شبیه سازی خنک کردن یک پنل خورشیدی و بهینه نمودن شرایط عملکردی پنل

انرژی های تجدیدپذیر یک جایگزین اصلی برای سوخت های فسیلی در سال های آینده خواهند بود. انرژی خورشیدی کیی از مهمترین منابع انرژی تجدیدپذیر است. کاربردهای عمده انرژی خورشیدی به دو دسته طبقه بندی می شوند: سیستم های گرمایش خورشیدی و سیستم های فتوولتائیک. سیستم های گرمایش خورشیدی انرژی تابشی خورشید را به انرژی گرمایی تبدیل میک نند. پنل های فتوولتائیک که متشکل از سلول های خورشیدی می باشند، اصلی ترین بخش سیستم های فتوولتائیک می باشند که انرژی تابشی خورشید را به انرژی الکتر کیی تبدیل میک نند. هدف اصلی آزمایشات انجام شده خنک کردن پنل فتوولتائیک می باشد. در یک تحقیق آزمایشگاهی سیستم فتوولتائیک حرارتی ساخته شده که برای اولین بار از ترموسیفون که کیی از انواع لوله های گرمایی می باشند، جهت خنک کردن پنل فتوولتائیک استفاده شده و از متانول و نانو سیال متانول به عنوان سیال عامل در ترموسیفون ها استفاده شده است. در مطالعه حاضر، با استفاده از یک مدل جایگزین مبتنی بر شبکه های عصبی مصنوعی، داده های آزمایشگاهی یک لوله گرمایی ترموسیفون برای خنک سازی یک پنل فتوولتائیک شبیه سازی شد. در آزمایش های انجام شده، اثرات متغیرهایی همچون زاویه پنل، تابش خورشید، دمای هوای محیط، غلظت نانوسیال و نسبت پرشدگی برای به دست آوردن بیشترین بازدهی سیستم فتوولتائیک بررسی شده است. جهت مدل سازی این فرآیند ۵ پارامتر ورودی که شامل شدت تابش خورشید، دمای هوا، زاویه پنل خورشیدی، درصد پرشدگی و غلظت نانوسیال همراه با توان خروجی صفحه فتوولتائیک به عنوان تنها پارامتر خروجی در قالب ۴۰ نقطه نمونه گیری، در شبکه عصبی فراخوانی می شود. در میان نقاط نمونه گیری، ۳۲ نقطه جهت مجموعه آموزشی شبکه و ۸ نقطه نیز جهت مجموعه آزمایشی شبکه مورد استفاده قرار می گیرند. شبکه باید به گونه ای ساخته و آموزش داده شود که عاوه بر پیشبینی دقیق خروجی اعضای مجموعه آموزشی، به خوبی و با خطای قابل قبولی بتواند خروجی اعضای مجموعه آزمایشی را نیز پیش بینی کند؛ در واقع از مجموعه آزمایشی برای مقایسه مدل های مختلف استفاده می شود. هر مدلی که در پیش بینی خروجی مجموعه آزمایشی خطای کمتری داشته باشد عمومیت بیشتری دارد و مطلوبتر است.

Keywords:

پنل خورشیدی , شبکه عصبی مصنوعی , الگوریتم ژنتیک , الگوریتم رقابت استعماری