پيش بيني ذخيره حرارت در سامانه گرمايشي خورشيدي و انرژي مصرفي گلخانه با شبكه عصبي مصنوعي

Energy Consumption and Heat Storage in a Solar Greenhouse: Artificial Neural Network Method

در تحقيق حاضر، عملكرد يك سامانه گرمايشي خورشيدي گلخانه، مجهز به متمركزكننده سهموي خطي و جمع­كننده تخت خورشيدي دومنظوره، با استفاده از شبكه عصبي مصنوعي پيش­بيني شده است. در گلخانه مورد آزمايش، گرماي مورد نياز در شب، به وسيله حرارت ذخيره شده به­وسيله سامانه خورشيدي در طول روز و يك گرم­كن كمكي تأمين مي­گرديد. حركت سيال درون مجموعه متمركزكننده به­وسيله پمپ و در جمع­كننده تخت، به­صورت ترموسيفون بود. از شبكه عصبي پرسپترون چند لايه با روش يادگيري پس‌انتشار خطا به منظور پيش‌بيني مصرف انرژي ذخيره شده در روز به وسيله سامانه گرمايش خورشيدي، مصرف انرژي گرم­كن كمكي و دماي مخزن ذخيره حرارت استفاده شد. ورودي‌هاي شبكه شامل شدت تابش خورشيد، دماي محيط، سرعت باد، دماي سطح، دماي گلخانه، دبي سيال حامل و زمان بودند. حدود 80 درصد از مجموع داده­ها به منظور آموزش، 10 درصد آزمايش و 10 درصد اعتبارسنجي مورد استفاده قرار گرفتند. براي ارزيابي عملكرد شبكه از پارامترهاي ضريب تبيين (R²) و ميانگين مربعات خطا (MSE) استفاده شد. ساختار شبكه 1-15-7 با R² و MSE به ترتيب برابر با 0/98 و 00017/0 بهترين نتيجه را براي پيش‌بيني مصرف انرژي از حرارت ذخيره شده توسط سامانه خورشيدي نشان داد. ساختار 1-10-10-7 با R² و MSE به ترتيب برابر با 0/99 و 00014/0 و ساختار 1-15-5-7 با R² و MSE به ترتيب برابر با 0/98 و 00011/0 بهترين نتيجه را به ترتيب براي پيش‌بيني مصرف انرژي گرم­كن كمكي و دماي مخزن ذخيره حرارت ارائه كردند.

In this study, the performance of a solar greenhouse heating system equipped with a linear parabolic concentrator and a dual-purpose flat plate solar collector was investigated using the Artificial Neural Network (ANN) method. The heat required for the greenhouse at night hours was supplied by the heat stored in the storage tank by the solar system during the sunshine time and an auxiliary heater. A water pump was used to make a forced-flow through the concentrator assembly. While, a natural water flow occurred in the flat plate collector. ANN method was used to predict the tank temperature and energy consumption from the heat storage tank and by the auxiliary heater. Network inputs were solar radiation intensity, ambient temperature, wind speed, collector surface temperature, greenhouse temperature, flow rate and time. About 80% of total data were used for training, 10% for testing and 10% for validation. The results indicated that the network topology of 7-15-1 with R² and MSE of respectively 0.98 and 0.00017 presented the best results for prediction of energy consumption from the tank. While the most suitable description for variations of energy consumption by the auxiliary heater and from storage tank was given by the network topologies of 7-10-10-1 (with R² of 0.99 and MSE of 0.00014) and 7-5-15-1 (with R² 0.98 of MSE of 0.00011), respectively.