|
|
|
|
آنالیز حساسیت 9 مدل جهت تخمین توان پنل‌های فتوولتایی مونوکریستال و پلی‌کریستال
|
|
|
|
|
|
|
|
نویسنده
|
شفیعی دهج محمد ,زمانی محی آبادی مصطفی ,حسینی محمد صادق
|
|
منبع
|
مجله مهندسي مكانيك دانشگاه تبريز - 1400 - دوره : 51 - شماره : 4 - صفحه:193 -202
|
|
چکیده
|
از آنجا که میزان انرژی تولید شده توسط سیستم های فتوولتایی به صورت نمایی در حال رشد است، نیاز به پیش بینی توان تولید آنها بسیار مهم تر از گذشته است. در این مقاله با استفاده از شبکه عصبی، مدل سازی سیستم های فتوولتایی پنل های مونو و پلی کریستال نیروگاه5/2 کیلووات سایت خورشیدی دانشگاه ولی عصر(عج) رفسنجان انجام شده است. هدف از این تحقیق به دست آوردن مدلی بهینه می باشد. مدل های به دست آمده با استفاده از شبکه های عصبی توسط داده های جمع آوری شده یک ساله سایت مورد نظر، باهم مقایسه گردیدند. در این مدل ها ورودی ها، دمای پنل و تابش مستقیم خورشید و خروجی ها توان تولیدی پنل های مونوکریستال و پلی کریستال می باشند. آنالیز حساسیت برای انواع ورودی و خروجی و نیز برای تعداد لایه های مختلف نرون ها و توابع مختلف نیز بررسی گردید. نتایج حاصله گویای مدل سازی دقیق پنل ها توسط شبکه عصبی مورد استفاده می باشد. نتایج نشان می دهد که مدل با ورودی دما و تابش و توان خروجی پنل مونوکریستال و پلی کریستال، از همه مدلها بهتر می باشد.
|
|
کلیدواژه
|
مدل‌سازی، شبکه عصبی، آنالیز حساسیت، پنل‌های فتوولتایی، ورودی‌ها، توان خروجی
|
|
آدرس
|
دانشگاه ولی عصر(عج), گروه مهندسی مکانیک, ایران, دانشگاه ولی عصر(عج), گروه مهندسی شیمی, ایران, دانشگاه ولی عصر(عج), گروه مهندسی شیمی, ایران
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Sensitivity analysis of 9 models for estimating the power of photovoltaic monocrystal and polycrystalline panels
|
|
|
|
|
Authors
|
shafiey Dehaj Mohammad ,Zamani Mohiabadi mostafa ,Hosseini Seyed Mohammad Sadegh
|
|
Abstract
|
As the energy generation with photovoltaic systems is exponentially growing, the need for prediction of generation power is much more important than ever. In this paper, based on the experimental data of the solar site along oneyear, the photovoltaic systems of monocrystalline and polycrystalline panels for 2.5 kW solar power plant at ValieAsr University of Rafsanjan, has been modelled with artificial neural network. To obtain the optimal model for the desired panels, different variables have been considered as the input and output of the model, while all variables are: panel temperature, direct radiation, the output power and the kind of panels (monocrystalline and polycrystalline). Also sensitivity analysis has been performed for different input and output parameters as well as for the number of different layers of neurons and functions. The results show that the model with the input of temperature and radiation and the output of the power of monocrystalline and polycrystalline panel is the most accurate model with lowest error.
|
|
Keywords
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|