Нейросетевое моделирование производительности солнечного теплофотоэлектрического модуля
Ключевые слова:
солнечные модуль и коллектор, фотоэлектрический и теплофотоэлектрический модули, тепловой и электрический КПД, искусственная нейронная сеть прямого распространения, алгоритм обучения
Аннотация
Конструкция теплофотоэлектрических модулей (ТФМ) характеризуется неравномерным распределением температуры теплоносителя в канале, и солнечные элементы (СЭ), соседствующие в тепловом контакте с каналом ТФМ, находятся в различных температурных условиях. Неравномерное распределение температуры СЭ дает сложные и нелинейные нежелательные эффекты, такие как снижение генерируемой мощности, повреждение СЭ вследствие возникновения горячих пятен. Цель работы — разработка математической модели для моделирования тепловой и электрической производительностей ТФМ на основе искусственной нейронной сети прямого распространения (ИНС ПР).
Разработана двухслойная ИНС ПР с сигмоидными скрытыми и линейными выходными нейронами. Входной слой составляют: температура окружающей среды, расход теплоносителя и переменные окружающей среды (суммарная инсоляция). Выходной слой представляют тепловой и электрический КПД ТФМ. Обучение и адаптация разработанной ИНС ПР проходили на основе моделирования и экспериментальной базы данных о входных и выходных параметрах ТФМ. Разработанная ИНС ПР обучена с помощью алгоритма Левенберга–Марквардта. Достигнутое при обучении значение средней абсолютной ошибки находится в пределах от –0,319 до 0,448 — для электрического и от –0,129 до 0,198 — для теплового КПД. Значение среднеквадратической ошибки составляет 0,0678 — для электрического и 0,0247 — для теплового КПД. Время обучения — от 15 с.
Создана эффективная модель, реализующая новый подход к моделированию производительности ТФМ на основе алгоритмов искусственных нейронных сетей со значительным приближением значений тепловой и электрической эффективностей.
Литература
1. Турсунов М.Н., Дыскин В.Г., Турдиев Б.М., Юлдашев И.А. Влияние конвективного теплообмена на температуру солнечной фотоэлектрической батареи // Гелиотехника. 2014. № 4. С. 13—16.
2. Майоров В.А. Исследования тепловых характеристик теплофотоэлектрического солнечного модуля с концентратором и приемником треугольного профиля // Гелиотехника. 2018. № 6. С. 45—55.
3. Guo J., Zheng L. Numerically Study on a New Hybrid Photovoltaic Thermal (PVT) Collectors with Natural Circulation // Appl. Solar Energy. 2017. V. 53. Pp. 316—321.
4. Kazanci O.B., Skrupskelis M., Sevela P., Pavlov G.K. Olesen B.W. Sustainable Heating, Cooling and Ventilation of a Plus-energy House Via Photovoltaic/Thermal Panels // Energy Buildings. 2014. V. 83. Pp. 122—129.
5. Haloui H., Touafek K., Zaabat M., Cheikh El Hocine H.B., Khelifa A. Modelling of a Hybrid Photovoltaic Thermal Collector Based on CdTe // Appl. Solar Energy. 2016. V. 52(1). Pp. 27—31.
6. Makki A. Advancements in Hybrid Photovoltaic Systems for Enhanced Solar Cells Performance // Renew. Sust. Energy Rev. 2015. V. 41. Pp. 658—684.
7. Durrani S.P., Balluff S., Wurzer L., Krauter S. Photovoltaic Yield Prediction Using an Irradiance Forecast Model Based on Multiple Neural Networks // J. Modern Power Systems and Clean Energy. 2018. V. 6(2). Pp. 255—267.
8. Adhitya R.Y., Sarena S.T., Atmoko R.A., Hartono D. Smart PV Solar Tracking System Menggunakan Metode BP-NN (Back Propagation Neural Network) // Seminar MASTER PPNS. 2016. V. 1. Pp. 1—5.
9. Yu K.N., Yau H.T., Li J.Y. Chaotic Extension Neural Network-based Fault Diagnosis Method for Solar Photovoltaic Systems // Math. Problems in Eng. 2014. V. 2014. Pp. 1—9.
10. Abuşka M., Akgül M.B., Altıntaş V. Artificial Neural Network Modeling of the Thermal Performance of a Novel Solar Air Absorber Plate // Proc. III Rostocker Symp. Thermophys. Properties Techn. Thermodynamics. 2014. Pp. 572—581.
11. Панченко В.А. Солнечные кровельные панели для электро- и теплогенерации // Гелиотехника. 2018. № 4. C. 54—59.
12. Тихонов П.В. Обоснование параметров фотоэлектрического теплового модуля: дис. … канд. техн. наук. М.: ФБГНУ ВИЭСХ, 2014.
13. Пат. № 2546332 РФ. Гибридный фотоэлектрический модуль / Д.С. Стребков, А.Е. Иродионов, И.С. Персиц, Н.С. Филиппченкова // Бюл. изобрет. 2015. № 10.
14. Хайкин С. Преимущества и ограничения обучения методом обратного распространения. М.: Вильямс, 2006.
15. Пархоменко С.С., Леденева Т.М. Обучение нейронных сетей методом Левенберга–Марквардта в условиях большого количества данных // Вестник Воронежского гос. ун-та. Серия «Системный анализ и информационные технологии». 2014. № 2. С. 98—106.
16. Филиппченкова Н.С., Харченко А.В. Разработка автоматической системы регистрации основных параметров солнечной концентраторной установки // Фундаментальные и прикладные вопросы физики: Труды Междунар. конф. Ташкент: Изд-во АН Республики Узбекистан НПО «Физика-Солнце», 2017. C. 192—195.
---
Для цитирования: Филиппченкова Н.С. Нейросетевое моделирование производительности солнечного теплофотоэлектрического модуля // Вестник МЭИ. 2022. № 2. С. 56—62. DOI: 10.24160/1993-6982-2022-2-56-62.
#
1. Tursunov M.N., Dyskin V.G., Turdiev B.M., Yuldashev I.A. Vliyanie Konvektivnogo Teploobmena na Temperaturu Solnechnoy Fotoelektricheskoy Batarei. Geliotekhnika. 2014;4:13—16. (in Russian).
2. Mayorov V.A. Issledovaniya Teplovykh Kharakteristik Teplofotoelektricheskogo Solnechnogo Modulya s Kontsentratorom i Priemnikom Treugol'nogo Profilya. Geliotekhnika. 2018;6:45—55. (in Russian).
3. Guo J., Zheng L. Numerically Study on a New Hybrid Photovoltaic Thermal (PVT) Collectors with Natural Circulation. Appl. Solar Energy. 2017;53:316—321.
4. Kazanci O.B., Skrupskelis M., Sevela P., Pavlov G.K. Olesen B.W. Sustainable Heating, Cooling and Ventilation of a Plus-energy House Via Photovoltaic/Thermal Panels. Energy Buildings. 2014;83:122—129.
5. Haloui H., Touafek K., Zaabat M., Cheikh El Hocine H.B., Khelifa A. Modelling of a Hybrid Photovoltaic Thermal Collector Based on CdTe. Appl. Solar Energy. 2016;52(1):27—31.
6. Makki A. Advancements in Hybrid Photovoltaic Systems for Enhanced Solar Cells Performance. Renew. Sust. Energy Rev. 2015;41:658—684.
7. Durrani S.P., Balluff S., Wurzer L., Krauter S. Photovoltaic Yield Prediction Using an Irradiance Forecast Model Based on Multiple Neural Networks. J. Modern Power Systems and Clean Energy. 2018;6(2):255—267.
8. Adhitya R.Y., Sarena S.T., Atmoko R.A., Hartono D. Smart PV Solar Tracking System Menggunakan Metode BP-NN (Back Propagation Neural Network). Seminar MASTER PPNS. 2016;1:1—5.
9. Yu K.N., Yau H.T., Li J.Y. Chaotic Extension Neural Network-based Fault Diagnosis Method for Solar Photovoltaic Systems. Math. Problems in Eng. 2014;2014:1—9.
10. Abuşka M., Akgül M.B., Altıntaş V. Artificial Neural Network Modeling of the Thermal Performance of a Novel Solar Air Absorber Plate. Proc. III Rostocker Symp. Thermophys. Properties Techn. Thermodynamics. 2014:572—581.
11. Panchenko V.A. Solnechnye Krovel'nye Paneli dlya Elektro- i Teplogeneratsii. Geliotekhnika. 2018;4:54—59. (in Russian).
12. Tikhonov P.V. Obosnovanie Parametrov Fotoelektricheskogo Teplovogo Modulya: Dis. … Kand. Tekhn. Nauk. M.: FBGNU VIESKH, 2014. (in Russian).
13. Pat № 2546332 RF. Gibridnyy Fotoelektricheskiy Modul'. D.S. Strebkov, A.E. Irodionov, I.S. Persits, N.S. Filippchenkova. Byul. izobret. 2015;10. (in Russian).
14. Khaykin S. Preimushchestva i Ogranicheniya Obucheniya Metodom Obratnogo Rasprostraneniya. M.: Vil'yams, 2006. (in Russian).
15. Parkhomenko S.S., Ledeneva T.M. Obuchenie Neyronnykh Setey Metodom Levenberga–Markvardta v Usloviyakh Bol'shogo Kolichestva Dannykh. Vestnik Voronezhskogo Gos. Un-Ta. Seriya «Sistemnyy Analiz i Informatsionnye Tekhnologii». 2014;2:98—106. (in Russian).
16. Filippchenkova N.S., Kharchenko A.V. Razrabotka Avtomaticheskoy Sistemy Registratsii Osnovnykh Parametrov Solnechnoy Kontsentratornoy Ustanovki. Fundamental'nye i Prikladnye Voprosy Fiziki: Trudy Mezhdunar. Konf. Tashkent: Izd-vo AN Respubliki Uzbekistan NPO «Fizika-Solntse», 2017:192—195. (in Russian).
---
For citation: Filippchenkova N.S. Neural Network Modeling of the Solar Photovoltaic Thermal Module Performance. Bulletin of MPEI. 2022;2:56—62. (in Russian). DOI: 10.24160/1993-6982-2022-2-56-62.
2. Майоров В.А. Исследования тепловых характеристик теплофотоэлектрического солнечного модуля с концентратором и приемником треугольного профиля // Гелиотехника. 2018. № 6. С. 45—55.
3. Guo J., Zheng L. Numerically Study on a New Hybrid Photovoltaic Thermal (PVT) Collectors with Natural Circulation // Appl. Solar Energy. 2017. V. 53. Pp. 316—321.
4. Kazanci O.B., Skrupskelis M., Sevela P., Pavlov G.K. Olesen B.W. Sustainable Heating, Cooling and Ventilation of a Plus-energy House Via Photovoltaic/Thermal Panels // Energy Buildings. 2014. V. 83. Pp. 122—129.
5. Haloui H., Touafek K., Zaabat M., Cheikh El Hocine H.B., Khelifa A. Modelling of a Hybrid Photovoltaic Thermal Collector Based on CdTe // Appl. Solar Energy. 2016. V. 52(1). Pp. 27—31.
6. Makki A. Advancements in Hybrid Photovoltaic Systems for Enhanced Solar Cells Performance // Renew. Sust. Energy Rev. 2015. V. 41. Pp. 658—684.
7. Durrani S.P., Balluff S., Wurzer L., Krauter S. Photovoltaic Yield Prediction Using an Irradiance Forecast Model Based on Multiple Neural Networks // J. Modern Power Systems and Clean Energy. 2018. V. 6(2). Pp. 255—267.
8. Adhitya R.Y., Sarena S.T., Atmoko R.A., Hartono D. Smart PV Solar Tracking System Menggunakan Metode BP-NN (Back Propagation Neural Network) // Seminar MASTER PPNS. 2016. V. 1. Pp. 1—5.
9. Yu K.N., Yau H.T., Li J.Y. Chaotic Extension Neural Network-based Fault Diagnosis Method for Solar Photovoltaic Systems // Math. Problems in Eng. 2014. V. 2014. Pp. 1—9.
10. Abuşka M., Akgül M.B., Altıntaş V. Artificial Neural Network Modeling of the Thermal Performance of a Novel Solar Air Absorber Plate // Proc. III Rostocker Symp. Thermophys. Properties Techn. Thermodynamics. 2014. Pp. 572—581.
11. Панченко В.А. Солнечные кровельные панели для электро- и теплогенерации // Гелиотехника. 2018. № 4. C. 54—59.
12. Тихонов П.В. Обоснование параметров фотоэлектрического теплового модуля: дис. … канд. техн. наук. М.: ФБГНУ ВИЭСХ, 2014.
13. Пат. № 2546332 РФ. Гибридный фотоэлектрический модуль / Д.С. Стребков, А.Е. Иродионов, И.С. Персиц, Н.С. Филиппченкова // Бюл. изобрет. 2015. № 10.
14. Хайкин С. Преимущества и ограничения обучения методом обратного распространения. М.: Вильямс, 2006.
15. Пархоменко С.С., Леденева Т.М. Обучение нейронных сетей методом Левенберга–Марквардта в условиях большого количества данных // Вестник Воронежского гос. ун-та. Серия «Системный анализ и информационные технологии». 2014. № 2. С. 98—106.
16. Филиппченкова Н.С., Харченко А.В. Разработка автоматической системы регистрации основных параметров солнечной концентраторной установки // Фундаментальные и прикладные вопросы физики: Труды Междунар. конф. Ташкент: Изд-во АН Республики Узбекистан НПО «Физика-Солнце», 2017. C. 192—195.
---
Для цитирования: Филиппченкова Н.С. Нейросетевое моделирование производительности солнечного теплофотоэлектрического модуля // Вестник МЭИ. 2022. № 2. С. 56—62. DOI: 10.24160/1993-6982-2022-2-56-62.
#
1. Tursunov M.N., Dyskin V.G., Turdiev B.M., Yuldashev I.A. Vliyanie Konvektivnogo Teploobmena na Temperaturu Solnechnoy Fotoelektricheskoy Batarei. Geliotekhnika. 2014;4:13—16. (in Russian).
2. Mayorov V.A. Issledovaniya Teplovykh Kharakteristik Teplofotoelektricheskogo Solnechnogo Modulya s Kontsentratorom i Priemnikom Treugol'nogo Profilya. Geliotekhnika. 2018;6:45—55. (in Russian).
3. Guo J., Zheng L. Numerically Study on a New Hybrid Photovoltaic Thermal (PVT) Collectors with Natural Circulation. Appl. Solar Energy. 2017;53:316—321.
4. Kazanci O.B., Skrupskelis M., Sevela P., Pavlov G.K. Olesen B.W. Sustainable Heating, Cooling and Ventilation of a Plus-energy House Via Photovoltaic/Thermal Panels. Energy Buildings. 2014;83:122—129.
5. Haloui H., Touafek K., Zaabat M., Cheikh El Hocine H.B., Khelifa A. Modelling of a Hybrid Photovoltaic Thermal Collector Based on CdTe. Appl. Solar Energy. 2016;52(1):27—31.
6. Makki A. Advancements in Hybrid Photovoltaic Systems for Enhanced Solar Cells Performance. Renew. Sust. Energy Rev. 2015;41:658—684.
7. Durrani S.P., Balluff S., Wurzer L., Krauter S. Photovoltaic Yield Prediction Using an Irradiance Forecast Model Based on Multiple Neural Networks. J. Modern Power Systems and Clean Energy. 2018;6(2):255—267.
8. Adhitya R.Y., Sarena S.T., Atmoko R.A., Hartono D. Smart PV Solar Tracking System Menggunakan Metode BP-NN (Back Propagation Neural Network). Seminar MASTER PPNS. 2016;1:1—5.
9. Yu K.N., Yau H.T., Li J.Y. Chaotic Extension Neural Network-based Fault Diagnosis Method for Solar Photovoltaic Systems. Math. Problems in Eng. 2014;2014:1—9.
10. Abuşka M., Akgül M.B., Altıntaş V. Artificial Neural Network Modeling of the Thermal Performance of a Novel Solar Air Absorber Plate. Proc. III Rostocker Symp. Thermophys. Properties Techn. Thermodynamics. 2014:572—581.
11. Panchenko V.A. Solnechnye Krovel'nye Paneli dlya Elektro- i Teplogeneratsii. Geliotekhnika. 2018;4:54—59. (in Russian).
12. Tikhonov P.V. Obosnovanie Parametrov Fotoelektricheskogo Teplovogo Modulya: Dis. … Kand. Tekhn. Nauk. M.: FBGNU VIESKH, 2014. (in Russian).
13. Pat № 2546332 RF. Gibridnyy Fotoelektricheskiy Modul'. D.S. Strebkov, A.E. Irodionov, I.S. Persits, N.S. Filippchenkova. Byul. izobret. 2015;10. (in Russian).
14. Khaykin S. Preimushchestva i Ogranicheniya Obucheniya Metodom Obratnogo Rasprostraneniya. M.: Vil'yams, 2006. (in Russian).
15. Parkhomenko S.S., Ledeneva T.M. Obuchenie Neyronnykh Setey Metodom Levenberga–Markvardta v Usloviyakh Bol'shogo Kolichestva Dannykh. Vestnik Voronezhskogo Gos. Un-Ta. Seriya «Sistemnyy Analiz i Informatsionnye Tekhnologii». 2014;2:98—106. (in Russian).
16. Filippchenkova N.S., Kharchenko A.V. Razrabotka Avtomaticheskoy Sistemy Registratsii Osnovnykh Parametrov Solnechnoy Kontsentratornoy Ustanovki. Fundamental'nye i Prikladnye Voprosy Fiziki: Trudy Mezhdunar. Konf. Tashkent: Izd-vo AN Respubliki Uzbekistan NPO «Fizika-Solntse», 2017:192—195. (in Russian).
---
For citation: Filippchenkova N.S. Neural Network Modeling of the Solar Photovoltaic Thermal Module Performance. Bulletin of MPEI. 2022;2:56—62. (in Russian). DOI: 10.24160/1993-6982-2022-2-56-62.
Опубликован
2021-08-09
Выпуск
Раздел
Энергоустановки на основе возобновляемых видов энергии (05.14.08)
