آناليز حساسيت 9 مدل جهت تخمين توان پنل‌هاي فتوولتايي مونوكريستال و پلي‌كريستال

Sensitivity analysis of 9 models for estimating the power of photovoltaic monocrystal and polycrystalline panels

از آنجا كه ميزان انرژي توليد شده توسط سيستم هاي فتوولتايي به صورت نمايي در حال رشد است، نياز به پيش بيني توان توليد آنها بسيار مهم تر از گذشته است. در اين مقاله با استفاده از شبكه عصبي، مدل سازي سيستم هاي فتوولتايي پنل هاي مونو و پلي كريستال نيروگاه5/2 كيلووات سايت خورشيدي دانشگاه ولي­عصر(عج) رفسنجان انجام شده است. هدف از اين تحقيق به دست آوردن مدلي بهينه مي باشد. مدل هاي به دست آمده با استفاده از شبكه هاي عصبي توسط داده هاي جمع آوري شده يك ساله سايت مورد نظر، باهم مقايسه گرديدند. در اين مدل ها ورودي ها، دماي پنل و تابش مستقيم خورشيد و خروجي ها توان توليدي پنل هاي مونوكريستال و پلي كريستال مي باشند. آناليز حساسيت براي انواع ورودي و خروجي و نيز براي تعداد لايه­هاي مختلف نرون­ها و توابع مختلف نيز بررسي گرديد. نتايج حاصله گوياي مدل­سازي دقيق پنل ها توسط شبكه عصبي مورد استفاده مي باشد. نتايج نشان مي دهد كه مدل با ورودي دما و تابش و توان خروجي پنل مونوكريستال و پلي­كريستال، از همه مدلها بهتر مي باشد.

As the energy generation with photovoltaic systems is exponentially growing, the need for prediction of generation power is much more important than ever. In this paper, based on the experimental data of the solar site along one-year, the photovoltaic systems of monocrystalline and polycrystalline panels for 2.5 kW solar power plant at Vali-e-Asr University of Rafsanjan, has been modelled with artificial neural network. To obtain the optimal model for the desired panels, different variables have been considered as the input and output of the model, while all variables are: panel temperature, direct radiation, the output power and the kind of panels (monocrystalline and polycrystalline). Also sensitivity analysis has been performed for different input and output parameters as well as for the number of different layers of neurons and functions. The results show that the model with the input of temperature and radiation and the output of the power of monocrystalline and polycrystalline panel is the most accurate model with lowest error.