تخمین توان تولیدی پنل های مونوکریستال و پلی کریستال توسط شبکه عصبی

تجزیه و تحلیل توان تولیدی یک سیستم فتوولتائیک به عواملی نظیر میزان حرارت و تابش مستقیم خورشید بستگی دارد. منبع بی پایان و رایگان انرژی خورشیدی دریافت شده در سطح زمین، دستخوش تغییراتی چون مکان جغرافیایی، ساعات مختلف شبانه روز و فصول مختلف سال می باشد، از این رو ارزیابی صحیح آن یک عامل استراتژیک برای ارزیابی امکان سنجی یک سیستم فتوولتائیک می باشد. در این مقاله با استفاده از داده های میزان تابش و دمای بدست آمده از مانیتورینگ پنل های خورشیدی منوکریستال و پلی کریستال نصب شده در سایت خورشیدی دانشگاه ولی عصر(عج) رفسنجان، یک روش جدید مدل سازی توان تولیدی سیستم های فتوولتائیک ارائه گردیده است. مدل به دست آمده با استفاده از داده های در بازه زمانی یک ساله سایت خورشیدی ذکر شده توسط شبکه عصبی چند لایه پروسپترون آموزش و تست شده اند، حاصل گردیده است. ورودی های این مدل شامل دمای پنل و تابش مستقیم نور خورشید و خروجی آن میزان توان تولید شده توسط پنل های منو کریستال و پلی کریستال این سایت خورشیدی می باشد. باتوجه به نتایج حاصل شده، بهترین پاسخ برای مدل با تابع تحریک در لایه های مخفی logsig,tansig, tansig و تعداد نرون ]10 10 10[ دارای تکرار 32 با میانگین مربعات خطا 20780.51 و نیز ضریب همبستگی با داده های تست مقدار 0/9142، اعتبارسنجی مقدار 0/9151 و آموزش مقدار 0/91644 انتخاب گردید.

Estimating Efficiency of Monocrystalline and Polycrystalline Photovoltaic Panels Using Neural Network Models

The energy production analysis of a photovoltaic system depends on the panels tempreture and solar radiation. An endless and free source of solar energy received at the Earth's surface depends on the geographical location, different hours of day and seasons of the year.Hence, its correct evaluation is a strategic factor for the feasibility of a solar system. in this paper, a new method of energy modeling of photovoltaic systems is proposed by using the radiation and temperature data obtained from monitoring of monocrystalline and polycrystalline solar panels installed at the solar site of the Valie Asr university of Rafsanjan. The model is derived using data in a period of one year of the solar site by ANN models which is trained and tested by a multi layer Perceptron neural network. The inputs of the model include the temperature of the panel and the direct solar radiation and Its output is the production power of both monocrystalline and polycrystalline solar panels of this solar site. The results showed that, it is proper to chose The activation function at the hidden layers of logsig, tansig, tansig with the number of [10 10 10] neurons.