مدل سازی شبکه عصبی مصنوعی خروجی انرژی پانل‌های فتوولتائیک خورشیدی

عنوان فارسی مقاله:مدل سازی شبکه عصبی مصنوعی خروجی انرژی پانل‌های فتوولتائیک خورشیدی

چکیده

خروجی انرژی پنل خورشیدی یک پارامتر ضروری برای طراحی و بهره برداری از سیستم‌های انرژی تجدیدپذیر است. پیش از این، اطلاعات کمی در مورد رابطه دقیق بین خروجی انرژی صفحات خورشیدی با شرایط مختلف هواشناسی، رادیومتری و آب و هوا در منطقه جنوب کالیفرنیا وجود داشت. بدون مدل‌سازی یا سیستم‌های پیش‌بینی دقیق، انرژی خورشیدی به طور بالقوه می‌تواند به دلیل نوسانات انرژی شبکه تلف شود. بنابراین، در نظر گرفته شده است که از یک شبکه عصبی مصنوعی (ANN) برای توسعه مدل پیش‌بینی خروجی انرژی پنل خورشیدی با درجه بالایی از دقت استفاده شود. یک مدل ANN پیش‌خور خود توسعه‌یافته با استفاده از تابع فعال‌سازی واحد خطی اصلاح‌شده (ReLu) در مطالعه حاضر استفاده شد. داده‌های هواشناسی، آب و هوا، و تابش خورشید جمع آوری شده در طول سال گذشته از یک مکان مسکونی برای آموزش مدل‌ها استفاده شده است. عملکرد مدل بر اساس حداقل میانگین مطلق خطا (MAE) و ریشه میانگین مربع خطا (RMSE) و حداکثر ضریب همبستگی خطی (R2) شناسایی شد. علاوه بر این، مدل ANN خود توسعه یافته حاضر با سایر نتایج تجربی انرژی خورشیدی و تجزیه و تحلیل نظری سازگار بود. مدل ANN توسعه‌یافته با استفاده از زبان برنامه‌نویسی پایتون به R2 بالای بیش از ۸۵ درصد دست یافت که دقت و تناسب مدل را برای پیش‌بینی خروجی انرژی خورشیدی روزانه در منطقه محلی جنوبی کالیفرنیا مشخص می‌کند. این رویکرد مدل‌سازی ANN را می‌توان به بسیاری از کاربردهای دیگر مانند SCORE، تجاری و طراحی ساختمان‌های مسکونی گسترش داد.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Artificial neural network modeling of solar photovoltaic panel energy output\

Abstract

Solar panel energy output is an essential parameter for the design and operation of renewable energy systems. Previously, little was known about the precise relationship between the energy outputs of solar panels with various meteorological, radiometric, and weather conditions in the southern California region. Without precise modeling or prediction systems, solar energy can potentially be wasted due to grid energy fluctuation. Thus, it is intended to use an artificial neural network (ANN) to develop solar panel energy output prediction model with a high degree of accuracy. A self-developed feedforward ANN model utilizing the Rectified linear unit (ReLu) activation function was used in the present study. Meteorological, weather, and sun irradiation data collected throughout the last year from a residential location have been used to train the models. The model’s performance was identified based on the minimum mean absolute error (MAE) and root mean square error (RMSE) and maximum linear correlation coefficient (R2). Further, the present self-developed ANN model was consistent with other solar energy experimental results and theoretical analysis. The developed ANN model using the Python programming language achieved a high R2 of more than 85% which ascertains the accuracy and suitability of the model to predict the daily solar energy output in local southern California area. This ANN modeling approach can be extended to many other applications such as SCORE, commercial, and residential building design