آنالیز حساسیت ۹ مدل جهت تخمین توان پنل های فتوولتایی مونوکریستال و پلی کریستال

سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 216

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_TUMECHJ-51-4_021

تاریخ نمایه سازی: 23 مرداد 1400

چکیده مقاله:

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 نیروگاه۵/۲ کیلووات سایت خورشیدی دانشگاه ولی­عصر(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 لایه­های مختلف نرون­ها و توابع مختلف نیز بررسی گردید. نتایج حاصله گویای مدل­سازی 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 پلی­کریستال، از همه مدلها بهتر می باشد.

نویسندگان

محمد شفیعی دهج

استادیار، گروه مهندسی مکانیک، دانشگاه ولی عصر(عج)، رفسنجان، ایران

مصطفی زمانی محی آبادی

مربی، گروه مهندسی شیمی، دانشگاه ولی عصر(عج)، رفسنجان، ایران

سیدمحمد صادق حسینی

استادیار، گروه مهندسی شیمی، دانشگاه ولی عصر(عج)، رفسنجان، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Mirzaei M., and Zamani Mohiabadi, M., A comparative analysis of ...
  • Shi J., Lee W. J., Liu Y., Yang Y., & ...
  • Kostylev V., & Pavlovski A. Solar power forecasting performance – ...
  • Thomson M., and Infield D. G., Impact of widespread photovoltaics ...
  • Tan Y. T., and Kirschen D. S., Impact on the ...
  • Aguiar L. M., Pereira B., Lauret P., Díaz F., and ...
  • d'Alessandro V., Di Napoli F., Guerriero P., & Daliento S, ...
  • Junior J. G. D. S. F., Oozeki T., Ohtake H., ...
  • Wang F., Mi Z., Su S., & Zhao H. Short-term ...
  • Gutierrez-Corea F. V., Manso-Callejo M. A., Moreno-Regidor M. P., and ...
  • Sivaneasan B., Yu C. Y., & Goh K. P. Solar ...
  • Liu L., Liu D., Sun Q., Li H., & Wennersten ...
  • Hadi R. S., and Abdulateef O. F. Modeling and Prediction ...
  • Nespoli A., Ogliari E., Leva S., Massi Pavan A., Mellit ...
  • Firouznia R., Amjadi N., Short-term load forecast using load time ...
  • Mellit A., Saglam S., Kalogirou S. A., Artificial neural network-based ...
  • Almonacid F., Rus C., Hontoria L., Fuentes M., and Nofuentes ...
  • Monteiro R. V., Guimarães G. C., Moura F. A., Albertini ...
  • Zamani Mohiabadi M., The instantaneous prediction of the global solar ...
  • Menhaj M. B., Fundamentals of Neural Networks, Amirkabir University, pp.۳۷-۴۰, ...
  • Zamani Mohiabadi M., and Mirzaei M., Comparison of two intelligent ...
  • Jacovides C. P. Reply to comment on Statistical procedures for ...
  • نمایش کامل مراجع