نموذج لمراقبة أداء الطاقة الشمسية الكهروضوئية والتنبؤ الإحصائي باستخدام الشبكة العصبية متعددة الطبقات والذكاء الاصطناعي
محتوى المقالة الرئيسي
الملخص
إن الطبيعة الطبوغرافية لسلطنة عمان تجعل نظام الطاقة الشمسية خيارًا قابلاً للتطبيق وموثوقًا لإنتاج الطاقة بكميات كبيرة في سوق الطاقة المتجددة. تشهد العديد من المناطق الصحراوية في عمان مستويات عالية من الإشعاع الشمسي. وهذا مناسب للأنظمة الكهروضوئية لأن كفاءتها تعتمد بشكل أساسي على الإشعاع الشمسي. ومع ذلك، في التطبيقات في الوقت الفعلي، تؤثر العديد من العوامل البيئية على كفاءة الألواح الشمسية وبالتالي على أدائها. في هذه المقالة، تم اقتراح الشبكة الطبيعية (العصبية) الأمامية متعددة الطبقات (MFFN) لتتبع أداء نظام الطاقة الشمسية الكهروضوئية من أجل استبدال أو تحسين أداء نظام الطاقة الشمسية الكهروضوئية بناءً على حالته الحالية. يتم استخدام خوارزمية الانتشار العكسي (BPA) لتدريب MFFN.
Received 18/01/2024
Revised 19/04/2024
Accepted 21/04/2024
Published 25/05/2024
تفاصيل المقالة
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
كيفية الاقتباس
المراجع
Rahul I, Hariharan R. Enhancement of solar PV panel efficiency using double integral sliding mode MPPT control. Tsinghua Sci Technol. 2024; 29(1): 271-283. https://doi.org/10.26599/TST.2023.9010030.
Iyswarya AK, Rajaguru V, Vedanjali N, Pappula R. Solar forecasting for a PV battery powered DC system. Heliyon. 2023; 9(10). https://doi.org/10.1016/j.heliyon.2023.e20667.
Wang C, Li L. Efficient DC voltage balancing of cascaded photovoltaic system based on predictive modulation strategy. IEEE Trans Ind Electron. 2024; 71(2): 1514-1524. https://doi.org/10.1109/TIE.2023.3253960.
Al-Knani BA, Abdulkareem IH, Nemah HA, Nasir Z. Studying the changes in solar radiation and their influence on temperature trend in Iraq for a whole century. Baghdad Sci J. 2021; 18(2): 1076. https://doi.org/10.21123/bsj.2021.18.2(Suppl.).1076.
Mahmood YH, Majeed MA. Design of a simple dust removal system for a solar street light system. Baghdad Sci J. 2022; 19(5): 1123. https://doi.org/10.21123/bsj.2022.6467.
Bakamba DDS, Souleymane S, Abdramane B. Data related to performance evaluation of an installed on-grid photovoltaic system at Bamako. Data Brief. 2023; 50. https://doi.org/10.1016/j.dib.2023.109514.
Gupta R, Ekata, Batra C. Performance assessment of solar-transformer-consumption system using neural network approach. Baghdad Sci J. 2022; 19(4): 0865. https://doi.org/ 10.21123/bsj.2022.19.4.0865
Keaobaka K, Poti D, Raj MN, Nsilulu TMB, Ramesh CB. Intelligent solar photovoltaic power forecasting. Energy Rep. 2023; 9: 343-352. https://doi.org/10.1016/j.egyr.2023.09.004.
Dimd BD, Voller S, Midtgård OM, Cali U, Sevault A. Quantification of the impact of azimuth and tilt angle on the performance of a PV output power forecasting model for BIPVs. IEEE J Photovolt. 2024; 14(1); 194-200. https://doi.org/10.1109/JPHOTOV.2023.3323809.
Alshareef MJ. A comprehensive review of the soiling effects on PV module performance. IEEE Access. 2023; 11: 134623-134651.https://doi.org/10.1109/ACCESS.2023.3337204.
Martin JMA, Gyula G. Extensive comparison of physical models for photovoltaic power forecasting. Appl Energy. 2021; 283: 116239. https://doi.org/10.1016/j.apenergy.2020.116239.
Gonçalves A, Rativa D, Gómez MLA. Model-based assessment of the incident angle modifier on the annual angular losses and gain of PV modules in tracking systems. IEEE J Photovolt. 2023; 1-9. https://doi.org/10.1109/JPHOTOV.2023.3323802.
Mohamed E, Ashraf M, Mohamed MA, Francisco J, Salah K. Stochastic optimal power flow analysis of power systems with wind/PV/TCSC using a developed Runge Kutta optimizer. J Electr Eng Technol. 2023; 52. https://doi.org/10.1016/j.ijepes.2023.109250.
Shen X, Zheng Y, Zhang R. A hybrid forecasting model for the velocity of hybrid robotic fish based on back-propagation neural network with genetic algorithm optimization. IEEE Access. 2020; 8: 111731-111741. https://doi.org/10.1109/ACCESS.2020.3002928.
Zhang Y, Zheng W, Liu Z. Improving the spaceborne GNSS-R altimetric precision based on the novel multilayer feedforward neural network weighted joint prediction model. Def Technol. 2023; 1-4. https://doi.org/10.1016/j.dt.2023.03.019.
Mohammed NA, Al-Bazi A. An adaptive backpropagation algorithm for long-term electricity load forecasting. Neural Comput Appl. 2022; 34: 477-491. https://doi.org/10.1007/s00521-021-06384-x.