ترجمه مقاله تشخیص و ردیابی نقطه بیشینه توان مولد فتوولتائیک

تشخیص و ردیابی نقطه بیشینه توان مولد فتوولتائیک به وسیله ی یک مدل محلی فازی عصبی

Identification and Maximum Power Point Tracking of Photovoltaic Generation by a Local Neuro-Fuzzy Model

 

چکیده: با گسترش سریع سیستم توزیع DC ، توجهات خاصی به مولدهای فتوولتائیک (PV) شده است. این مقاله، مسئله ردیابی نقطه بیشینه توان(MPPT) برای سیستم های PV با استفاده از یک شبکه محلی فازی عصبی (LNF) و الگوریتم بهینه سازی تندترین شیب(SD) را مورد بررسی قرار می دهد. روش پیشنهادی، به نام LNF + SD، ابتدا یک مدل دقیق برای سیستم PV با استفاده از شبکه LNF و از طریق داده های اندازه گیری تشخیص می دهد. سپس مدل PV تشخیص داده شده برای MPPT به وسیله ی الگوریتم بهینه سازی SD استفاده می شود. توانایی های عالی مدل سازی شبکه LNF پیشنهادی باعث ایجاد یک مدل قابل اعتماد و معتبر PV می شود که تغییرات ولتاژ، دما و تابشی را در نظر می گیرد. روش پیشنهادی با استفاده از چند تشخیص و شبیه سازی MPPT ارزیابی شده است. نتایج شبیه سازی دقت شبکه LNF در مدل سازی سیستم های PV را نشان می دهد. علاوه بر این، شبیه سازی ها برای بررسی عملکرد MPPT طی گذراهای تابشی انجام شده و راندمان بالای روش LNF + SD پیشنهادی برای کاربردهای MPPT را نشان داده است. عملکرد روش پیشنهادی MPPT، در حالی که آرایه PV بارها را از طریق مبدل های DC-DC تغذیه می کرد، نیز تجزیه و تحلیل شد. مقایسه ها نسب به روش های اغتشاش و مشاهده (P & O) و منطق فازی ، برتری روش پیشنهادی را نشان می دهد.

 

سفارش ترجمه تخصصی مهندسی برق

 

1. مقدمه

استفاده از مولد فتوولتائیک (PV) در مسیری رو به رشد طی دهه گذشته قرار گرفته است. برای مثال، طبق گزارشات منتشر شده توسط آژانس بین المللی انرژی (LEA) ظرفیت تجمعی توان PV نصب شده در استرالیا از 50 مگاوات در سال 2000 به 500 مگاوات در سال 2010 رسیده است، و افزایش چشمگیر ده برابری را نشان می دهد [1]. علاوه بر این، با رشد سریع سیستم های توزیع DC، مولدهای PV، به عنوان منابع پایدار انرژی (SERS)، توجه بیشتری را به خود جلب کرده اند، زیرا آنها DC مقدم هستند، و می توانند به شبکه DC با مبدل های DC-DC متصل شوند]2[. شکل 1 نمای کلی یک سیستم توزیع DC را نشان می دهد که توسط SERs از قبیل پانل های PV و سلول های سوختی تغذیه می شود. به طور کلی، توان خروجی پانل های فتوولتائیک به تشعشع خورشیدی و دمای محیط بستگی دارد. به منظور انتقال حداکثر توان، قابل تولید توسط پنل PV در شرایط خاص آب و هوایی ، نسبت به بار، یک الگوریتم ردیابی نقطه بیشینه توان (MPPT) لازم است. ردیابی نقطه بیشینه توان  یک الگوریتم کنترل اتوماتیک برای تنظیم رابط های قدرت و دستیابی به بزرگترین برداشت قدرت ممکن است، در هنگام تغییرات لحظه به لحظه تابش خورشیدی، سایه افکنی، دما، و مشخصات ماژول فتوولتائیک [3]. در سال های اخیر، روش های زیادی برای MPPT در پانل های PV ارائه شده است. الگوریتم های جستجوی ابتکاری، از قبیل اغتشاش و مشاهده (P&O) ]4[، کنترل جستجوی بی نهایت [5] و الگوریتم جستجوی مستقیم [6] در میان روشهای ایجاد شده طی دهه گذشته برای MPPT در پانل های PV هستند. اما، بسیاری از روش های پیشنهادی برای MPPT به یک مدل از پیش تعریف شده پانل PV احتیاج دارد، که کاملا دقیق نیست. این امر نیز ممکن است به نتایج نامطلوب در حالت تغییرات ویژگی های ماژول فتوولتائیک منجر شود. برای حل این مسئله، ما یک روش تشخیص مبتنی بر رویکرد محلی عصبی-فازی (LNF)، جهت ساخت یک مدل معتبر  برای پانل PV با استفاده از داده های اندازه گیری ارائه می دهیم. رویکرد LNF پیشنهادی دارای قابلیت های مهمی در مدل سازی سیستم غیرخطی و متغییر با زمان است. اگر یک الگوریتم آنلاین سادگیری اتخاذ شود، آنگاه مدل LNF می تواند متغیرها و تغییرات در ویژگی های پانل PV را در نظر بگیرد.

 

شکل 1: باس DC با منابع مولد PV

II . مدل محلی فازی-عصبی

مدل های فازی-عصبی (NF)مدل های فازی هستند که نه تنها با دانش متخصص طراحی شده اند، بلکه دست کم تا اندازه ای از داده ها یاد می گیرند [7]. در واقع یک مدل NF یک سیستم فازی ترسیم شده در یک ساختار شبکه عصبی است و بنابراین روش های فعلی یادگیری ایجاد شده برای توسعه شبکه های عصبی را می توان به مدل NF اعمال کرد. بنابراین، سیستم های فازی-عصبی قابلیت یادگیری از شبکه های عصبی و همچنین  منطقی بودن و شفافیت در سیستم های فازی را به ارث می برند [7]. مدل های محلی فازی-عصبی یک طبقه جذاب از سیستم های فازی-عصبی  هستند و مبتنی بر یکپارچه سازی مدل های محلی کار می کنند [8]. در رویکرد LNF، کل فضای ورودی به مجموعه نواحی فرعی تقسیم می شود، هر ناحیه توسط تابع اعتبار مربوطه و مدل محلی (LM) مشخص می شود. جالب توجه است، روش تقسیم بندی فضای ورودی اجازه توصیف یک فرایند پیچیده غیر خطی به وسیله ی ایجاد تعدادی مدل های محلی ساده تر که پارامترهایش به آسانی قابل تشخیص هستند، را می دهد.

عبارت ریاضی برای یک LNF با ورودی P بعدی،، و M مدل محلی به صورت زیر است:

 

که در آن، یک تابع غیر خطی بیان کننده ی i امین مدل محلی ()،  تابع اعتبار مربوط به  و خروجی مدل LNF است. به منظور داشتن یک انتقال صاف بین مدل های محلی، توابع اعتبار صاف و دارای مقادیری بین 0 و 1 هستند. علاوه بر این، توابع اعتبار باید بخشی از یکتایی جهت داشتن بیانی منطقی از مدل های محلی را تشکیل دهند:

 

معماری مدل LNF، بیان شده توسط (1) در شکل 2 نشان داده شده است. همانطور که در شکل 2 نشان داده شده ، خروجی کلی مدل LNF را می توان بر اساس خروجی هر مدل محلی بیان کرد:

 

که در آن  خروجی  است و برابر با. لازم به ذکر است که توابع دلخواه غیر خطی، و در نتیجه مدل های دلخواه محلی ، می تواند در ساختار مدل LNF استفاده شوند. این ویژگی برجسته اجازه انتخاب مدل های پیچیده محلی به منظور بهتر کردن مدل و توصیف فرآیندها و سیستم های پیچیده و به شدت غیر خطی را می دهد. در این مقاله تمرکز اصلی  بر روی توابع چند جمله ای و ایجاد مدل های محلی چند جمله ای با درجه دلخواه است. توابع چند جمله ای در توصیف فرایندهای غیر خطی قدرتمند هستند زیرا چند جمله ای ها با درجه های دلخواه را می توان به عنوان بسط  سری های تیلور هرگونه تابع ناشناخته مشاهده کرد.

 

شکل 2: ساختار LNF با p ورودی و M مدل محلی

A. تشخیص مدل های محلی

با در نظر گفتن مدل محلی چند جمله با درجه n ، مدل LNF در (1) می تواند به صورت زیرا مجددا بیان شود:

 

که در آن  بردار پارامتری i مدل محلی چند جمله ای است. برای یک تابع چند جمله ای n مرتبه ای و با فضای ورودی p بعدی، تعداد پارامترهای هر مدل محلی چند جمله ای برابر است با:

 

برای برآورد پارامترهای موثر مدل محلی، الگوریتم حداقل مربعات وزن دار استفاده شده است. علاوه بر این، فرض شد که توابع اعتبار معلوم و از پیش مشخص شده هستند. برآورد کمترین مربعات وزن دار بر اساس کاهش سازی خطای محلی هر مدل محلی چند جمله برای نمونه های خروجی مور نظر انجام شد.

 

که ، N خروجی مورد نظر هستند. پارامترها در (4) را می توان به وسیله ی الگوریتم حداقل مربعات با استفاده از (6) تخمین زد[7].

B. تشخیص توابع اعتبار

توابع چند متغیره گاوسی معمولا به عنوان توابع اعتبار در مدل LNF انتخاب می شوند. تابع چند متغیره گاوسی P بعدی برای مدل محلی i ام را می توان به صورت زیر بیان کرد:

 

که  به ترتیب مختصات مرکز و انحراف استاندارد تابع گاوسی است. توابع گاوسی در (7) باید برای ایجاد یک بخش یکتایی نرمالیزه شوند.

سفارش ترجمه تخصصی مهندسی برق

 پارامترهای توابع اعتبار گوسی هستند که باید از برآورد داده ها محاسبه شوند. سپس این پارامترها با استفاده از الگوریتم درخت مدل چند جمله ای (POLYMOT) محاسبه می شود. در الگوریتم یادگیری POLYMPT، اولین گام ، تعیین پارامترهای توابع اعتبار با استفاده از یک روش اکتشافی است. با داشتن توابع اعتبار ، پارامترهای مدل های محلی با استفاده از الگوریتم حداقل مربعات تخمین زده می شود. الگوریتم یادگیری POLYMOT پیچیدگی مدل را افزایش می دهد تا زمانی که عملکرد مورد نظر حاصل شود.

III. الگوریتم یادگیری

الگوریتم یادگیری POLYMOT به دسته الگوریتم های ایجاد درخت افزایشی تعلق دارد [9]. الگوریتم POLYMOT  در واقع، نسخه اصلاح شده ی الگوریتم درخت محلی مدل خطی (LOLTMOT) است که فضای ورودی را به وسیله ی انشعابات متعامد محور به ابر مستطیل ها تقسیم بندی می کند]8[. در الگوریتمPOLYMOT ، در هر تکرار، یک مدل جدید محلی به شبکه LNF افزوده شده و یا تعداد پارامترهای بدترین مدل محلی افزایش یافته است (یعنی درجه بدترین مدل محلی چند جمله اضافه می شود). سپس توابع اعتبار که به پارتیشن بندی واقعی فضای ورودی مربوط می شوند، محاسبه شده و پارامترهای مدل های محلی چند جمله ای مربوه به وسیله ی روش حداقل مربعات وزن دار بهینه سازی  می شوند. الگوریتم POLYMOT را می توان در پنج مرحله ، به صورت زیر به صورت خلاصه بیان کرد:

0- مرحله 0- شروع از یک مدل اولیه: M = 1 و شروع با یک مدل محلی مرتبه اول که تابع اعتبار اش تمام فضای ورودی را در بر می گیرد.

1- مرحله 1- پیداکردن بدترین اجرای مدل محلی: محاسبه تابع افت  تعریف شده در معادله (6)، برای تمام مدل های محلی و پیدا کردن بدترین اجرای LM.

2- مرحله 2- برازش یک چند جملهای درجه بالاتر: اگر افزایش مرتبه چند جمله ای از بدترین اجرای LM منجر به خطای مدل جهانی کمتر می شود، آنگاه مرتبه مدل محلی افزایشم می یابد و به مرحله 4 رفته، در غیر این صورت به مرحله 3 می رود.

3- مرحله 3- تقسیم فضای ورودی: اگر افزایش مرتبه بدترین مدل محلی ، خطای مدل جهانی را کاهش ندهد، آنگاه :

a - قسمت بدترین LM به دو نیمه مساوی باید در تمام P بعد آزمایش شود. برای هر P بخش، یک تابع اعتبار چند بعدی باید برای هر دو ابر مستطیل تولید شده ایجاد شود. توابع عضویت گاوسی در مراکز ابر مستطیل ها قرار داده شده و انحراف استاندارد ها متناسب با بسط ابر مستطیل ها (معمولا یک سوم بسط ابر مستطیل) انتخاب می شوند. سپس نقش پارامترهای بعدی هر دو LMs جدید باید با استفاده از روش حداقل مربعات وزن دار تخمین زده و در نهایت تابع افت برای مدل فعلی کل باید محاسبه شود.

 b- بهترین LM مربوط به کمترین مقدار تابع افت، باید انتخاب شود و تعداد مدل های محلی افزایش می یابد:

4- مرحله 4- بررسی شرط اتمام: اگر شرط پایان یابد، برای مثال، یک سطح مطلوب از عملکرد مدل و یا پیچیدگی برآورده شود، آنگاه متوقف می شود ، در غیر این صورت برو به مرحله 1.

الگوریتم یادگیری POLYMOT ماکزیمم تعمیم سازی و عملکرد پیش بینی قابل توجهی از مدل LNF تشخیص داده شده را ایجاد می کند. لازم به ذکر است که در این مقاله حداکثر مرتبه توابع چند جمله ای برابر با 2 است (یعنی پیاده سازی مدل های محلی درجه دوم) به منظور حفظ تعداد پارامترهای مدل های محلی در یک سطح منطقی.

IV  . تشخیص PV و MPPT به وسیله ی مدل LNF

در این قسمت نشان داده می شود که چگونه مدل LNF پیشنهادی و روش تندترین شیب می تواند برای تشخیص دقیق و MPPT آرایه های PV استفاده شود.

A. تشخیص

در روش پیشنهادی، ابتدا آرایه PV توسط مدل LNF و از طریق مجموعه داده ها تشخیص داده می شود. در مرحله تشخیص، متغیرهای ورودی از جمله تابش خورشیدی (S)، دما (T) و ولتاژ  PV(V) برای توصیف متغیر خروجی، یعنی توان خروجی PV استفاده می شود. بنابراین، اختیار(discretion) ریاضی به وسیله مدل LNF پیشنهادی بدست می آید:

که در آن f تابع توصیف توان خروجی آرایه ، ایجاد شده توسط مدل LNF است. در مرحله MPPT ، هدف ، پیدا کردن MPP، و به ویژه ولتاژ  آرایه PV با استفاده از مدل PV تشخیص داده شده و هنگام تغییرات لحظه به لحظه سطح نور، سایه افکنی، دما، و ویژگی های ماژول فتوولتائیک است. در مرحله MPPT، تابش (S) و دما(T) معلوم هستند و جستجو برای ولتاژ نقطه بهینه کاری انجام می شود [6]. بنابراین، توصیف در (9) به عبارت زیر تغییر می یابد.

که در آن،  تابش و دما در نقطه کاری آرایه PV است.

شکل 3: روش تشخیص یک سلول PV با استفاده از مدل LNF

B. ردیابی نقطه بیشینه توان

عبارت در معادله (10) یک تابع تک متغیره است. از این رو، بهینه سازی تک متغیره برای پیدا کردن ولتاژ بهینه (VMPP) مربوط به حداکثر توان خروجی آرایه PV مورد نیاز است. یک الگوریتم بهینه سازی مبتنی بر شیب، یعنی الگوریتم تندترین شیب (SD) در این مقاله استفاده شده است. تندترین شیب یک روش غیر خطی بهینه سازی تکرار شونده است که تلاش می کند تا حداقل محلی (حداکثر) یک تابع هدف به وسیله ی تغییر پارامترهای تابع متناسب با منفی (مثبت) شیب اش پیدا کند. برای حداکثر سازی یک تابع دلخواه F ، معادله به روز رسانی پارامتر در تکرار K داده شده است:

 

که در آن پارامترهای بردار تابع F و اندازه گام است [7]. خوانندگان علاقه مند می توانند به مقاله[7] برای اطلاعات بیشتر در مورد الگوریتم تندترین شیب و پیاده سازی اش مراجعه کنند. برای حداکثر سازی قدرت خروجی PV، تابع توصیف آرایه  PV، ایجاد شده توسط مدل LNF، استفاده شده است. از این رو معادله (10) به (9) اصلاح شده،

 

معادله (12) می تواند به صورت تکراری برای پیدا کردن ولتاژ بهینه مربوط به حداکثر توان خروجی آرایه PV استفاده شود. ترکیب مدل LNF و الگوریتم SD، یعنی LNF + SD، در بخش بعدی برای تشخیص MPPT آرایه PV استفاده می شود.

 V. نتایج شبیه سازی و بحث

سناریوهای مختلف شبیه سازی زیادی به منظور بررسی مدل سازی و عملکرد MPPT روش LLNF + SD پیشنهادی در نظر گرفته شده است. ابتدا، شبیه سازی ها برای نشان دادن اینکه چگونه مدل LNF می تواند با دقت یک سیستم با آرایه PV را PV تشخیص دهد انجام می شوند. سپس با استفاده از مدل تشخیص داده شده ی آرایه PV، شبیه سازی های دیگری برای اندازه گیری عملکرد  MPPT روش پیشنهادی تحت شرایط مختلف آب و هوایی انجام می شود. در نهایت، الگوریتم پیشنهادی برای MPPT در یک آرایه PV، متصل به یک باس DC از طریق یک مبدل DC-DC استفاده می شود. باس DC بار ثابت مقاومتی را تغذیه می کند. کلیه شبیه سازی ها در محیط نرم افزار MATLAB / SIMULlNK بر اساس بلوک دیاگرام نشان داده شده در شکل 3 پیاده سازی می شود. مشخصات کلی پانل PV مورد استفاده در شبیه سازی ها در جدول I ارائه شده است.

شکل 4: آموزش و آزمون RMSE برای چند سلول عصبی(neuron) مختلف

سفارش ترجمه تخصصی مهندسی برق

A. نتایج تشخیص

برای تشخیص یک آرایه PV با استفاده از مدل LNF، 150 نقطه داده به طور تصادفی با استفاده از یک مدل استاندارد تولید شدند [6]. نتایج تشخیص با مدل استاندارد مقایسه خواهد شد. جفت ورودی-خروجی داده هابرای آموزش و آزمایش مدل LNF استفاده شدند، که . 100 واحد داده ی اول برای آموزش بکار گرفته و 50 واحد داده باقی مانده به مدل LNF به عنوان داده های آزمون اعمال شدند. ریشه میانگین مربعات خطا (RMSE) برای آموزش و داده های آزمون در شکل 4 نشان داده شده است. همانطور که در این شکل دیده می شود، مدل LNF با نه نورون ، بهترین عملکرد را داراست. این مدل برای نمایش سیستم PV در سایر شبیه سازی ها اتخاب شده است. اکنون، مشخصه های ولتاژ و تابش، همانطور که در شکل 5 نشان داده شده ، با دمای ثابت 45 درجه سانتی گراد به مدل تشخیص داده شده اعمال می شود. لازم به ذکر است که مشخصه های ولتاژ و تابش در شکل 5 مستقل از یکدیگر هستند. این کار برای آزمایش دقت مدل در حالت تغییرات همزمان تابش و ولتاژ انجام می شود. در واقع، فرض می شود که یک بار بسیار متغیر در ترمینال های خروجی پانل PV وجود دارد که منجر به مشخصه ولتاژ، نشان داده شده در شکل 5- (A) می شود. علاوه بر این، مشخصه ولتاژ از 0 تا 30 V به مدل تشخیص داده شده برای ارزیابی عملکرد مدل برای کل رنج کاری ولتاژ پانل PV اعمال شده است. توان خروجی مورد نظر و تشخیصی و خطای مطلق تشخیص هنگام زمان شبیه سازی در شکل 6 نشان داده شده است. توجه کنید که در طول انتقال تابش خورشیدی، مدل LNF از خروجی آرایه استاندارد  PV با دقت قابل توجه تبعیت می کند.

شکل 7: مشخصه دما هنگام MPPT

B. نتایج ردیابی نقطه بیشینه توان

اکنون، عملکرد MPPT روش پیشنهادی تحت شرایط گذرای آب و هوایی ارزیابی شده است. به همین خاطر، مشخصه تابشی، نشان داده شده در شکل 5- (ب) و مشخصه دما، نشان داده شده در شکل 7، به مدل LNF تشخیصی آرایه PV اعمال می شود. بدیهی است، تابش دو دوره تناوب گذار دارد، یعنی از 2.32 تا 3.6 ثانیه و  از 4.4 تا 5.0 ثانیه. نتیجه ردیابی نقطه بیشینه توان در شکل 8 نشان داده شده است. دیده می شود که روش LNF + SD پیشنهادی با موفقیت  نقطه بیشنیه توان آرایه PV حتی در هنگام گذراهای هر دو سطح تابش و دما را ردیابی کرده است. برای تجزیه و تحلیل عددی و مقایسه، راندمان MPPT  به صورت زیر محاسبه خواهد شد:

که در آن، توان ماکزیمم واقعی و نظری آرایه PV هستند. هنگام گذرای اول و دوم و کل دوره تناوب شبیه سازی برای روش های LNF + SD و P&O پیشنهادی در جدول II ارائه شده است.

 

شکل 8: نتایج MPPT هنگام گذرای تابش خورشیدی

C . MPPT برای یک آرایه  PV متصل به مبدل

در آخرین مطالعه موردی، کاربرد الگوریتم MPPT پیشنهادی برای یک آرایه PV، که یک بار 20 اهمی را از طریق یک مبدل بوست DC-DC تغذیه می کند، بررسی شده است. در این شبیه سازی، هدف استخراج بیشینه توان آرایه های PV طی تغییرات تابش خورشیدی است. بلوک دیاگرام روش کنترل، که از تنظیم ولتاژ آرایه PV استفاده می کند، در شکل 9 نشان داده شده است. در روش تنظیم ولتاژ آرایه PV، ولتاژ خروجی آرایه PV به ولتاژ نقطه بیشینه توان (MPP) به  منظور افزایش دادن توان خروجی اش تنظیم می شود. در روش کنترل نشان داده شده در شکل 9، ابتدا ولتاژ MPP توسط الگوریتم LNF + SD محاسبه می شود. سپس این ولتاژ به عنوان ولتاژ مرجع در نظر گرفته می شود. خطای بین ولتاژ مرجع و ولتاژ فعلی آرایه PV  به یک کنترل کننده PI تغذیه می شود که در نهایت چرخه وظیفه یک ژنراتور PWM را تعیین می کند. شکل 10 مشخصه تابش خورشیدی طی زمان شبیه سازی را نشان می دهد. این مشخصه به آرایه PV برای ارزیابی عملکرد الگوریتم MPPT پیشنهادی اعمال می شود. در این مطالعه موردی، یک کنترل کننده منطق فازی (FLC)، ایجاد شده در [10] ، نیز شبیه سازی شده و نتایج اش نسبت به رویکرد پیشنهادی مقایسه می شوند. شکل 11 توان خروجی آرایه PV به دست آمده توسط روش پیشنهادی و FLC را نشان می دهد. رویکرد پیشنهاد مزایای بیشتری نسبت به FLC در [10] ارائه می دهد. ابتدا توان خروجی به دست آمده توسط روش ریپل و نوسان نسبت به توان خروجی به دست آمده توسط FLC را نشان می دهد.

VI. نتیجه گیری

این مقاله یک رویکرد محلی فازی-عصبی برای تشخیص و ردیابی نقطه بیشینه توان سیستم های  PVرا ارائه می دهد. روش LNF پیشنهادی به مدل از پیش مشخصی احتیاج ندارد و یک مدل معتبر و دقیق برای آرایه های PV با استفاده از داده های اندازه گیری ایجاد می کند. قابلیت محلی مدل سازی مدل LNF ، یک ویژگی مفید برای مدل سازی منحنی بسیار غیر خطی توان سیستم های PV است. سپس مدل ایجاد شده توسط یک الگوریتم تندترین شیب برای MPPT بکار گرفته می شود. شبیه سازی های انجام شده، عملکرد قابل توجه روش LLNF + SD پیشنهاد برای تشخیص و MMPT سیستم های PV را نشان می دهد. بر اساس نتایج شبیه سازی، مدل LNF با موفقیت از منحنی توان آرایه PV هنگام گذراهای تابش خورشیدی و تغییرات ولتاژ تبعیت کرد. علاوه بر این، عملکرد MPPT روش پیشنهادی هنگام تغییرات تابش خورشیدی قابل ملاحظه بود.