تخمين توان توليدي پنل هاي مونوكريستال و پلي كريستال توسط شبكه عصبي

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

تجزيه و تحليل توان توليدي يك سيستم فتوولتائيك به عواملي نظير ميزان حرارت و تابش مستقيم خورشيد بستگي دارد. منبع بي پايان و رايگان انرژي خورشيدي دريافت شده در سطح زمين، دستخوش تغييراتي چون مكان جغرافيايي، ساعات مختلف شبانه روز و فصول مختلف سال مي باشد، از اين رو ارزيابي صحيح آن يك عامل استراتژيك براي ارزيابي امكان­سنجي يك سيستم فتوولتائيك مي باشد. در اين مقاله با استفاده از داده هاي ميزان تابش و دماي بدست آمده از مانيتورينگ پنل ­هاي خورشيدي منوكريستال و پلي­ كريستال نصب شده در سايت خورشيدي دانشگاه ولي عصر(عج) رفسنجان، يك روش جديد مدل سازي توان توليدي سيستم هاي فتوولتائيك ارائه گرديده است. مدل به دست آمده با استفاده از داده هاي در بازه زماني يك ساله سايت خورشيدي ذكر شده توسط شبكه عصبي چند لايه پروسپترون آموزش و تست شده اند، حاصل گرديده است. ورودي هاي اين مدل شامل دماي پنل و تابش مستقيم نور خورشيد و خروجي آن ميزان توان توليد شده توسط پنل هاي منو كريستال و پلي كريستال اين سايت خورشيدي مي باشد. باتوجه به نتايج حاصل شده، بهترين پاسخ براي مدل با تابع تحريك در لايه هاي مخفي logsig,tansig, tansig و تعداد نرون ]10 10 10[ داراي تكرار 32 با ميانگين مربعات خطا 20780/51 و نيز ضريب همبستگي با داده هاي تست مقدار 0/9142، اعتبارسنجي مقدار 0/9151 و آموزش مقدار 0/91644 انتخاب گرديد.

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 Vali-e 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.