alternativeАльтернативная энергетика и экология (ISJAEE)Alternative Energy and Ecology (ISJAEE)1608-8298Международный издательский дом научной периодики "Спейс10.15518/isjaee.2020.11.004alternative-1985Research ArticleI.ВОЗОБНОВЛЯЕМАЯ ЭНЕРГЕТИКА 1. Солнечная энергетикаI. RENEWABLE ENERGY 1. Solar EnergyМоделирование производительности солнечных концентраторных модулей на основе алгоритмов искусственных нейронных сетейModeling the performance of solar concentrator modules based on artificial neural network algorithmsФилиппченковаН. С.FilippchenkovaN. S.

Филиппченкова Наталья Сергеевна - кандидат технических наук, ведущий инженер, АО «ОЭК».

Раушская набережная, д.8, Москва, 115035 тел.:+7(495) 657-91-01

Filippchenkova Natalia Sergeevna - PhD., Leading Engineer, JSC UE

Raushskaya embankment, 8, Moscow, 115035 tel..:+7(495) 657-91-01

natalja.filippchenkowa@yandex.ruАкционерное общество Объединенная энергетическая компанияРоссияJoint stock company United Energy CompanyRussian Federation202025032021031-334248Copyright © Международный издательский дом научной периодики "Спейс, 20212021Международный издательский дом научной периодики "СпейсМеждународный издательский дом научной периодики "Спейсhttps://www.isjaee.com/jour/about/submissions#copyrightNoticehttps://www.isjaee.com/jour/article/view/1985

Поскольку производительность солнечных энергетических установок носит довольно изменчивый характер, зависимость выработки от погодных условий существенно повышает необходимость точного прогнозирования. В настоящее время особую актуальность приобретает формирование нового подхода к разработке моделей производительности солнечных энергетических установок на основе алгоритмов искусственных нейронных сетей. Достоинства искусственных нейронных сетей при прогнозировании, такие как возможность обучения и учета множества параметров, не состоящих в функциональной связи, позволяют успешно использовать их при разработке моделей производительности солнечных энергетических установок. Проведен анализ существующих разработок и определены перспективные направления применения алгоритмов искусственного интеллекта в солнечной энергетике. Для моделирования производительности солнечного концентраторного модуля разработана двухслойная искусственная нейронная сеть с сигмоидными скрытыми нейронами и линейными выходными нейронами. Разработанная модель производительности солнечного концентраторного модуля на основе искусственной нейронной сети позволяет со значительным приближением определить тепловую эффективность солнечного модуля в зависимости от различных внешних условий и рабочих параметров.

Since the performance of solar power plants is quite variable, the dependence of production on weather conditions significantly increases the need for accurate forecasting. At present, the formation of a new approach to the development of predictive models of the performance of solar power plants based on artificial neural network algorithms is acquiring special relevance. The advantages of artificial neural networks in forecasting, such as the ability to learn and take into account a set of parameters that are not in a functional connection, make it possible to successfully use them in the development of models of the performance of solar power plants. The analysis of existing developments is carried out and promising areas of application of artificial intelligence algorithms in solar energy are determined. To simulate the performance of a solar concentrator module, a two-layer artificial neural network with sigmoid hidden neurons and linear output neurons has been developed. The developed performance model of a solar concentrator module based on an artificial neural network makes it possible, with a significant approximation, to determine the thermal efficiency of a solar module depending on various external conditions and operating parameters.

искусственный интеллектискусственная нейронная сетьгенетический алгоритмнечеткая логикасолнечная энергетическая установкаartificial intelligenceartificial neural networkgenetic algorithmfuzzy logicsolar power plantРабота выполнена при финансовой поддержке Федерального государственного бюджетного учреждения «Фонд содействия развитию малых форм предприятий в научно-технической сфере» (Фонд содействия инновациям) в соответствии с договором №15711ГУ/2020 (от 11 июля 2020 г.)ReferencesХайкин, С. Нейронные сети: полный курс / С. Хайкин. - 2-е изд., пер. с англ. - М.: Вильямс, 2006. - 1104 с.Khaikin, S. Neironnye seti: polnyi kurs / S. Khaikin. - 2-e izd., per. s angl. - M.: Vil'yams, 2006. -1104 s.Kalogirou, S.A. / Artificial neural networks for modelling the starting-up of a solar steam-generator / S.A. Kalogirou, C.C. Neocleous, C.N.Schizas // Applied Energy. - 1998. - V. 60. - P. 89-100.Kalogirou, S.A. / Artificial neural net-works for modelling the starting-up of a solar steam-generator / S.A. Kalogirou, C.C. Neocleous, C.N.Schizas // Applied Energy. - 1998. - V. 60. - P. 89-100.Almonacid, F. / Characterisation of Sicrystal line PV modules by artificial neural Net-works / F. Almonacid, C. Rus, L. Hontoria, M. Fuentes, G.Nofuentes // Renewable Energy. - 2009. - V. 34. -P. 941-949.Almonacid, F. / Characterisation of Sicrystal line PV modules by artificial neural Networks / F. Almonacid, C. Rus, L. Hontoria, M. Fuentes, G.Nofuentes // Renewable Energy. - 2009. - V. 34. -P. 941-949.Sozen, A. / Determination of efficiency of flatplate solar collectors using neural network approach / A. Sozen, T. Menlik, S. Unvar // Expert Systems with Applications. - 2008. - V. 35. - P. 15331539.Sozen, A. / Determination of efficiency of flat-plate solar collectors using neural network approach / A. Sozen, T. Menlik, S. Unvar // Expert Systems with Applications. - 2008. - V. 35. - P. 15331539.Esen, H. / Artificial neural network and wavelet neural network approaches for modelling of a solar air heater / H. Esen, F. Ozgen, M. Esen, A. Sengur // Expert Systems with Applications. - 2009. - V. 36. - P. 11240-11248.Esen, H. / Artificial neural network and wavelet neural network approaches for modelling of a solar air heater / H. Esen, F. Ozgen, M. Esen, A. Sengur // Expert Systems with Applications. - 2009. - V. 36. -P. 11240-11248.Larbes, C. / Genetic algorithms optimized fuzzy logic control for the maximum power point tracking in photovoltaic system / C. Larbes, S.M.Ait Cheikh, T. Obeidi, A. Zerguerras // Renewable Energy. - 2009. - V. 34. - P. 2093-2100.Larbes, C. / Genetic algorithms optimized fuzzy logic control for the maximum power point tracking in photovoltaic system / C. Larbes, S.M.Ait Cheikh, T. Obeidi, A. Zerguerras // Renewable Energy. - 2009. - V. 34. - P. 2093-2100.Zagrouba, M. / Identification of PV solar cells and modules parameters using the genetic algorithms: Application to maximum power extraction /M. Zagrouba, A. Sellami, M. Bouaicha, M. Ksouri // Solar Energy. - 2010. - V. 84. - №. 5 - P. 860-866.Zagrouba, M. / Identification of PV solar cells and modules parameters using the genetic algorithms: Application to maximum power extrac-tion /M. Zagrouba, A. Sellami, M. Bouaicha, M. Ksouri // Solar Energy. - 2010. - V. 84. - №. 5 - P. 860-866.Kalogirou, S.A. / Optimization of solar systems using artificial neural-networks and genetic algorithms / S.A. Kalogirou // Applied Energy. - 2004. - V. 77. - P. 383-405.Kalogirou, S.A. / Optimization of solar systems using artificial neural-networks and genetic algorithms / S.A. Kalogirou // Applied Energy. - 2004. - V. 77. - P. 383-405.Sanchez, E.N. / Electric load demand prediction using neural networks trained by Kalman Filtering / E.N. Sanchez, A.Y. Alanis, J. Rico // IEEE International Joint Conference on Neural Networks, Budapest, Hungary. -2004. - V.4. - P. 27712775. DOI: 10.n09/UCNN.2004.1381093.Sanchez, E.N. / Electric load demand prediction using neural networks trained by Kalman Filtering / E.N. Sanchez, A.Y. Alanis, J. Rico // IEEE International Joint Conference on Neural Networks, Budapest, Hungary. -2004. - V.4. - P. 2771-2775. DOI: 10.1109/IJCNN.2004.1381093.Lippmann, R.P. / An introduction to computing with neural nets / R.P. Lippmann // IEEE ASSP Magazine. - 1987. - V.4(2). - P. 4-22.Lippmann, R.P. / An introduction to computing with neural nets / R.P. Lippmann // IEEE ASSP Magazine. - 1987. - V.4(2). - P. 4-22.Rumelhart, D. / Learning internal representations by error propagation / D.Rumelhart, E. Geoffrey, R.J. Williams // Parallel distributed processing: explorations in the microstructure of cognition. -1986. -V.1. - P. 282-317.Rumelhart, D. / Learning internal representations by error propagation / D.Rumelhart, E. Geoffrey, R.J. Williams // Parallel distributed processing: explorations in the microstructure of cognition. -1986. -V.1. - P. 282-317.Сараев, П.В. Идентификация нейросетевых моделей / П.В. Сараев. -Л.: Изд-во ЛГТУ, 2011. - 94 с.Saraev, P.V. Identifikatsiya neirosetevykh modelei / P.V. Saraev. -L.: Izd-vo LGTU, 2011. - 94 s.Хайкин, С. Преимущества и ограничения обучения методом обратного распространения / С. Хай-кин. - 2-е изд., пер. с англ. - М.: Вильямс, 2006. -314 с.Khaikin, S. Preimushchestva i ogranicheniya obucheniya metodom obratnogo rasprostraneniya / S. Khaikin. - 2-e izd., per. s angl. - M.: Vil'yams, 2006. -314 s.Пархоменко, С.С. / Обучение нейронных сетей методом Левенберга-Марквардта в условиях большого количества данных / С.С. Пархоменко, Т.М. Леденева // Вестник Воронежского государственного университета.- 2014. - № 2. - С. 98-106.Parkhomenko, S.S. / Obuchenie neironnykh setei metodom Levenberga-Markvardta v usloviyakh bol'shogo kolichestva dannykh / S.S. Parkhomenko, T.M. Ledeneva // Vestnik Voronezhskogo gosudarstvennogo universiteta.- 2014. - № 2. - S. 98-106.Yousif, J.H. / A comparison study based on arti ficial neural network forassessing PV/T solar energy production / J.H. Yousif, H.A. Kazem, N.N.Alattar, I.I. Elhas sa // Case Studies in Thermal Engineering. - 2019. - V. 13. - P. 1-13. DOI: 10.1016/j.csite.2019.100407.Yousif, J.H. / A comparison study based on artificial neural network forassessing PV/T solar energy production / J.H. Yousif, H.A. Kazem, N.N.Alattar, I.I. Elhassa // Case Studies in Thermal Engineering. -2019. - V. 13. - P. 1-13. DOI: 10.1016/j.csite.2019.100407.O’Leary, D./ Feature Selection and ANN Solar Power Prediction / D. O’Leary, J. Kubby // Hindawi. -2017. - V.2017. - P. 1-7. DOI: 10.1155/2017/2437387.O’Leary, D./ Feature Selection and ANN Solar Power Prediction / D. O’Leary, J. Kubby // Hindawi. -2017. - V.2017. - P. 1-7. DOI: 10.1155/2017/2437387.Стребков, Д.С. / Неследящие солнечные концентраторы с жалюзийными гелиостатами: межламельные эффекты / Д.С. Стребков, А.Е. Иродионов, Н.С. Филиппченкова // Гелиотехник а. - 2015. - № 4. - C. 72-78.Strebkov, D.S. / Nesledyashchie solnechnye kontsentratory s zhalyuziinymi geliostatami: mezhlamel'nye ehffekty / D.S. Strebkov, A.E. Irodionov, N.S. Filippchenkova // Geliotekhnika. - 2015. - № 4. - C. 7278.Стребков Д.С. / Экспериментальное исследование солнечных концентраторных модулей с жалюзийными гелиостатами / Д.С.Стребков, А.Е. Иродионов, Н.С. Филиппченкова // Материалы Всероссийской научной конференции с международным участием и XI научной молодежной школы «Возобновляемые источники энергии». - 2018. - C. 188-195.Strebkov D.S. / Ehksperimental'noe issledovanie solnechnykh kontsentratornykh modulei s zhal-yuziinymi geliostatami / D.S.Strebkov, A.E. Irodionov, N.S. Filippchenkova // Materialy Vserossiiskoi nauchnoi konferentsii s mezhdunarodnym uchastiem i XI nauchnoi molodezhnoi shko-ly «Vozobnovlyaemye istochniki ehnergiI». - 2018. - S. 188-195.Strebkov, D.S. / Nontracking solar concentrators with louver heliostats: bar-to-bar effects / D. S. Strebkov, A.E. Irodionov, N.S. Filippchenkova // Applied Solar Energy. - 2015. - V. 51. - № 4. - P. 306-310.Strebkov, D.S. / Nontracking solar concentrators with louver heliostats: bar-to-bar effects / D.S. Strebkov, A.E. Irodionov, N.S. Filippchenkova // Applied Solar Energy. - 2015. - V. 51. - № 4. - P. 306310.Strebkov, D.S. / Nontracking Solar Concentrators with louvered heliostats: A Calculation Algorithm / D.S. Strebkov, A.E. Irodionov, N.S.Filippchenkova // Applied Solar Energy. -2017. -V. 53. - № 1. - P. 3944.Strebkov, D.S. / Nontracking Solar Concentrators with louvered heliostats: A Calculation Algorithm / D.S. Strebkov, A.E. Irodionov, N.S.Filippchenkova // Applied Solar Energy. -2017. -V. 53. - № 1. - P. 39-44.

The authors declare that there are no conflicts of interest present.