تقييم أداء نظام استهلاك المحولات الشمسية باستخدام طريقة الشبكة العصبية
محتوى المقالة الرئيسي
الملخص
الطاقة الشمسية هي واحدة من الطاقة المتجددة التي لا حصر لها في توليد الطاقة لبيئة خضراء ونظيفة وصحية. تمتص الألواح الشمسية المكونة من طبقة السيليكون طاقة الشمس وتتحول إلى كهرباء بواسطة عاكس خارج الشبكة. نقل الكهرباء يتم إما من هذا العاكس أو من المحول، التي تستهلكها وحدة (وحدات) الاستهلاك المتاحة للأغراض السكنية أو الاقتصادية. الشبكة العصبية الاصطناعية هي أساس الذكاء الاصطناعي وتحل العديد من المشاكل المعقدة التي يصعب من خلال الأساليب الإحصائية أو من قبل البشر. في ضوء ذلك، فإن الغرض من هذا العمل هو تقييم أداء نظام الطاقة الشمسية - المحولات - الاستهلاك (STC). قد يكون النظام في حالة انهيار كامل بسبب فشل كل من النظام الفرعي لأتمتة الطاقة الشمسية والمحول في وقت واحد أو وحدة الاستهلاك ؛ وإلا فإنه يعمل بكفاءة كاملة أو أقل. يتم النظر في حالات الفشل والإصلاحات المستقلة إحصائيًا. يتم استخدام ظاهرة الاحتمالات الأولية المدمجة مع المعادلات التفاضلية لفحص موثوقية النظام ، للنظام القابل للإصلاح وغير القابل للإصلاح، ولتحليل دالة التكلفة الخاصة به. يمكن تحسين دقة واتساق النظام من خلال نهج الشبكة العصبية للانتشار الأمامي والخلفي (FFBPNN). يمكن لآلية تعلم النسب المتدرجة أن تقوم بتحديث الأوزان العصبية وبالتالي النتائج تصل إلى الدقة المطلوبة في كل تكرار، وبغض النظر عن مشكلة تلاشي التدرج في الشبكات العصبية الأخرى، مما يزيد من كفاءة النظام في الوقت الفعلي. تم تصميم كود MATLAB لخوارزمية FFBP لتحسين قيم الموثوقية ووظيفة التكلفة من خلال تقليل الخطأ إلى الحد الأدنى حتى 0.0001. يتم النظر في الرسوم التوضيحية العددية مع جداول البيانات والرسوم البيانية الخاصة بهم، لتوضيح النتائج وتحليلها في شكل الموثوقية ووظيفة التكلفة، والتي قد تكون مفيدة لمحللي النظام.
Received 24/10/2020
Accepted 13/6/2021
Published Online First 20/1/2022
تفاصيل المقالة
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
كيفية الاقتباس
المراجع
Kaurav S, Yadav P. Hybrid Power System Using Wind and Solar Energy. Int J Inno Res Sci Engg Tech. 2016 Jan; 5(1): 54-58. Available from: DOI: 10.15680/IJIRSET.2015.0501007 .
Report of the Expert Group on 175 GW RE by 2022. Nat Ins Trans India Aayog. 2015. Available from: https://niti.gov.in/writereaddata/files/175-GW-Renewable-Energy.pdf.
Mudgal SM, Yadav AK, Mahajan V. Reliability Evaluation of Power System Network With Solar Energy. IEEE. 2020 Jul. Available from: DOI: 10.1109/ICPS48983.2019.9067364.
Muthusamy S, Meenakumari R. Optimal Planning of Solar PV/WTG/DG/Battery Connected Integrated Renewable Energy Systems for Residential Applications using Hybrid Optimization. Int J Indust Engg. 2018; 2(1):15-20.
Rausand M, Hoyland A. System Reliability theory. #2. New Jersey: John Wiley & Sons , Inc, Publication; 2004.
Balagurusamy E. Reliability engineering. India: Tata McGraw Hill Publishing Co. Ltd.; 1984.
Bazovsky Igor. Reliability Theory and Practice. NJ: PHI Englewood cliff; 1961.
Chauhan SK, Malik SC. Reliability Evaluation of Series-Parallel and Parallel-Series Systems for Arbitrary Values of the Parameters. Int J Stat Reliab Engg. 2016; 3(1): 10-19.
Paula CPD, Visnadi LBH, Castro FD. Multi-objective optimization in redundant system considering load sharing. Reliab Engg Sys Saf. 2019; 181: 17–27.
Gertsbakh IB, Shpungin Y. Models of Network Reliability: Analysis. Combinatorics, and Monte Carlo. London New York: CRC press Taylor & Francis Group; 2016.
Sanghavi M, Tadepalli S, Boyle T, Downey M, Nakayama M. Efficient Algorithms for Analyzing Cascading Failures in a Markovian Dependability Model. IEEE. Trans Reliab. 2017; 66(2): 258 – 280
Li XY, Huang HZ, Li YF. Reliability analysis of phased mission system with non-exponential and partially repairable components. Reliab Engg Sys Saf. 2018 Jul; 175: 119-127.
Nandal J, Chauhan SK, Malik SC. Reliability and MTSF of series and parallel systems. Int J Stat Reliab Engg. 2015 May; 2(1): 74-80.
Levitin G, Xing L, Dai Y. Reliability versus expected mission cost and uncompleted work in heterogeneous warm standby multiphase systems. IEEE. Trans Sys Man Cybe Sys. 2017; 47(3): 462 – 473.
Gurney K. An introduction to neural networks. London: UCL Press; 1997.
Karunanithi N, Whitley D, Malaiya YK. Using neural networks in reliability. IEEE. 1992; 9(4): 53-59.
Lakshman I, Ramaswamy S. An Artificial Neural-Network Approach to Software Reliability Growth Modeling. Pro Comput Sci. 2015; 57: 695-702. Available from: https://doi.org/10.1016/j.ress.2018.08.012 .
Bisht S, Singh SB, Ekata. Reliability and profit function improvement of acyclic transmission network using artificial neural network. Mathe Engg Sci Aeros. 2020; 11(1): 127-141.
Quiles E, Roldán-Blay C, Escrivá-Escrivá G, Roldán-Porta C. Accurate Sizing of Residential Stand-Alone Photovoltaic Systems Considering System Reliability. MDPI. Sustaina. 2020 Feb 10; 12(3):1274- 1292. Available from: https://www.mdpi.com. DOI:10.3390/su12031274.
Arévalo JC, Rivera S, Santos F. Uncertainty cost functions for solar photovoltaic generation, wind energy generation and plug-in electric vehicles: Mathematical expected value and verification by Monte Carlo simulation. Int J Pow Ener Conv. 2019 March; 10(2):171-207.
Bhagat BA, Bhondve RR, Maske AV, Ravate SV, Karpe G. Hybrid Power Generation System using Wind Energy and Solar Energy. Int J Res Engg Sci Mngmt. 2019 February; 2(2): 805-808.
Yousif JH, Al-Balushi HA, Kazem HA, Chaichan MT. Analysis and forecasting of weather conditions in Oman for Renewable Energy Applications. Elsevier. Cas Stud Therm Engg. 2018 Nov. 15; 13: 1-12. Available from: https://doi.org/10.1016/j.csite.2018.11.006
Hussien ZK, Dhannoon BN. Anomaly Detection Approach Based on Deep Neural Network and Dropout. Bagh Sci J. 2020 Jun 23; 17(2): 701-709.
Shaikh MRS, Waghmare SB, Santosh B, Labade S, Tekale A. A Review Paper on Electricity Generation from Solar Energy. Int J Res App Sci Engg Tech. 2017; 5(IX): 1884-1889. Available from: www.ijraset.com. URL: https://doi.org/10.3390/su12031274 .