文摘

光伏板产生的电能的数量取决于空气温度,湿度,风速,光伏模块的温度,尤其是太阳能辐射。意识到面板的行为模式中使用项目和规划光伏应用程序将设定一个现实的工作费用的形式;因此,将避免错误的投资,国家预算将受益于附加值。评级从光伏板获得力量和环境因素是测量和记录一年的测量站建立在三个不同的地区(Adiyaman-Malatya-Sanliurfa)。在发达的人工神经网络模型,估算精度为99.94%。此外,通过通用董事会气象的数据作为参考,人工神经网络模型被使用的数据来自Adiyaman省开发培训;通过使用马拉蒂亚和桑尼乌法作为测试数据,估算精度达到99.57%。人工神经网络模型的开发研究的结果,光伏能源系统所需的能源效率建立利用气象参数如温度、湿度、风力和太阳辐射各个地区在世界任何地方可以估计精度高。

1。介绍

人类一直在不断地寻找不同的能源自古以来。今天,由于人口增长和工业化进程,对电力的需求迅速增加。然而,很大一部分获得的电能供应从化石燃料(如石油、天然气和煤炭)导致的环境问题。此外,这些燃料将很快用完发现可再生能源的必要性,环保和取之不尽的能源。

近年来,太阳能提供了一个伟大的解决方案对世界能源需求和环境问题。除此之外,太阳能是清洁、取之不尽的,易于使用的使它更有效率等可再生能源。这种类型的知名能源中自我更新的能量将保持其效率在未来几年。光伏系统是系统能够满足全部或部分的电力消费需求结构的转换太阳能没有消耗有限的不可再生资源。事实上,我国是世界上最富有的国家之一的太阳能可能大大提高这些系统在我国的流行。

能量可以直接或间接地来自太阳的能量。太阳能电池,光伏(PV)系统的最小单位从这些方法,直接将阳光转换为直流电压。串行和/或并联的太阳能电池的光伏模块形式。通过串并联连接光伏模块、电能获得所需的电流,电压,额定功率(1]。根据面板的半导体材料,太阳能电池板将太阳能转换为电能效率6% - -22%。有许多因素影响光伏电池板效率较低的效率。这些面板倾斜角,材质、温度、太阳辐射强度、PV温度、风速、湿度、和其他损失(2,3]。在这些因素中,太阳辐射强度、温度、风速、湿度、和模块温度影响板效率是最重要的参数。大气条件的变化,如太阳辐射强度和白天温度显著影响板效率。因此,重要的是要知道环境因素的影响板效率取决于大气条件的变化和评估产生的力量。值显示在面板的光伏电池板给电值低于1000 W / m²太阳辐射强度,25°C细胞温度,和上午1.5空气质量比条件下,它被称为标准测试条件(STC),结果在实验室的测试执行。优质外的情况变化,光伏面板的电气值是未知的(4- - - - - -6]。环境因素时应考虑确定正确的方法评估光伏系统的年度业绩(7]。

2。太阳辐射对光伏电池的影响

直接由太阳辐射的能量是174 petawatt (PW)和10 PW大气中的反映,35 PW的云,从地球表面和7 PW回太空。部分被大气吸收33 PW,陆地和海洋吸收一部分是大约89 PW。

太阳辐射影响最大光伏系统的输出功率。光电流(PV)短路电流幅值变化成正比的太阳能辐射。Photoconversion PV电池的实际工作范围的效率是由太阳辐射的变化影响不大。然而,这并不意味着将获得相同的权力,因为期间积累的能量将low-i.e阴天。,因为输入功率减少(输出是常数)的输出功率也下降。此外,当前的生成与光照强度和光伏面板增加辐射(8,9]。虽然显著改变辐射大大改变了电流、电压仍然几乎不变(图1)[8]。

太阳对地球的辐射的价值被认为是大约1000 W / m²。自土耳其位于北半球36°至42°纬度,其太阳能潜力是相当高的。土耳其的年度太阳能潜力等于13亿吨石油。人们已经发现,土耳其的年均总日照时间是2640小时;平均总辐射强度为3.6千瓦时/ m²每一天。

3所示。温度和湿度对光伏电池的影响

光伏电池的工作温度变化范围广泛,根据不同的使用场所。因此,温度对光伏电池的效率的影响应该是知道的。光伏电池的短路电流会增加随着温度的增加。原因是,随着温度的增加,半导体禁止差距正在减少,因此它与辐射吸收增加(10]。因为温度的变化影响开路电压,操作温度对光伏系统功率和效率产生负面影响。细胞的效率随着温度增加而减小。

在图2的影响,温度对电流电压(电流-电压)曲线的晶体硅电池光伏模块显示。每增加1°C的温度降低了功率获得0.5%。多余的水汽在大气中导致辐射筛选成为可能。当水在空气中凝聚的雨雪,气氛更清晰和最低水平的辐射屏蔽11]。

4所示。风速对光伏电池的影响

天气条件影响能源生产的功率输出。模块温度受环境温度影响、阴沉、风速和光伏系统的位置。由于风速将减少光伏面板的温度,光伏电池温度是高度敏感的风速和风向(低敏感12]。

扫描有关这一课题的文献,在这项研究中被称为结构的属性和特征Altaş发表的光伏太阳能电池输出电压和负载电流变化的方式根据温度和光照强度进行检测时,发现它已经确定光伏电池温度的负面影响。随着温度的增加,光伏电池的输出电压和功率下降(13]。

这项研究的结果由Yilmaz et al .,它已经表明,随着环境温度的增加,光伏组件的效率降低。发电的光伏模块的温度区暴露不是线性的。光伏组件暴露在阳光下;他们吸收太阳所产生的红外线加热。此外,深色模块达到相当高的温度为80°C在没有风的时候(14]。在这项研究由Fesharaki et al .,模拟是由尤其是考虑到多云的天气条件下,仿真的结果,它已经表明,光伏板的效率随温度的增加(15]。Omubo-Pepple等人研究了温度的影响,阳光强度,相对湿度在光伏电池板。在这项研究中,他们规定环境温度没有直接影响小组的效率;然而,面板的温度和相对湿度影响小组的效率(16]。Skoplaki Palyvos检查温度之间的关系和电光伏板的性能。结果,他们说小组的工作温度是最重要的因素在光电转换过程。此外,它已经表明,温度变化的影响根据面板的组装方式和使用它们的地方17]。

增加太阳能光伏板的效率,通常的方法扰乱&观察(P&O),希尔攀登,增量电导(IncCond),部分VAD,分数IKD用于监控光伏系统的最大功率点通常在相同的阳光条件下(18,19]。然而,提到最大功率点监测方法的方法可以应用于同质的操作条件下,所有的光伏模块和细胞有相同的辐射。快速改变太阳辐射和其他环境因素干扰的影响,降低效率。

预测的效率可以从环境因素的地区获得光伏电力系统将被安装在避免错误的安装中起着至关重要的作用,预防不必要的投资。人工神经网络应用程序(估计和每日的太阳辐射数据的建模通过使用日照时间和温度数据在光伏发电系统(20.),径向基函数的估计输出光伏模块的特点利用太阳辐射和温度(21),性能估算利用太阳辐射在一个on-grid-connected光伏电力系统(22),输出功率估计利用太阳辐射和温度在1兆瓦太阳能发电厂(23),估计功率的光伏系统提前一天通过太阳辐射参数(24),利用太阳辐射和温度参数作为输入的性能估算20成为朝鲜劳动党发电太阳能光伏发电厂25),建模通过使用温度和太阳辐射和邻近的光伏系统数据掌权估计(26),估计模块温度和所有地区的光伏组件效率在土耳其使用环境温度和太阳辐射27,估计光伏电池的效率4.2 v - 100 mA取决于风速,温度,湿度,和水平角的细胞28吸引注意力。

温度和太阳辐射在这些研究通常用作输入条件。然而,湿度的影响,风,和模块温度参数是非常重要的。研究太阳辐射的影响,温度、风、湿度、温度对光伏板和模块将产生更有效的结果评估板的效率。

在这项研究中,它是旨在估计省的光伏板的效率利用太阳辐射、温度、风、湿度、温度和光伏模块参数估计的效率和其他省份的数据。通过这种方式,光伏系统的规划和预测,提供直接的电能,还导致大型工厂成本在初始安装阶段,将提供附加值的预算通过确定地区的功率效率系统将被安装。

5。材料和方法

5.1。安装测量站

为了检查参数影响效率的太阳能系统,终端测量系统,测量从Adiyaman-Malatya-Sanliurfa区域设计。这些终端测量温度、湿度、风、太阳辐射、电流和电压等级从面板和送他们获得职业学校的主要终端Adiyaman大学通过GSM短信,主要终端,数据处理后保存在SD卡上。

在卡片的设计,DSPIC 33 f系列处理器是用于处理来自传感器的信息。获得的数据主要从区域终端传输到终端利用SIM900模块。区域测量终端由120 W单晶的面板,100啊胶体电池,翻译10 a - 12 V MPPT充电控制器,和4电阻负载消耗的能量从面板、temperature-humidity-solar radiation-wind-current-voltage传感器,测量卡设计,和董事会来存储材料。

主要终端允许的信息,从区域终端和包含评级用5分钟的时间间隔测量,是保存在一个SD卡,并允许在SD卡上的信息处理后传输到计算机环境。用于测量太阳辐射,一流的日射强度计模拟电压输出是用于实验;它的测量范围是0到2000之间的W / m²,反应时间短于1 msn。测量环境湿度和温度,一流的传感器和模拟电压输出范围在-40°C和+ 80°C,和0.01°C的决议,和仪器都是辐射保护鞘,是使用。测量风速,一流的风速计模拟电压输出,与0-50 m / s测量时间间隔,以0.02 m / s宽容,和0.05米分辨率使用。

能源产生的120 W单晶翻译小组负责MPPT控制充电控制器,通过消耗能量从能量与电阻负载连接到电池出口,专家组的发电效率是根据环境条件检查。终端的应用程序视图测量站安装在Adiyaman-Malatya-Sanliurfa有图的地区3。

5.2。人工神经网络

科学,表现人类的大脑神经元细胞结构的模型,人工神经网络(ann)开发并开始今天作为一种工具在许多领域使用。今天,安是用在许多工程和医学领域由于其独特的拓扑和直观的结构(29日]。

安结构通常由一个输入层、输出层,和偶尔隐藏层。安的输入层的第一层检索数据到系统中。在这一层,一个阈值被添加到检索数据并乘以权重系数和发送到下一个隐藏层。一个隐藏层可以由一个或多个层。在这一层中,数据从输入层进行收集和激活函数的应用。输出是通过评估数据处理层(图的输出4)[30.]。

在人工神经网络,在传统编程中,信息存储在一个数据库,但在整个网络。人工神经网络可以产生输出,即使训练后数据包含不完整的信息。一个或多个细胞恶化的安不阻止它生成输出。网络经历了一个缓慢的随着时间和相对恶化;人工神经网络可以学习评论类似的事件和决策活动。人工神经网络有能力在同一时间执行多个工作。除了这些优点外,人工神经网络有一些缺点。由于它们的结构,人工神经网络需要处理器和并行处理能力;因此,它们的实现是依赖于硬件的。当安生成一个解决一个问题,为什么它不提供一些线索或如何; this is a factor that reduces trust in the network. There is no specific rule in determining the structure of ANNs. The appropriate network structure is obtained by experience and trial and error. ANNs are able to work with numerical information. Problems must be converted to numerical values before being introduced to ANNs. Lowering the network’s error on the samples below a certain value means that the training is complete. This value does not give us optimal results [31日]。

6。结果与讨论

温度、湿度、风、太阳辐射板温度、电流和电压值获得终端面板以5分钟间隔的测量系统测量从Adiyaman-Malatya-Sanliurfa地区保存在终端测量站和SD卡也通过GSM模块发送到火车站。到达火车站的信息保存在SD卡上,并分析了MATLAB程序后转移到计算机环境。共2016年的数据,这是每天288年数据,从每个终端获得的参数(温度、太阳辐射、风、湿度、模块温度、电流、电压)。测量被一年2017年8月至2018年7月。在这项研究中,8月的数据,10月,1月和4月,每个季节的环境因素在观察最有效,使用。

6.1。估计结果的省份(模块1)

获得的数据从Adiyaman的省份,马拉蒂亚,桑尼乌法August-October-January-April分析了用ANN算法在MATLAB环境中。trainbfg的算法,trainlm、traincgb traincgf, trainrp, trainbr用于评估过程。估计结果Adiyaman的省份,马拉蒂亚,桑尼乌法给出了表1,2,3,分别。例子估计图Adiyaman,省的马拉蒂亚,桑尼乌法给出了数据5- - - - - -7,分别。

参数中使用人工神经网络方法如下:输入层:5(温度、太阳辐射、风、湿度、温度和光伏模块),隐层神经元:27日训练数据:6250年,测试数据:1339年,验证数据:1339年,和激活功能:乙状结肠函数。

6.2。估计结果的省份相比,参考省(模块2)

获得的数据从Adiyaman的省份,马拉蒂亚,桑尼乌法August-October-January-April分析了用ANN算法在MATLAB环境中。trainbfg的算法,trainlm、traincgb traincgf, trainrp, trainbr用于评估过程。

参数中使用人工神经网络方法如下:输入层:5(温度、太阳辐射、风、湿度、温度和光伏模块),隐层神经元:27日训练数据:8928年,测试数据:8928年,验证数据:8928年,和激活功能:乙状结肠函数。

从气象学的总指挥部,考虑到数据可以看出Adiyaman省可以统计作为参考另外两个省份的温度和日照时间(表4)[32]。因此,Adiyaman省用于培训和马拉蒂亚和桑尼乌法用于测试。

通过使用Adiyaman省培训和马拉蒂亚和桑尼乌法测试数据(马拉蒂亚和桑尼乌法的估计结果表5和表6。例子估计的马拉蒂亚和桑尼乌法省图数据8和9。

6.3。性能比较

在这项研究中,数据从测量获得电台安装在Adiyaman的省份,马拉蒂亚,桑尼乌法August-October-January-April一直使用。在第一部分的研究中,省安估计的算法单独开发的全部模块(1),在第二阶段,Adiyaman省的数据用于训练在发达ANN算法和单独的估计进行了马拉蒂亚和桑尼乌法(模块2)。结果与其他研究相比已经在文献中在桌子上7。

7所示。结论

最大的问题之一在光伏面板应用程序是不合算的初始安装阶段。尽管近年来严重下降,这些系统产生的能量不高而成本。是非常重要的知道关于光伏电站项目和投资,和该地区的太阳能潜力发电厂将被安装。光伏板产生的电能的数量取决于空气温度,湿度,风速和光伏模块的温度,尤其是太阳辐射。

产品的特点提出的光伏电池板制造商的标准测试条件。然而,由于光伏板是在非标准在不同地域条件既然知道面板用于项目的行为模式和规划适合光伏应用程序将提供一个更准确的成本配置,错误的投资将会避免和附加值将提供给国家预算。因此,它是非常重要的,以确定气象参数的影响,包括非标准试验条件的地区面板将操作面板上的权力。

在这项研究中,建立了测量站在三个不同的地区(Adiyaman-Malatya-Sanliurfa),功率等级从环境因素(太阳辐射、温度、风、湿度、温度和光伏模块)和光伏电池板测量和记录的一年。造型做了估算所产生的力量是应用人工神经网络算法在大型数据集。估计成功率在培训过程中使用的测试数据不发达人工神经网络模型比较了图和表。此外,通过提供的数据一般的气象部门作为参考,人工神经网络的模型是由使用Adiyaman省数据进行训练;马拉蒂亚和桑尼乌法数据作为测试数据,和成功率提供的图和表。

已经确定,因此获得的人工神经网络模型的研究估计价值显著水平的能量来自太阳能光伏板的区域显示自己和其他地区参考。

研究领域的光伏板的效率,工作如确定环境因素对光伏板效率的影响,实验测定面板权力之间的关系和环境参数,并估计效率相比其他地区参考地区需要一个漫长而艰苦的过程。这种消极情绪导致许多研究在这个范围仍然有限。我们从分析获得的结果数据集覆盖一年的比较表的表7。

在发达的人工神经网络模型,估算精度为99.94%。此外,通过数据的一般的气象部门作为参考,人工神经网络模型是由使用Adiyaman省培训;通过使用马拉蒂亚和桑尼乌法数据作为测试数据,估算精度达到99.57%。

ANN模型的主要原因,我们开发了产生更好的结果比之前的工作如下:(1)造型的基础上进行了更丰富和更全面的数据库通过考虑环境因素影响所产生的能源光伏电池板在我们的研究中(2)测量不了一段时间,但在广泛的时间将显示所有的天气条件的影响(3)这一事实,ANN模型正在开发的参数和算法用于训练正确选择(4),测量了三种不同的地区,不适合一个特定的地区,因此所产生的数据库被更广泛

人工神经网络模型的开发研究的结果,光伏能源系统所需的能源效率建立利用气象参数如温度、湿度、风力和太阳辐射各个地区在世界任何地方可以估计精度高。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者在请求数据。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

本研究支持了Adiyaman大学的科研项目单位与项目编号MUFMAP / 2015 - 0011。