons .   I n  r e al it y,  arti fici al   neural  netw ork s  can   be   im ple m ented  in   sil ic on  an d  basical ly ,  al l  arti fici al   neural  netw orks  ha ve   a  sim il ar  struc ture .   I n  that  s tructu re,  s om e   ne urons  inter f ere  to   receive   in pu t,   oth e r  ne urons  i nterf e re   with   t he  netw ork   ou t pu t   an d  rest   of   the  neur on  has  a  r ole  but  will   no t   be   disp la ye d .   Ba s ic al ly ,  the  ne ural   net wor k  ha s  th ree  la ye rs   nam ely  input  l ay er,  th e  ou t put  la ye r  a nd  hi dd e n  la ye r .   T he  hidden   la ye r  m ay  or  m ay   no t  be   present   de pe ndin g  on  the   ap plica t ion   us e d .   This   ne ural   ne twork   for  sp ee d  co nt ro l   of   in du ct io n  m oto r   has   two  la ye rs   na m el y  inp ut   la ye r  a nd  outp ut  la ye r .   I n  Fi gur e  5  is     t he  la yout  of a r ti fici al  n eur al   ne twork .           Fig ure   5 .   Lay out o f  a rtific ia l neural   netw ork   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2089 - 4856   IJ RA    V ol .   7 ,   No .   2 ,   June   201 8   :   1 29   –   1 39   134   2 . 4 . 1 .   Tr ainin g  an d  a r tifici al  neura l  netw or k   If   a  netw ork  ha s  bee n  f ram e d  for  a   par ti cul ar  a pp li cat io n  t hen  the   ne xt  st ep  is   trai ning   the  a rtific ia l  neural  net wor k .   T o  beg i n  th is  process  i niti al   weig hts  are   assum ed  rand om l y .   Trainin g  of  a rtific ia l  neural   netw ork   can   be  a ppr oac hed  in   tw o  ways   nam el y  su pe rv ise d  a nd   un su pe r vised .   In  s up e rv ise d  tr ai nin g ,     the  outp ut  is  know n  so   i nput   is  giv en  as  pe r  the  de sired  ou t pu t .   This  proces s  invol ve s  the  com par ison   of  resu lt in g  outp ut  a nd  desire d  outp ut  so  that   er ror   val ue  w ou l d  be   ge ne ra te d .   The   e r r or  value   s o  obta ined   is  pro pag at in g  ba ck  a nd  wei ghts  are  a djust ed  a nd  ab ove  sai d  process   co ntin ue  un ti l  desire d  ou t pu t   is  obt ai ned .   The  set   of  data  wh ic h  ena ble  this  w ho le   pro cess  is  cal le d  “t rainin g  set ” .   On   oth e r  un s uper vised  t raini ng   will   be  prece de d  with   ra ndom   input   as  desi re d  outp ut  is   not  pr e dicta ble .   S o  this   proc ess  is   al so   ca ll ed  as     sel f - organ iz at i on [1 2 ] .   I n Fi gure  6 is l ay ou t  of Typica l Ne ural  N et work .           Fig ure   6 .   Lay out  of ty pical   ne ur al   netw ork       2 . 4 . 2 .   C ompo nent s  of  art i fici al neur al ne t w ork     Ther e   a re   seve n  m ajor   com po ne nts   in vo l ve d  i n  the   arti fici al   ne ur al   netw ork .   T hese   c om po nen ts   are   valid  wh et her the  neur on is us ed fo r  in put,  outp ut or i n  the   hidden  lay er [ 13 - 14 ] .   a .   Dete rm inatio n o f wei ght   A  ne uro n  receives  m uch   in put  si m ultaneou s ly .   Each  in put  is  prov i de d  wi th  co rr es pondi ng   weig ht s   so  that  pro vid e s  a n  im pact  on   the  processi ng  el e m ent .   Pr i or i ty   to  t he  i nputs   de pe nds  on  t he   wei gh t .   So  w ei gh t  can  be   de scrib ed  a s  a da ptive   coe ff ic ie nts  wh ic h  determ i ne  t he  i ntensit y  of  t he  i nput   sig nal  a nd  m easur e     the in pu t c on ne ct ion  stre ngth .   T hese s tre ngths ca n be m od i fied d ur in g  t rainin g  set .   b .   Su m m ation   functi on   The  first   proce ss  is  t o  c om pu te   the   wei gh te d  su m   of  al l  the   inputs  m at he m at ic al ly   inp ut  a nd  weig hts   are   in   vect or  f or m   and  dot  products  a re  ca rri ed  out  betwee n  them .   Ge ome tric al ly   the  dot  pr oducts  re pr ese nt   si m il arity  betw een  i nputs  a nd   weig hts .   T he  resu lt ant   of  t he   vect or  pro du ct s  de pende d  upon  t he  directi on  of   vecto r  poi nts .   The  c om bin at ion  of  neural  inpu ts  dep e nds   upon  netw ork  arc hitec ture   so m et i m e  act i vation  functi on is als o d on e  and its  pur pose is t o  al low t he o utput  ob ta ine d  t o var y wit h resp ect  t o  ti m e .   c .   Tra nsfer  func ti on   The  ob ta in ed  weig hted  s um   is  trans form ed  to  w orkin g  outpu t  t hroug h  th e  trans fe r  f un c ti on .   D ur in g  the  process ,   the   wei gh te d  s um   is  com pared   with   a   th r esh old  val ue   to  determ ine  t he   net work  outp ut .     If   t he  co ndit io n  is  sat isfie d,  then  it   ge ne rates  sig nal  othe r wise,  it   w on' t  pro du ce  a ny  s ign al .   T he  t ra ns fe r   functi on  is  ge ner al ly   a  non - l inear  syst em   because   li nea r   f un ct io ns   are   not  use f ul .   S om eti m es  ra m ping  functi ons, si gm oid  o r S - s ha pe d  c urve a re  use d  as  transfe r  f un ct io ns .   d .   Scal ing an d l i m it ing   The  res ults  so   ob ta ine d  a re  proces sed  th r ough   scal in g  factor s  a nd  so m et i m es  of fset  value  is   ad ded .   Li m iting  is t he m echan ism  w hi ch  is  done w he n  it  ex c eeds  the  bounda ry c onditi ons .   e .   O utput  funct ion   Like  the   bio lo gical   ne uro n,  there  a re  m any  inputs  a nd  on ly   one  ou t put .   T he  outp ut   is  di rectl y  pro portion al   to   trans fer  f unct ion  res ult .   C ompeti ti on   ca n  oc cur  at   one  or  both  of  tw o  le ve ls .   First,   the  ac ti vity  of  the   a rtific ia l  ne uro n  is  de te rm ined  a nd   seco nd  c om petit ion   determ ines  the   par ti ci pa ti on  of   proce ssing  el e m ent .   f .   E rro r  f un ct io n  a nd b ac k p ropag at e d value   In   t his  process   dif fer e nce  bet ween  cu r re nt  ou t pu t  a nd  des ired  ou t put  is  cal culat ed .   T he   cha ng e   in  error   is  t hen  tr ansfo rm ed  to  error   f un ct io n  t o  m at ch  the  ne twork  a rc hitec ture .   T he  er ror  value  is  pro pa gated   into  the   le arn i ng  f un ct io n  of  an oth e r  pro cessi ng  el em e nt;  this  er ror  te rm   is  called  as  a  c urren t   error .     The  c urren t  er ror  pro pa gated   back   a nd  sca le d  by  the  le a rn i ng   functi on   m ulti ply  by  i nco m ing   wei ght  to   m od ify  the lear ning cycl e .   Evaluation Warning : The document was created with Spire.PDF for Python.
IJ RA   IS S N:  20 89 - 4856       Ne ur al Net wo r k Ba se d MPPT  Co ntro ll er for   So l ar  P V Co nn ect ed  I nductio n  M oto r   ( T .   Sh an t hi )   135   g .   Lear ning  functi on :   The  pur pose  of   le a rn i ng  is   to  m od ify   th e  weig ht  of  the  in puts  in   each  processi ng  el em ent .     The wei ght i s c hange d  to  obta in d e sired  outp ut which  is cal le d  as  ad a ptio n functi on .     2 . 4 . 3 .   St e ps  in vo l ved  in  f r am ing  ANN   St ep 1:   I nput t o t he Artific ia l  Neural  Netw ork   Chan ge  i n vo lt age  or er ror vol ta ge  from  the  m oto r  is give n as i nput t o  the   arti fici al  n eu ral n et w ork .   St ep 2:   Process ing   of In pu t   Fr om   m ult iple  inputs,   a  si ng l e  in pu t  is   ch ose n  a nd  ass um e d  m ini m u m   value  is  s ubtract e d  a nd  m ulti pli ed  by   the  gain   wh ic h  is  t he   rati o  of  out pu t   ra nge  t o  i nput   ra nge  and  i n  s om e  sit uation,  a ddit ion al   bias   is   gi ven  t o    the in pu t .   T his  form s the f irst  la ye r  of an  arti fici al  n eu ral  ne twork .   St ep  3:   Ou t pu t  Processi ng   The  outp ut  of  the  la ye r  1  is  f ed  bac k  as   an   input  to   this   la ye r  2  a nd  the   ou t pu t   w ould  be  a   tw o - dim e ns io nal   el e m ent .   This  el e m ent  is  m ad e  do t  pro duct s  with  the  weig ht s  assum ed  and  then  giv e n  to  t he  tra ns fe r  f unct ion  and the  proces s of ste p 2 is  done  in  a  r e vers e m ann er .       3.   SIMULATI O N MO DELIN G   3 . 1 .    M PPT  m od el ing  usin g  Neur al N e two rk Con tro ll er  (NNC)   Fig ure   7  s how s  the  m od el in g  ci rcu it   of   Ne ural   Net work  C o nt ro ll er  m et ho d  an d  it s  s ub syst e m   with   increm ental   co nductance   al gorithm .   It   sho ws   that  t he   1k W  so la r  pa nel  co nnect ed   to   the  S EPIC   c onve rter   al ong  with  sin gle  phase  i nduc ti on   m oto r  ( 1HP)   as  a  loa d .   The  s pee d  of   the  sin gle - ph as e  inducti on  m otor  i s   us e d  as  a   fee db ack  sig nal  f rom   wh ic h  volt age  is  de rive d  a nd   e rro r  an d  c ha ng e  i n  er r or   a re  obta ine d  an d  gi ven   to  Neural  Network  C on tr oller .   The   gen e r at ed  pu lse s   f r om   the  co ntr ol le r  are   com bin ed   with  t he  pu lse s   ob ta ine d  from   the  In c rem ental   Con duct a nce   Algorithm   of   a   So la r  pan el   and   giv e n  to  S EPIC  co nverte r  an d  desire d ou t pu t  vo lt age  is  produced [ 15] .           Fig ure   7 .   Mo de li ng   of  ci rc uit for  Neural  Network Co ntr oller (N NC)     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2089 - 4856   IJ RA    V ol .   7 ,   No .   2 ,   June   201 8   :   1 29   –   1 39   136   3 . 2 .    M od el in g o f  N eur al N e t w ork Contr oller   subs ystem   Figure   8  s how s  the   m od el ing  dia gr am   of  th e  ne ural   netw ork   s ub syst em .   This  c om par es   the   outp ut   vo lt age   value   with  giv e n  re f eren ce   value .   Accor ding  t o  t ho s e  values   of  er ror   an d  cha ng e   in   e rror,  t he   outp ut   vo lt age  is  gen e rated  from  the trained ne ural   netw orks .           Fig ure  8 .   S ub s yst e m   ci r cuit fo r  N e ur al   Net work Co ntr oller         4.   SIMULATI O N   RESU LT S   AND DIS C USSION S   4 . 1 . 1 .   Par ame ters  of PV  m odel   The  fo ll owin g  Fig ur e   9  s ho w s   the   sim ula ti on   r esult  of  outp ut  volt age  a nd  outp ut   curre nt  of     the  ph otovo lt ai c  syst e m .   The  PV   pa nel   ha s  been  m od el le d  us i ng  MATL AB/Si m ulink   and  the   outp ut  vo lt age   and  cu rr e nt  wa vefor m s  hav e   been  obse rv e d  as   143 . 8V  a nd  6 . 9A   res pecti ve ly .   These  a re  dep ic te d  in  Fig ur e  9 .   The   outp ut po wer f ro m  the PV  pan el  is  obse rv e d  t o be  1000w  which  h a s  been s how n  in   Fig ure  10 .           Fig ure   9 .   O utput  volt age  & c urren t  of P V w it h  N NC           Fig ure   10 .   O utp ut  powe r of P V wit h NN C   Evaluation Warning : The document was created with Spire.PDF for Python.
IJ RA   IS S N:  20 89 - 4856       Ne ur al Net wo r k Ba se d MPPT  Co ntro ll er for   So l ar  P V Co nn ect ed  I nductio n  M oto r   ( T .   Sh an t hi )   137   4 . 1 . 2 .   Ou tp u t  current  &  vo l tage  of  SEPI C   The  outp ut  f rom   the  PV   pa ne l  is  fed   to  the  SEPI C  c onve rter  in  or der   to  boos t   the  volt ag e .   The  du ty   cy cl e  of   the  S EPIC  co nverte r  is  ad j us te d  with  the  us e  of   neural  net work   c ontr oller  in  or der   to  s ta bili ze     the  vo lt age   at   the  outp ut  of  the  c onve rter .   The   neural  ne twork   co ntr ol le r  is  em bedd ed  with  i ncr e m enta l   cond uctance  MPPT  al gorit hm   wh ic h  e xtracts  the  m axi m u m   po we r  from   the  PV   pan el   unde r  va ryi ng  irrad ia nce  co ndit ion s .   T he   vo lt age  at   the   ou t pu t   of  t he  SEP IC  c onve rter  is   obse rv e d  to   be   23 0 . 6V  a nd  c urrent   is   4 . 06A   w hich  h as  b ee n  s how n  in  Fig ure  11 .           Fig ure   11 .   O utp ut  volt age  &  current  of  SE P IC  co nvert er  wi th NNC       4 . 1 . 3 .   Speed  of  t he  Mot or   The  ou t pu t  from   the  SEPI C   conve rter  is  f ed  to  t he  sin gl e - phase  bri dg e  inv e rter  wh i ch  co nverts     the  volt age   to  AC  in   or der   t o  fee d  it   to   the  sing le   phase  i nductio n  m oto r .   The   outp ut  s pped   of  t he  i nduction   m oto r  is  ob se r ved .   It  is  f ound  that  the  s pee d  of  the  m oto r  gr a dual ly   incre ases   an d  at ta ins   1000  r pm   and   after   the  i ns ta nt   of   t= 0 . 5  sec onds ,   the   s peed  of  the  m oto r   rea ches   it s   ste ad y  sta te   val ue   of  1 50 0  r pm .   Ou t put   par am et er  valu es are   f urnishe d  in  Ta ble 2, a nd in Fi gure   12  is outp ut s pee d of t he  m oto r wit h NN C .       Table  2 .   O bs er ved sim ulati on  p a ram et ers     Ou tp u t vo ltag e   Ou tp u t curre n t   Sp eed o f  the  m o to r   230 . 6  V   4 . 0 5  A   1 5 0 0  r p m           Fig ure   12 .   O utp ut  sp ee d of t he  m oto r  with  NNC   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2089 - 4856   IJ RA    V ol .   7 ,   No .   2 ,   June   201 8   :   1 29   –   1 39   138   Using  N NC,  t he   vo lt age  a nd  current  from   pan el   is  ob ta i ne d  as  14 3 . 8V   a nd  6 . 98 A  an d  outp ut  powe r   as  10 00W .   T he   obta ine d  volt age  an d  c urr ent  is  boos te d  to  230 . 6V  a nd  4 . 05 A  us in g  S EPIC   co nverter .     The  i nv e rted  volt age  is  fed  to  the   in du ct io n  m oto r  at   no - load  c onditi on   w hich  runs   at   1500 r pm .   Co m par ing  with  the   res ults  of  the   syst em   with  c onve ntion al   c ontr oller s  li ke  P ,PI  an d  PID  c on t ro ll er s,  it   is  obse rv e d  tha t   the  pro pose d  s chem e  with  ne ur al   netw ork  c on t ro ll er  at ta in s  the  ste a dy  sta te   value  of  s pe ed  f ast er  perf or m s  bette r  [16] .   Ta ble  3  s hows   th e  com par iso n  c har t  of  the   resul ts  from   the  co nv e ntio nal  c ontrolle r  a nd  t he  neural   netw ork  c ontro ll er .       Table  3 .   C om par iso n of co nv entional m et hod  a nd pr opos e d schem e   Para m eters   Co n v en tio n al con t roller   Prop o sed  con trolle r   Stead y  stat e  sp eed   1 4 9 0  r p m   1 500   rp m   Settlin g  ti m e   0 . 7 5  seco n d s   0 . 5  seco n d s   Ris in g  ti m e   0 . 1   0 . 0 5  seco n d s       5 .      CONCL U SION   This  p a per   hi ghli gh ts   the   de s ign  of  t he  ne ural   net wor k  c ontr oller  f or  t he   sp ee d  co ntr ol   of  si ng le  ph a se  i nductio n  m oto r   of  the   rate d  ca pacit y  of   1HP   wh ic h  is  dri ve n  by  s olar   ene r gy  sy stem .   The   m axi m u m   powe r  from   the  so la r  pa nel  i s  ext racted   usi ng  I nc rem ental  Co nduct a nce  Algorithm .   Th e  volt age   an d  curren t   ob ta ine d  f ro m   the  s olar  pa nel   is  re gula te d  by   SEP IC  c onve rter  w hich   fee ds   t he  si ng le   phase  i nv e rter   a nd  that   dr i ves  t he   in duct ion  m oto r .   T he  pulse s   f ro m   the   r especti ve   con t ro ll er   a nd  In c rem ental   Cond uctance   al gorithm   base d  MPP T  C on t ro ll er  is   co m bin ed  the n  a pp li ed   to   the  S EPIC  c onve rter  to   bo os t  the   vo lt age   obta in ed  from   so la r  pan el .   T he  sp ee d  of   th e  Indu ct io n  M otor  is  giv e n  as  feedbac k  to   the  con t ro ll er .   The  sim ulatio n  for     the  neural  net work  c ontrolle r  has   bee n  car ri ed   out .   From   sim ulati on   re su lt s  ob ta in ed ,   it   is  obser ve d  that  Neural  Netw ork  c on t ro ll er  shows  bette r   pe r form ance  com par e d  t o  the   c onve ntion al   c ontr oller   f or  the   sp ee d  con t ro l  of in duct ion  m oto r .       REFERE NCE S   [1]   Gwo - Bin  W u  a nd  Chin - Si en   Moo,  “ Maximum   Pow er  Poi nt   Tr ac k ing   with   Ripp le  Curre n t  Ori entati on   f or   Photovolt aic  Ap pli c at ions” ,   IE E E  Journal  of  Emerging  and  Se lec te d  Top ic s  in  Po wer  El e ct ron ic s,  Dec ember  2014,   Vol .   2 ,   No .   4 .   [2]   Gom at hi . B,   and   Sivaka m i .   P,  “ A n  Inc r emental  C onduct an ce  Alg orit hm   base d   sol ar  m axi m um   po wer  poin t  tracki ng   s y stem”,   Int ern a ti onal Journal of Electrica l   Eng in ee ring .   ISS N 09 74 - 2158  Volum e  9,   Num ber   1  (2 016),   pp .   15 - 24 .   [3]   Sara vana  Selva n ,   Prat ap  Nair ,   U m a y a l,   “ A  Review  on  Photo  Volta i c  MP PT  Algorit hm s,  Inte rn ational   Journa l  of   El e ct ri ca l   and   C om pute r  Engi n e eri ng  (IJEC E)  IS SN :  2088 - 8708  Vol .   6 ,   No .   2,   April  2016 ,   pp .   56 7~582 .   [4]   Mr .   Partha Sar athiMaji,  Mr .   S .   Dikshit,   Prof .   S .   Mohapa tra,  “ Modell ing  and  Sim ula ti on  of   Photovolt a ic  Mode l   Us ing  Inc remen ta l  Condu ctanc e   Algorit hm ”  In t ern ational  Journal  of   Engi n ee ri ng  and  Man agem ent   Resea r ch,   Volum e - 4,   Iss ue - 2,   April - 20 14 .   [5]   Nur  Moham m a d,   Md .   As iful   I slam,  Ta r equl   Kari m   and  Qua zi   Delwa r   Hos s ai n,   “ Im prove d  Solar  Photovolt ai c   Arra y   Model  wi t h  FLC  Based   Maximum   Pow er  Point  Tr ac king ”,  Inte rn at ion al  Journal  of   E l ectrical   and  Com pute r   Engi ne eri ng  ( IJE CE)  ISS N:  2088 - 8708  _  717   Vol .   2 ,   No .   6,   Dec e m ber   2012,   pp .   7 17~730   [6]   T .   Shanthi,   and   N .   Am m asa iGounden,  “ Pow er  e le c tronic  inte rfa ce  for   gr id - c onnec t ed  PV   ar ra y   using   boost   conve rt er  and li n e - comm uta te d  in ver te r  wi th  MP PT”,   Inte rn at ion al Confe ren ce   on  I nte lligent a nd  A dvanc e  s y stems ,   page s: 882 - 886 ,   DO I:  10 . 1109/I CIAS . 2007 . 4658513 .   [7]   Jam es  Dunia,  B a kar i .   M   and   M .   Mw in y iwiwa ,   “ Perform anc e   Co m par ison  bet w een  ĆUK   and  SEP IC  Conver te rs   fo r   Maximum   Powe r  Poin t   Tr ac ki ng  Us ing  Inc re m ent al   Conduc t anc e  Techni que   in  Solar  Pow er  Applic a ti ons”,   Inte rna ti ona l  Jo urna l  of  El e ct r i ca l ,   Com pute r ,   Ene rge ti c ,   E lect ronic   and   Com m unic at ion  Eng ine er ing  Vol .   7 ,     No:  12,   2013 .   [8]   Moham ed  Ta h ar   Makhloufi,  Y assine  Abdess eme d,   Moham ed   Sal ah  Khir eddi ne ,   “ A   Feed  forw ard   Neura l   Network  MP PT  Control  Strat eg y   Appli e d  to   a   Modifie d   Cuk   Conver te r ”, Int ern a ti ona l   Journal   of   Elec trica l   and   Com pute r   Engi ne eri ng  ( IJE CE)  ISS N:  2088 - 8708  Vol .   6,   No .   4 ,   Augus t  2016 ,   pp .   1421~1433 .   [9]   Sangee th a  S ,   an d  Jith a  joseph   “ Design  an d   Im pl ementa t ion  o f  S epi c   Conver te r   Based  PV   S y ste m   Us ing  Modifi ed   Inc rement a l  Co nduct an ce   Algo rit hm ”,   Int ern a t iona l  Conf ere n c e  on  Elec tri c al,   El e ct roni cs,   a nd  Optimiza t io n   Te chn ique s (IC E EOT)   -   978 - 1 - 46 73 - 9939 - 5/16/ $3 1 . 00  ©2016   IEEE .   [10]     F .   Lftisi,   G .   H .   George ,   A .   Aktai bi ,   C .   B .   B utt ,   and  M .   A .   Rahman,   “ Artifica l  n eur al   n et w ork  base d  spee d  cont roller  fo r  in duct ion   m otors”, 978 - 1 - 5090 - 347 4 - 1/16/ $31 . 00© 2016  IEEE .   [11]     W hei - Min  Li n,   Chih - Ming  H ong,   and   Chiu ng - Hs ing  Chen,  “ Neura l - Netw ork - Based  MP PT  Contro l  of   a     Stand - Alone  H y brid  Pow er  G ene ra ti on  S y s tem ”,   IEEE  Tr an sac ti ons  on  Po wer  El e ct ron ic s,   Vol .   26,   No . 1 2,   Dec ember - 2011 .   Evaluation Warning : The document was created with Spire.PDF for Python.