بهینه‌سازی فرایند شناسایی پارامتر مدل های تک‌دیودی، دودیودی، و سه‌دیودی سلول خورشیدی مدل r.t.c توسط الگوریتم بهینه سازی شبکه عصبی

شناخت دقیق متغیرهای مجهول برای انواع سلول‌های خورشیدی با استفاده از داده‌های آزمایشگاهی اهمیت حیاتی در طراحی، کنترل، کیفیت، برآورد هزینه، و پیش بینی عملکرد سلول‌های خورشیدی دارد. گسترش مشخصه‌های‌ یک سلول‌ خورشیدی واحد به مجموعه‌ای از سلول‌ها (پنل خورشیدی) معمولا ً براساس یک نقطه عملیاتی واحد بر روی منحنی مشخصه جریان ولتاژ یکی از این سلول‌ها انجام می‌شود. در سال‌های اخیر، یک روش جدید برای پیش‌بینی عملکرد سلول و غربالگری سلولی با مدل‌سازی سلول با استفاده از یک مدار الکتریکی معادل ارائه شده ‌است که در آن، هر متغیر، مربوط به یک پدیده فیزیکی در سلول خورشیدی است. این مدل‌های تحلیلی می‌توانند با یک مدل پنج، هفت، و اخیرا نه متغیری نشان داده شوند. به واسطه غیرخطی بودن و ناتوانی روش های بهینه سازی سنتی در شناسایی دقیق متغیر های ناشناخته سیستم، اخیرا الگوریتم های بهینه سازی هوشمند، توجهات چشمگیری را در حل این نوع مسایل مهندسی به خود جلب کرده اند. الگوریتم شبکه عصبی یک الگوریتم فراابتکاری است که از عملکرد شبکه عصبی مغز انسان الهام گرفته است. در این مقاله، تکنیک شناسایی پارامتر بهینه یک سلول خورشیدی تجاری برای مدل تک دیودی، دو دیودی، و سه ‌دیودی توسط الگوریتم شبکه عصبی انجام گرفته است. نتایج بدست آمده از روش پیشنهادی دارای دقت پاسخ بهتری نسبت به الگوریتم ‌های بهینه سازی اخیر در منابع است. این بهبود عملکرد به ترتیب برای مدل های تک دیودی، دو دیودی، و سه دیودی به میزان 0.44، 0.085، و 17.97 درصد نسبت به بهترین روش مطالعه شده در منابع حاصل شده است.

parameter optimization of various solar cell models by neural network algorithm

precise recognition of unknown variables for different types of solar cells is important in design, control, quality, cost estimation, and prediction of solar cell performance. development of a single solar cell to a set of cells (solar panels) is usually based on a single operating point on the current voltage characteristic curve. in recent years, a new method to predict cell performance and cell screening by modeling the cell is presented using an equivalent electrical circuit in which each variable corresponds to a physical phenomenon in the solar cell. these analytical models can be represented by a five variable, seven variable models, and recently nine variable model. due to the nonlinearities and inability of traditional methods in identifying the unknown variables of the system, recently intelligent algorithms have attracted considerable attentions in solving engineering problems. neural network algorithm (nna) is a metaheuristic optimization algorithm that is inspired by the function of the neural network of human brain. in this article, the optimum parameter identification technique of a silicon commercial solar cell is used for single diode, two diode, and three diode models. the obtained optimization results of this research are compared with other optimizers in the literature and the surrounding discussions are done. the improvement level reported by the nna in comparison with the best reported results in the literature for one, two, and three diode models are 0.44, 0.085, and 17.97 percent, respectively. the obtained results of the proposed nna method have the highest accuracy among the other optimizers in the literature.