Моделирование производительности солнечных концентраторных модулей на основе алгоритмов искусственных нейронных сетей

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.

1. Хайкин, С. Нейронные сети: полный курс / С. Хайкин. - 2-е изд., пер. с англ. - М.: Вильямс, 2006. - 1104 с.

2. 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.

3. 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.

4. 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.

5. 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.

6. 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.

7. 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.

8. 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.

9. 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.

10. Lippmann, R.P. / An introduction to computing with neural nets / R.P. Lippmann // IEEE ASSP Magazine. - 1987. - V.4(2). - P. 4-22.

11. 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.

12. Сараев, П.В. Идентификация нейросетевых моделей / П.В. Сараев. -Л.: Изд-во ЛГТУ, 2011. - 94 с.

13. Хайкин, С. Преимущества и ограничения обучения методом обратного распространения / С. Хай-кин. - 2-е изд., пер. с англ. - М.: Вильямс, 2006. -314 с.

14. 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.

15. 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.

16. 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.

17. 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.

18. 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.

19. 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.

20. 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.