Design of a battery charger circuit with intelligent maximum photovoltaic power tracking control

Abstract

olar photovoltaic energy plays a vital role in addressing global energy challenges due to its adaptability, scalability, and ability to meet diverse industrial and consumer demands. Compared to other renewable sources, PV systems offer long-term electricity generation without mechanical components, making them a reliable and low-maintenance option. However, their power output is inherently variable, with nonlinear voltage characteristics, leading to challenges related to intermittency. To ensure efficient energy utilization, maximum power point tracking (MPPT) is essential for optimizing power conversion at any given moment. This study focuses on the simulation of a battery charging circuit incorporating MPPT to maximize power extraction from PV modules under varying solar irradiance and temperature conditions in an off-grid system. Various MPPT techniques have been developed, ranging from conventional to advanced approaches, depending on environmental factors and system requirements. This work specifically compares two widely used methods: Perturb and Observe (P&O) and Artificial Neural Networks (ANN). Chapters 1 through 3 elaborate on the system architecture of PV-battery configurations, component modeling, power converter design, and control strategies. The results demonstrate that the ANN-based approach provides faster and more stable maximum power point tracking, with reduced oscillations and superior adaptability to weather variations compared to the P&O method. L'énergie solaire photovoltaïque joue un rôle essentiel dans la réponse aux défis énergétiques mondiaux grâce à sa flexibilité, sa modularité et sa capacité à répondre à des besoins variés, tant industriels que domestiques. Comparée à d’autres sources renouvelables, la technologie photovoltaïque permet une production électrique durable sans pièces mobiles, ce qui en fait une solution fiable et peu exigeante en maintenance. Cependant, la production d’énergie est intermittente et présente des caractéristiques tension-courant non linéaires, ce qui rend nécessaire l’optimisation du point de puissance maximale (MPPT) pour maximiser le rendement énergétique. Cette étude se concentre sur la modélisation et la simulation d’un système de charge de batterie intégrant un algorithme MPPT, afin d’extraire le maximum de puissance des modules PV sous des conditions variables d’ensoleillement et de température dans un système hors réseau. Différentes techniques MPPT ont été développées, allant des méthodes conventionnelles aux approches intelligentes, en fonction des conditions environnementales et des exigences du système. Ce travail compare plus particulièrement deux stratégies largement utilisées : la méthode Perturbation et Observation (P&O) et celle basée sur les réseaux de neurones artificiels (ANN). Les chapitres 1 à 3 détaillent respectivement l’architecture des systèmes PV-batterie, la modélisation des composants, la conception des convertisseurs et les stratégies de contrôle. Les résultats montrent que l’approche ANN offre un suivi plus rapide et plus stable du point de puissance maximale, avec moins d’oscillations et une meilleure adaptation aux variations météorologiques que la méthode P&O.