‫‪1‬‬ ‫در اين خط شماره مشخصه مقاله خود را جايگزين كنيد‪( .

‫در اين خط شماره مشخصه مقاله خود را جايگزين كنيد‪( .‬براي ويرايش كليد موشواره را دو بار فشار دهيد)‪.‬‬

‫مقاله پژوهشی‬

‫مدلسازي نيروگاه خورشيدي با استفاده از شبکه عصبی مبتنی برمدار‬

‫معادل تک ديود‬
‫عليرضا رئيسی‪ ،‬روح اله عبدالهی‬

‫داشتن يک مدل دقيق از رفتار و عملکرد يک پنل خورشيدي تحت شرايط‬ ‫چكيده ‪ -‬روشهای مختلفی جهت مدلسازی پنل های خورشيدی ارائهشده‬
‫جوي متغير ساالنه جهت طراحی بهينه و بهرهبرداري مناسب منجر به‬ ‫است‪ ،‬اما مدلسازی نيروگاه خورشيدی با استفاده از آنها با چالشهایی همراه‬
‫میباشد‪ .‬در روشهای مبتنی بر مدار معادل‪ ،‬مدلسازی وابسته به دادههای‬
‫توسعه بهكارگيري اين نوع از منابع تجديد پذير در سيستمهاي قدرت‬
‫کارخانه سازنده میباشد که با گذر زمان تغيير میکنند‪ .‬مدلسازی مشخصه ولتاژ‬
‫خواهد شد [‪ 5‬و ‪.]6‬‬ ‫– جریان با استفاده از روشهای هوشمند مانند شبكه عصبی به علت دقت پایين‬
‫بهطوركلی میتوان گفت‪ ،‬مدلسازي دقيق مشخصههاي ولتاژ –‬ ‫مدلسازی کمتر موردتوجه قرار گرفت‪ .‬در این مقاله روشی مستقل از دادههای‬
‫جريان براي طراحی و بهرهبرداري بهينه نيروگاههاي ‪ PV‬متصل به شبکه‬ ‫کارخانه سازنده جهت مدلسازی نيروگاه خورشيدی ارائه میشود چنانکه امكان‬
‫مدلسازی دقيق نيروگاههای خورشيدی چند سال نصبشده نيز فراهم میباشد‪.‬‬
‫اهميت حياتی دارد‪ .‬تاكنون روشهاي مختلفی جهت مدلسازي پنل هاي‬
‫روش پيشنهادی شامل دو مرحله میباشد‪ ،‬در مرحله اول ولتاژ مدارباز‪ ،‬نقطه‬
‫خورشيدي ارائهشده است [‪ ،]10-7‬اين روشهاي بهطور كل به سه دسته‬
‫حداکثر توان و جریان اتصال کوتاه برحسب شرایط جوی با استفاده از شبكه‬
‫‪-1‬روشهاي مبتنی بر هوش مصنوعی‪ -2 ،‬روشهاي مبتنی بر مدار‬ ‫عصبی مدل میشوند‪ .‬در مرحله دوم پارامترهای مجهول مدار معادل توسط روابط‬
‫معادل ‪ -3‬روشهاي تركيبی تقسيمبندي میشوند‪.‬‬ ‫تحليل مداری و با استفاده از خروجیهای شبكه عصبی تعيين میشوند‪ .‬نهایتا‬
‫در روشهاي مبتنی بر هوش مصنوعی معموالً از شبکههاي عصبی‬ ‫جهت ارزیابی روش پيشنهادی‪ ،‬مدلسازی یک نيروگاه خورشيدی ‪ 3‬کيلووات‬
‫انجام شد که نتایج دقت مناسب روش پيشنهادی جهت مدلسازی نيروگاه‬
‫جهت مدلسازي يا شناسايی پنل خورشيدي استفاده میشود‪ .‬در اين نوع‬
‫خورشيدی را نشان میدهند‪.‬‬
‫مدلسازي‪ ،‬شرايط جوي (شدت نور و دما) معموالً وروديهاي شبکه‬
‫عصبی میباشند و خروجیها منحنی مشخصه ولتاژ – جريان پنل‬ ‫کليد واژه‪ -‬مدلسازی‪ ،‬نيروگاه خورشيدی‪ ،‬شبكه عصبی‪ ،‬مدار معادل تک دیود‪.‬‬
‫خورشيدي هستند‪ .‬دقت مدلسازي پنل هاي خورشيدي در مقايسه با‬
‫روشهاي ديگر كمتر است [‪ 10‬و ‪ .]11‬در برخی از مقاالت جهت بهبود‬ ‫‪ -1‬مقدمه‬
‫دقت عالوه بر شرايط جوي‪ ،‬ولتاژ نيز بهعنوان ورودي لحاظ شده است و‬ ‫اخيراً سيستمهاي توليد برق فتوولتائيک (‪ ،)PV‬بهعنوان يکی از‬
‫خروجی فقط جريان يا توان میباشد‪ ،‬اما چندان بهبودي در دقت‬ ‫مهمترين فناوريهاي استفاده از انرژي خورشيدي‪ ،‬بهطور گسترده در‬
‫مدلسازي ايجاد نشد لذا مدلسازي پنل هاي خورشيدي با اين روشها‬ ‫سيستمهاي قدرت ادغامشدهاند‪ .‬اين ادغام گسترده به دليل چندين مزيت‬
‫كمتر موردتوجه قرارگرفتهاند و در موضوعاتی همچون تشخيص خطا‬ ‫سيستمهاي ‪ PV‬ازجمله نصب و بهرهبرداري آسان‪ ،‬هزينه كم و راندمان و‬
‫[‪ ،]12‬پيشبينی انرژي توليدي [‪ ،]13‬تخمين برخی پارامترها مانند دما‬ ‫طول عمر باال در مقايسه با ساير منابع انرژي تجديد پذير و سازگاري با‬
‫سلول خورشيدي [‪ ،]14‬ميزان تابش روزهاي ابري [‪ ]15‬و تلفات ناشی از‬ ‫محيطزيست است [‪ .]2-1‬بااينحال اين ادغام در كنار مزاياي فراوان‪،‬‬
‫كثيفی [‪ ]16‬بيشتر مورداستفاده قرارگرفتهاند‪.‬‬ ‫چالشهايی را براي ريز شبکهها داشته است چراكه از يکسو توان توليد‬
‫دسته دوم روشهاي مبتنی بر مدار معادل میباشند [‪ .]17‬در اين‬ ‫اين نيروگاهها وابسته به نور خورشيد است يعنی متناوب و‬
‫روشهاي كه هدف مدلسازي مشخصههاي ولتاژ – جريان میباشد‪ ،‬پنل‬ ‫غيرقابلبرنامهريزي است و از سوي ديگر توان اين نيروگاهها در مديريت‬
‫خورشيدي توسط يک مدار غيرخطی شامل منبع جريان وابسته‪ ،‬ديودها و‬ ‫مصرف و كنترل بار فركانس ريز شبکهها تأثير دارد [‪ 3‬و ‪ .]4‬بهعبارتديگر‬
‫مقاومتها مدلسازي میشود [‪ .]18‬محاسبه يا استخراج پارامترهاي‬
‫مجهول اين مدار غيرخطی چالش اصلی اين نوع مدلسازي میباشد چرا‬
‫كه وابسته به شرايط جوي هستند‪ .‬جهت سادهسازي معموالً فقط مقادير‬
‫جريان فوتوولتاييک و جريان اشباع ديود بهصورت تابعی از شرايط جوي‬
‫مقاله در تاريخ ‪ 2‬شهريور ماه ‪ 1402‬دريافت شد‪.‬‬
‫لحاظ میگردند و مقادير مقاومتهاي سري و موازي و ثابت ايده آلی ديود‬ ‫عليرضا رئيسی (نويسنده مسئول)‪ ،‬استاديار‪ ،‬گروه مهندسی برق‪ ،‬دانشگاه فنی و‬
‫عدد ثابت در نظر گرفته میشوند‪ ،‬اما عمالً اين سه پارامتر ثابت نيستند‬ ‫حرفهاي‪ ،‬تهران‪ ،‬ايران‪(email: [email protected]( ،.‬‬
‫‪2‬‬ ‫در اين خط شماره مشخصه مقاله خود را جايگزين كنيد‪( .‬براي ويرايش كليد موشواره را دو بار فشار دهيد)‪.‬‬

‫• روش جديد‪ ،‬ساده و كاربردي جهت مدلسازي نيروگاه خورشيدي‬ ‫[‪ 19‬و ‪ ]20‬و اين امر منجر به كاهش دقت مدلسازي میگردد‪ .‬چالش‬
‫مبتنی بر مدار معادل تک ديود‬ ‫ديگر وابسته بودن محاسبه پارامترهاي مجهول به دادههاي كارخانه‬
‫• مدلسازي سهنقطه مهم مشخصه ‪ I-V‬با استفاده از شبکه عصبی‬ ‫سازنده (كاتالوگ) پنل خورشيدي میباشد‪ ،‬اين دادههاي با گذر زمان تغيير‬
‫• مدلسازي بر اساس دادههاي روزانه و مستقل از دادههاي كاتالوگ‬ ‫میكنند و لذا دقت مدلسازي در اين روش با گذر زمان كم میشود‪ .‬اين‬
‫• بحث و بررسی اثر نوع دادهها و اثر گذر زمانبر الگوريتم مدلسازي‬ ‫موارد بر دقت مدلسازي نيروگاه خورشيدي كه از اتصال پنل هاي‬
‫بخشهاي بعدي مقاله حاضر به شرح زير ساماندهی شده است‪ :‬در‬ ‫خورشيدي تشکيلشدهاند‪ ،‬بيشتر نمايان میشود‪.‬‬
‫بخش دوم به بيان مسئله پرداختهشده است‪ .‬بخش سوم به تشريح روش‬ ‫دسته سوم روشهاي تركيبی هستند كه معايب روشهاي قبلی را‬
‫پيشنهادي میپردازد‪ .‬عملکرد روش پيشنهادي در بخش چهارم ارائه و‬ ‫ندارند‪ .‬در اين روشهاي هم از مدار معادل و هم از شبکههاي عصبی‬
‫بحث میشود‪ .‬در بخش انتهايی‪ ،‬نتايج كلی حاصل از مطالعه حاضر‬ ‫براي مدلسازي مشخصههاي ولتاژ – جريان پنل هاي خورشيدي‬
‫جمعبندي میشوند‪.‬‬ ‫استفادهشده است [‪ 21‬و ‪ .]22‬در اين روشها نخست شبکه عصبی‬
‫برحسب شرايط جوي‪ ،‬پارامترهاي مجهول مدار معادل را تعيين میكند‪،‬‬
‫‪ -2‬بيان مسئله‬ ‫سپس اين پارامترها در رابطه اصلی مدار معادل غيرخطی قرار میگيرند و‬
‫امکان محاسبه مشخصه ولتاژ – جريان شامل ولتاژ مدار باز‪ ،‬جريان اتصال‬
‫كوتاه و نقطه حداكثر توان فراهم میشود‪ .‬چالش اصلی اين روشهاي‬
‫نحوه آموزش شبکه عصبی میباشد‪ .‬شبکه عصبی براي آموزش نياز به‬
‫مجموعه از دادههاي ورودي و خروجی متناظر دارد‪ ،‬اما اندازهگيري و‬
‫جمعآوري اين دادهها عمالً امکانپذير نمیباشد‪.‬‬
‫شکل ‪ : 1‬مدار معادل تک ديود پنل خورشيدي‬
‫روشهاي مختلف مدلسازي پنل هاي خورشيدي هر كدام داري‬
‫روشهاي دقيق مدلسازي پنل هاي خورشيدي عمدتاً مبتنی بر مدار‬
‫چالشهايی میباشند‪ .‬مدلسازي منحنی مشخصه ولتاژ – جريان با‬
‫معادل میباشند‪ .‬شکل (‪ )1‬مدار معادل يک پنل خورشيدي را نشان‬
‫استفاده از شبکههاي عصبی عالوه بر پيچيدگی‪ ،‬با دقت كم همراه‬
‫میدهد‪ .‬با در نظر گرفتن پارامترهاي شکل (‪ )1‬و روابط تحليل مداري‪،‬‬
‫میباشد‪ .‬مدلسازي پنل هاي خورشيدي بر اساس روشهاي تحليلی‬
‫مشخصه پنل خورشيدي عبارت است از [‪،]24‬‬
‫مبتنی بر مدار معادل وابسته به دادههاي كارخانه سازنده میباشد‪ ،‬اين‬
‫‪‬‬ ‫‪ V + RS I   V + RS I‬‬
‫‪I = I S − I O exp ‬‬ ‫‪ − 1 −‬‬ ‫(‪)1‬‬ ‫دادههاي با گذر زمان تغيير میكنند و در دسترس نمیباشند‪ .‬همچنين‬
‫‪‬‬ ‫‪ aVt  ‬‬ ‫‪RP‬‬
‫مدلسازي پنل هاي خورشيدي به روشهاي تركيبی كه در [‪]23‬‬
‫‪N S KT‬‬
‫= ‪Vt‬‬ ‫كه ‪ IS‬جريان فوتوولتاييک‪ IO ،‬جريان اشباع معکوس‪،‬‬ ‫ارائهشدهاند اگرچه وابسته به دادههاي كارخانه نمیباشند و همچنين دقت‬
‫‪q‬‬
‫ولتاژ حرارتی‪ q ،‬بار الکترون‪ K ،‬ثابت بولتزمن‪ T ،‬دماي سلول‪ a ،‬ثابت ايده‬ ‫مطلوبی ارائه میدهند اما اندازهگيري و جمعآوري دادههاي موردنياز‬
‫آلی ديود‪ NS ،‬تعداد سلولهاي سري شده‪ RS ،‬و ‪ RP‬مقاومت معادلهاي‬ ‫(پارامترهاي مجهول مدار معادل) براي نيروگاههاي خورشيدي عمالً‬
‫سري و موازي پنل خورشيدي میباشند‪ .‬كه ‪ IPV‬و ‪ IO‬با شدت نور و تغيير‬ ‫امکانپذير نيست‪.‬‬
‫دما بهصورت زير مرتبط میباشند‪.‬‬ ‫در اين راستا در اين مقاله يک روش تركيبی جديد جهت مدلسازي‬
‫‪G‬‬ ‫نيروگاه خورشيدي ارائه میشود كه هم دقت مناسبی دارد‪ ،‬هم مستقل از‬
‫) ‪I S = ( I S ,n + K I T‬‬ ‫(‪)2‬‬
‫‪Gn‬‬ ‫دادههاي كاتالوگ میباشد و هم پيادهسازي و اجراي آن ساده میباشد‪.‬‬
‫‪I SC ,n + K I T‬‬ ‫روش ارائهشده در اين مقاله تركيبی از روشهاي تحليل مداري و شبکه‬
‫= ‪IO‬‬
‫‪exp (VOC ,n + KV T ) / aVt − 1‬‬
‫(‪)3‬‬
‫عصبی میباشد چنانكه امکان مدلسازي نيروگاههاي خورشيدي چند‬
‫سال نصبشده فراهم میگردد‪ .‬در روش پيشنهادي نخست با استفاده از‬
‫‪Gn=1000‬‬ ‫كه ‪ IS,n‬جريان فوتوولتاييک در شرايط استاندارد (‪ Tn=25 C‬و‬
‫شبکه عصبی سهنقطه مهم منحنی مشخصه ولتاژ – جريان‪ ،‬ولتاژ مدار باز‪،‬‬
‫‪ KI ،)W/m2‬ضريب نسبت جريان اتصال كوتاه به دما‪T = T − Tn ،‬‬
‫جريان اتصال كوتاه و حداكثر توان‪ ،‬برحسب شرايط جوي بهعنوان مقادير‬
‫ميزان اختالف دما با دماي استاندارد و ‪ G‬شدت نور میباشند‪.‬‬
‫ورودي شبکه عصبی‪ ،‬مدلسازي میشوند‪ ،‬سپس با استفاده از اين‬
‫همچنين ‪ ISC,n‬و ‪ VOC,n‬به ترتيب جريان اتصال كوتاه و ولتاژ مدار باز‬
‫سهنقطه و به كمک روابط تحليل مداري‪ ،‬پنج پارامتر مجهول محاسبه‬
‫در شرايط استاندارد‪ KV ،‬ضريب نسبت ولتاژ مدار باز به دما میباشند‪ .‬ولتاژ‬
‫میشوند‪ .‬در روش پيشنهادي شرايط جوي ورودي و پنج پارامتر مجهول‬
‫مدار باز و جريان اتصال كوتاه از نقاط مهم مشخصه ‪ I-V‬پنل خورشيدي‬
‫خروجی الگوريتم میباشد و هر پنج پارامتر مجهول متغير هستند و تابعی‬
‫هستند‪ .‬اين نقاط با تغيير شرايط جوي تغيير میكنند‪ .‬با استفاده از روابط‬
‫از شرايط جوي میباشند‪ .‬بهطور خالصه نوآوريهاي اين مقاله عبارتاند‬
‫(‪ )4‬و (‪ )5‬كه از روابط مدل استخراج میشوند میتوان جريان اتصال كوتاه‬
‫از؛‬
‫‪3‬‬ ‫در اين خط شماره مشخصه مقاله خود را جايگزين كنيد‪( .‬براي ويرايش كليد موشواره را دو بار فشار دهيد)‪.‬‬

‫مشخصه ‪ I-V‬نيروگاه خورشيدي از شبکههاي استفاده میشود‪.‬‬ ‫و ولتاژ مدار باز را در شرايط جوي مختلف محاسبه كرد‪.‬‬
‫يک شبکه عصبی از مجموعه از نرونها تشکيلشده كه پيامها بين‬ ‫‪G‬‬
‫) ‪I SC = ( I SC , n + K I T‬‬ ‫(‪)4‬‬
‫آنها مبادله میشوند‪ .‬ارتباط بين نرون ها با وزنها تنظيم و مشخص‬ ‫‪Gn‬‬

‫میشود‪ .‬مدل پرسپترون چنداليه (‪ )MLP‬نوعی شبکه عصبی است كه از‬ ‫‪VOC = VOC , n + KV T‬‬ ‫(‪)5‬‬
‫يکاليه ورودي‪ ،‬يکاليه خروجی و يک يا چنداليه پنهان ساختهشده‬ ‫در برگه اطالعات سازنده يک ماژول ‪ PV‬اطالعاتی مانند ولتاژ مدار باز‬
‫است‪ .‬تعداد نرون ها در اليههاي ورودي و خروجی به ترتيب با تعداد‬ ‫(‪ ،)Voc‬جريان اتصال كوتاه (‪ ،)ISC‬مقدار حداكثر توان (‪ ،)PMPP‬مقادير‬
‫متغيرهاي ورودي و خروجی برابر میباشند اما تعداد نرون هاي اليههاي‬ ‫جريان و ولتاژ در ‪ MPP‬و ضرايب دمايی ولتاژ و جريان (‪)Ki, Kv‬‬
‫پنهان قابل تنظيم میباشند‪ .‬شکل (‪ )2‬ساختار اين نوع شبکه عصبی را‬ ‫فهرست شدهاند‪ .‬اما در كاتالوگها اطالعاتی مربوط به عملکرد سلول‬
‫نشان میدهد‪ .‬در ساختار اين نوع شبکهها در هر اليه پنهان يک ورودي‬ ‫خورشيدي مانند جريان نوري (‪ ،)IS‬جريان اشباع (‪ ،)Io‬ضريب ايده آل‬
‫قابل تنظيم با عنوان باياس نيز وجود دارد كه به تمام نرون هاي اليه‬ ‫بودن ديود (‪ ،)a‬مقاومت سري (‪ )RS‬و مقاومت شنت (‪ )RP‬ارائه نشده است‬
‫بعدي متصل میباشد‪.‬‬ ‫و اين مقادير مجهول هستند‪ .‬اين در حالی ست كه اين پارامترها مجهول‬
‫براي مدلسازي يک ماژول ‪ PV‬ضروري هستند‪.‬‬
‫تاكنون روشهاي مختلفی بر اساس مدار معادل شکل (‪ )1‬جهت‬
‫مدلسازي پنل خورشيدي ارائهشده است‪ ،‬اين روش در تعيين و استخراج‬
‫پارامترهاي مجهول باهم متفاوت هستند‪ .‬در روشهاي تحليلی‪ ،‬استخراج‬
‫پارامترها مبتنی دادههاي كارخانهاي‪ ،‬مثل ‪ Isc,n ،Kv ،Ki‬و ‪Voc,n‬‬
‫میباشد‪ ،‬اما اين دادههاي براي پنل خورشيدي با گذر زمان تغيير میكنند‬
‫شکل ‪ : 2‬ساختار شبکه عصبی‬
‫لذا خطا مدلسازي افزايش میيابد‪ .‬چالش روشهاي تركيبی در‬
‫در الگوريتم پيشنهادي تابش )‪ (G‬و دما سلول خورشيدي )‪(Tc‬‬
‫مدلسازي پنل هاي خورشيدي جمعآوري دادهها براي آموزش شبکه‬
‫بهعنوان مقادير ورودي ‪ ،I‬ولتاژ مدار باز‪ ،‬جريان اتصال كوتاه و حداكثر‬
‫عصبی میباشد‪ ،‬اين در حالی است كه مقادير پارامترهاي مجهول‬
‫توان پارامترهاي خروجی ‪ O‬میباشند‪ .‬تعداد نرون اليه پنهان ‪ HL‬برابر با‬
‫قابلاندازهگيري نيستند و بايد به نحوي محاسبه شوند‪ .‬بهعبارتديگر‬
‫‪ 6‬میباشد‪ .‬بهعنوانمثال روابط مربوط به شبکه عصبی براي خروجی ولتاژ‬
‫مدلسازي يک نيروگاه خورشيدي با روشهاي تحليلی و روشهاي‬
‫حداكثر توان عبارتاند از‪:‬‬
‫تركيبی امکانپذير نيست‪.‬‬
‫‪I =  I1 , I 2 ‬‬
‫در بخش بعدي روش پيشنهادي ارائه میشود‪ .‬بر اساس روش‬
‫‪ ‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪HL =  f   I i  wi ,1 + bi ,1  ... f   I i  wi ,6 + bi ,6  ‬‬ ‫(‪)6‬‬ ‫پيشنهادي ابتدا ولتاژ و جريان سهنقطه اتصال كوتاه‪ ،‬مدار باز و حداكثر‬
‫‪  i =1‬‬ ‫‪‬‬ ‫‪ i =1‬‬ ‫‪‬‬
‫توان‪ ،‬برحسب شرايط جوي‪ ،‬مدل میشوند‪ ،‬در مرحله بعد با استفاده از‬
‫‪VOC = O =  HL16   wi ,o  61‬‬
‫خروجیهاي شبکه عصبی و روابط تحليل مداري‪ ،‬پارامترهاي مجهول‬
‫كه در آن ‪ Ii‬مقدار ورودي نرون ‪ i‬ام و ‪ wi,j‬وزن بين نرون هاي ‪ i‬و ‪ j‬و‬
‫استخراج میشوند‪.‬‬
‫‪ f‬تابع انتقال میباشند‪ .‬خروجی هر نرون از طريق يک تابع انتقال كه در‬
‫اينجا تابع انتقال سيگمويد میباشد‪ ،‬به نرون بعدي منتقل میشود‪.‬‬
‫‪ -3‬روش پيشنهادی‬
‫براي شروع فرآيند آموزش‪ ،‬در ابتدا مقادير وزنها و باياس بهصورت‬
‫روش پيشنهادي جهت مدلسازي نيروگاه خورشيدي‪ ،‬بدون نياز به‬
‫رندم مقداردهی اوليه میشوند‪ .‬در فرآيند آموزش همواره مقادير گراديان و‬
‫دادههاي كاتالوگ‪ ،‬شامل دو مرحله‪ -1 :‬شبکه عصبی‪ -2 ،‬تحليل مداري‬
‫شاخصهاي عملکردي ‪ RMSE‬محاسبه میشوند و بر اساس آنها‬
‫میباشد‪ .‬در مرحله اول با استفاده از شبکه عصبی‪ ،‬سهنقطه مهم مشخصه‬
‫الگوريتم آموزش مقدار وزنها را بروز رسانی میكند‪ .‬اين بهروزرسانی‬
‫ولتاژ – جريان برحسب شرايط جوي مدل میشود‪ .‬مرحله دوم بر اساس‬
‫وزنها تا رسيدن به مقدار بهينه شاخص عملکرد ‪ RMSE‬ادامه میيابد‪.‬‬
‫الگوريتم آموزش بهكاررفته در اين مقاله الگوريتم –‪Levenberg‬‬
‫روابط تحليل مداري و با استفاده از خروجیهاي شبکه عصبی‪ ،‬پارامتر‬
‫مجهول مدار معادل محاسبه میشود‪ .‬در ادامه هر كدام از مراحل شرح‬
‫)‪ ،Marquardt (LMA‬میباشد كه فرآيند آموزش را براي به دست‬
‫دادهشدهاند‪.‬‬
‫آوردن يک مجموعه وزن بهينه {‪ }wk‬و مجموعه باياس {‪ }b‬ادامه‬
‫میدهد تا عملکرد شاخص ‪ RMSE‬بين خروجیهاي شبکه و مقدار هدف‬ ‫‪ 1 -3‬شبكه عصبی‬
‫مربوطه را به حداقل برساند‪.‬‬ ‫شبکههاي عصبی يک تکنيک قدرتمند جهت مدلسازي رفتار‬
‫الزم به ذكر است كه دما استفاده شده در اين مقاله دما سلول می باشد‬ ‫سيستمهاي غيرخطی میباشند‪ .‬از اين تکنيک بهطور قابلتوجهی براي‬
‫كه با اندازه گيري دماي پشت پنل خورشيدي بدست آمده است‪.‬‬ ‫مدلسازي و پيشبينی پديدههاي مختلف سيستمهاي فتوولتائيک‬
‫استفادهشده است‪ ،‬ازاينرو در اين مقاله جهت مدلسازي سهنقطه مهم‬
‫‪4‬‬ ‫در اين خط شماره مشخصه مقاله خود را جايگزين كنيد‪( .‬براي ويرايش كليد موشواره را دو بار فشار دهيد)‪.‬‬

‫مقاومتهاي ‪ RS‬و ‪ RP‬را توسط روابط (‪ )10‬و (‪ )11‬تعيين كرد‪،‬‬

‫‪Vm‬‬ ‫‪V‬‬ ‫‪ 2-3‬تحليل مداری‬
‫= ‪RP 0‬‬ ‫‪ 7  OC‬‬ ‫(‪)10‬‬
‫‪I SC - I m‬‬ ‫‪I SC‬‬
‫براي ترسيم مشخصههاي ‪ V-I‬پنل خورشيدي‪ ،‬الزم است پنج پارامتر‬
‫‪V − Vm‬‬ ‫‪V‬‬
‫‪RS 0‬‬ ‫‪= OC‬‬ ‫‪ 0.34  OC‬‬ ‫(‪)11‬‬ ‫‪ RS ،IS ،IO ،a‬و ‪ RP‬محاسبه يا استخراج شوند‪ .‬ضريب ‪ a‬مقدار بين ‪ 1‬تا ‪2‬‬
‫‪Im‬‬ ‫‪I SC‬‬
‫دارد‪ ،‬در اينجا اين مقدار بهصورت رابطه (‪ ،)16‬معکوس ضريب پركنندگی‪،‬‬
‫براي محاسبه دو پارامتر ‪ RS‬و ‪ ،RP‬نقاط مدار باز و اتصال كوتاه را در‬
‫لحاظ میشود‪،‬‬
‫معادله (‪ )1‬جايگذاري میكنيم‪،‬‬
‫‪NN‬‬
‫‪I SC‬‬ ‫‪ VOC‬‬
‫‪NN‬‬
‫‪‬‬ ‫‪ VOC   VOC‬‬ ‫=‪a‬‬ ‫(‪)7‬‬
‫‪0 = I S − IO‬‬ ‫‪ exp ‬‬ ‫‪ − 1 −‬‬ ‫(‪)12‬‬ ‫‪PmNN‬‬
‫‪‬‬ ‫‪ aVt   RP‬‬ ‫‪NN‬‬ ‫‪NN‬‬
‫‪ VOC‬با روابط (‪ )4‬و (‪ )5‬و جايگذاريشان در‬ ‫‪ I SC‬و‬ ‫با مقايسه مقادير‬
‫‪‬‬ ‫‪R I‬‬ ‫‪  R I‬‬
‫‪I SC = I S − I O  exp  S SC  − 1 − S SC‬‬ ‫(‪)13‬‬ ‫رابطه (‪ )3‬خواهيم داشت‪،‬‬
‫‪‬‬ ‫‪ aVt  ‬‬ ‫‪RP‬‬
‫‪NN‬‬
‫‪I SC‬‬
‫نتيجتاً الگوريتم روش پيشنهادي مبتنی بر شبکه عصبی و تحليل‬ ‫= ‪IO‬‬
‫(‬ ‫)‬
‫(‪)8‬‬
‫مداري‪ ،‬روابط (‪ )7‬تا (‪ ،)13‬براي تعيين مشخصههاي ولتاژ – جريان بر‬
‫‪NN‬‬
‫‪exp VOC‬‬ ‫‪/ aVt − 1‬‬

‫اساس رابطه (‪ )1‬بهصورت شکل (‪ )3‬میباشد‪.‬‬ ‫‪I S ,n‬‬ ‫‪RP + RS‬‬

‫[‪ ،]24‬رابطه زير‬ ‫=‬ ‫همچنين با استفاده از نسبت‬
‫‪I SC ,n‬‬ ‫‪RP‬‬
‫الگوريتم روش پيشنهادي را می توان با الگوريتم مقاله [‪ ]23‬مقايسه و‬
‫ارزيابی كرد‪ ،‬در الگوريتم پيشنهادي شبکه عصبی جهت مدلسازي‬ ‫جايگزين رابطه (‪ )2‬خواهد شد‪،‬‬
‫‪RP + RS‬‬
‫سهنقطه مهم بر اساس دما سلول و تابش سطح استفادهشده است اما در‬ ‫‪I S = I SC‬‬
‫‪NN‬‬
‫‪‬‬ ‫(‪)9‬‬
‫‪RP‬‬
‫الگوريتم مقاله [‪ ]23‬شبکه عصبی جهت تعيين برخی ضرايب و‬
‫با توجه به اينکه مقادير ولتاژ و جريان در نقطه حداكثر توان به ترتيب‬
‫پارامترهاي مجهول استفادهشده است‪ .‬همچنين در الگوريتم پيشنهادي از‬
‫تقريباً برابر با هفتدهم ولتاژ مدار باز و نهدهم جريان اتصال كوتاه‬
‫روش تحليل مداري استفادهشده است اما در الگوريتم مقاله [‪ ]23‬از روش‬
‫میباشند‪ Vm ≈ 0.7 × VOC ،‬و ‪ ،Im ≈ 0.9 × ISC‬میتوان مقادير اوليه‬
‫بهينه سازي استفادهشده است‪.‬‬

‫شکل ‪ :3‬الگوريتم كلی روش پيشنهادي شامل سهگام مجزا‬

‫میشود‪ .‬بدين منظور نخست شبکه عصبی با دادههاي مربوط به يک روز‬

‫آفتابی آموزش داده میشود چنانكه سهنقطه ولتاژ مدار باز‪ ،‬جريان اتصال‬ ‫‪ -4‬شبيه سازی و بحث‬
‫كوتاه و حداكثر توان برحسب دما سلول و تابش سطح مدل شوند‪ ،‬سپس‬ ‫در اين بخش عملکرد الگوريتم پيشنهادي جهت مدلسازي يک‬
‫بر اساس خروجی شبکه عصبی و با استفاده از تحليل مداري پارامترهاي‬ ‫نيروگاه ‪ 3‬كيلو وات كه چند سال از زمان نصب آن می گذرد‪ ،‬ارزيابی‬
‫مجهول جهت مدلسازي مشخصه ولتاژ – جريان استخراج میشوند‪.‬‬
‫‪5‬‬ ‫در اين خط شماره مشخصه مقاله خود را جايگزين كنيد‪( .‬براي ويرايش كليد موشواره را دو بار فشار دهيد)‪.‬‬

‫جدول ‪ .3‬مقادير شاخص آماري متناظر با كميت هاي مدل شده‪.‬‬

‫‪ 4-1‬شبيه سازی‬
‫شاخص آماري‬ ‫)‪VOC (V‬‬ ‫)‪ISC (A‬‬ ‫)‪Pm (kW‬‬
‫‪0/0147‬‬ ‫‪0/0172‬‬ ‫‪0/0216‬‬ ‫جداول (‪ )1‬و (‪ )2‬نتايج شبيه سازي را براي دادههاي آزمون و تحليل‬
‫‪RMSE‬‬
‫‪R2‬‬ ‫‪0/9999‬‬ ‫‪0/9998‬‬ ‫‪0/9997‬‬ ‫مداري نشان میدهد‪ ،‬بعد از آموزش شبکه عصبی توسط دادههاي‬
‫شکل (‪ )4‬تطبيق مناسب دادههاي تخمين زده شده به كمک شبکه‬ ‫جمعآوري شده‪ ،‬شبکه عصبی آموزش ديده توسط دادههاي آزمون ارزيابی‬
‫عصبی با دادههاي اندازهگيري شده را نشان میدهد‪ .‬مقدار حداكثر خطا‬ ‫میشود‪ .‬دو شاخص آماري جذر ميانگين مربعات خطا )‪ (RMSE‬و ضريب‬
‫براي دادههاي آموزش ‪ 0/0023‬و براي دادههاي تست ‪ 0/0031‬میباشد‪.‬‬ ‫تعيين ‪ R2‬مطابق روابط زير براي ارزيابی شبکه عصبی استفادهشده است‪.‬‬

‫‪‬‬
‫‪N‬‬
‫علت اين دقت مناسب مدلسازي با دادهها كم را می توان رابطه متناسب‬ ‫‪( yO − yP ) 2‬‬
‫= ‪RMSE‬‬ ‫‪i =1‬‬ ‫(‪)14‬‬
‫و تقريباً خطی ولتاژ مدار باز‪ ،‬جريان اتصال كوتاه و حداكثر توان با تغييرات‬ ‫‪Ns‬‬

‫‪‬‬
‫‪N‬‬
‫شرايط جوي دانست‪.‬‬ ‫‪( yO − yP )2‬‬
‫‪R‬‬ ‫‪2‬‬
‫‪= 1−‬‬ ‫‪i =1‬‬
‫(‪)15‬‬
‫‪‬‬
‫‪110‬‬ ‫‪N‬‬
‫‪Fit‬‬ ‫‪i =1‬‬
‫‪( yO − y ) 2‬‬
‫‪105‬‬ ‫‪Data‬‬
‫كه در آن ‪ NS‬تعداد نمونه ها‪ yO ،‬دادههاي مشاهده شده حاصل از انجام‬
‫‪Output ~= 1*Target+0.0015‬‬

‫‪100‬‬ ‫آزمايشات عملی‪ yP ،‬دادههاي بدست آمده متناظر با استفاده از شبکه‬

‫‪95‬‬ ‫عصبی و‪ ӯ‬ميانگين دادهها هستند‪ .‬مقادير شاخص آماري شامل ‪ RMSE‬و‬
‫‪90‬‬
‫‪ R2‬متناظر با هر كميت در جدول (‪ )3‬گزارش شده است‪.‬‬
‫‪85‬‬ ‫جدول ‪ .1‬نتايج شبيه سازي براي دادههاي آزمون‬
‫‪80‬‬
‫ورودي ‪NN‬‬ ‫خروجی ‪NN‬‬
‫‪80‬‬ ‫‪85‬‬ ‫‪90‬‬ ‫‪95‬‬ ‫‪100‬‬ ‫‪105‬‬ ‫‪110‬‬
‫‪Traget‬‬
‫(الف)‬ ‫) ‪G(W/m‬‬ ‫‪2‬‬
‫)℃(‪T‬‬ ‫)‪VOC (V‬‬ ‫)‪ISC (A‬‬ ‫)‪Pm(kW‬‬
‫‪311/73‬‬ ‫‪18/81‬‬ ‫‪114/80‬‬ ‫‪9/94‬‬ ‫‪0/7704‬‬
‫‪40‬‬
‫‪Fit‬‬
‫‪409/36‬‬ ‫‪20/95‬‬ ‫‪110/51‬‬ ‫‪13/14‬‬ ‫‪1/0255‬‬
‫‪35‬‬ ‫‪Data‬‬ ‫‪427/00‬‬ ‫‪22/07‬‬ ‫‪110/27‬‬ ‫‪13/74‬‬ ‫‪1/0676‬‬
‫‪Output ~= 1*Target+0.0011‬‬

‫‪30‬‬
‫‪544/91‬‬ ‫‪26/23‬‬ ‫‪109/94‬‬ ‫‪17/65‬‬ ‫‪1/3599‬‬
‫‪598/33‬‬ ‫‪27/46‬‬ ‫‪109/99‬‬ ‫‪19/42‬‬ ‫‪1/4938‬‬
‫‪25‬‬
‫‪618/37‬‬ ‫‪27/95‬‬ ‫‪109/98‬‬ ‫‪20/08‬‬ ‫‪1/5434‬‬
‫‪20‬‬ ‫‪687/09‬‬ ‫‪29/57‬‬ ‫‪109/95‬‬ ‫‪22/36‬‬ ‫‪1/7125‬‬
‫‪15‬‬ ‫‪815/44‬‬ ‫‪34/18‬‬ ‫‪109/05‬‬ ‫‪26/67‬‬ ‫‪2/0058‬‬
‫‪831/48‬‬ ‫‪34/12‬‬ ‫‪109/21‬‬ ‫‪27/19‬‬ ‫‪2/0478‬‬
‫‪10‬‬
‫‪10‬‬ ‫‪15‬‬ ‫‪20‬‬ ‫‪25‬‬ ‫‪30‬‬ ‫‪35‬‬ ‫‪40‬‬
‫‪Traget‬‬ ‫(ب)‬ ‫‪882/79‬‬ ‫‪35/16‬‬ ‫‪109/15‬‬ ‫‪28/90‬‬ ‫‪2/1691‬‬
‫‪867/38‬‬ ‫‪35/89‬‬ ‫‪108/72‬‬ ‫‪28/41‬‬ ‫‪2/1220‬‬
‫‪*10-3‬‬
‫‪2.5‬‬ ‫‪894/87‬‬ ‫‪36/20‬‬ ‫‪108/79‬‬ ‫‪29/32‬‬ ‫‪2/1890‬‬
‫‪Fit‬‬
‫‪Data‬‬
‫جدول ‪ .2‬نتايج تحليل مداري‬
‫‪Output ~= 1*Target+0.0017‬‬

‫‪2‬‬
‫نتايج تحليل مداري‬
‫‪1.5‬‬
‫‪a‬‬ ‫)‪IS (A‬‬ ‫)‪Io (µA‬‬ ‫)‪RS (Ω‬‬ ‫)‪RP (Ω‬‬
‫‪1/41‬‬ ‫‪10/19‬‬ ‫‪0/039‬‬ ‫‪3/44‬‬ ‫‪137/6‬‬
‫‪1‬‬
‫‪1/41‬‬ ‫‪13/47‬‬ ‫‪0/040‬‬ ‫‪3/44‬‬ ‫‪137/6‬‬
‫‪1/41‬‬ ‫‪14/08‬‬ ‫‪0/047‬‬ ‫‪3/42‬‬ ‫‪137/0‬‬
‫‪0.5‬‬ ‫‪1/42‬‬ ‫‪18/09‬‬ ‫‪0/075‬‬ ‫‪3/39‬‬ ‫‪135/7‬‬
‫‪0.5‬‬ ‫‪1‬‬ ‫‪1.5‬‬ ‫‪2‬‬ ‫‪2.5‬‬
‫(ج)‬ ‫‪Traget‬‬ ‫‪1/43‬‬ ‫‪19/91‬‬ ‫‪0/084‬‬ ‫‪3/38‬‬ ‫‪135/5‬‬
‫شکل ‪ :4‬تطبيق مناسب نتايج مدلسازي توسط شبکه عصبی با مقادير‬ ‫‪1/43‬‬ ‫‪20/59‬‬ ‫‪0/089‬‬ ‫‪3/38‬‬ ‫‪135/4‬‬
‫‪1/43‬‬ ‫‪22/92‬‬ ‫‪0/106‬‬ ‫‪3/37‬‬ ‫‪135/1‬‬
‫واقعی الف) ‪ ،Voc‬ب) ‪ ،Isc‬ج) ‪.Pm‬‬
‫‪1/45‬‬ ‫‪27/33‬‬ ‫‪0/200‬‬ ‫‪3/33‬‬ ‫‪133/3‬‬
‫پس از آموزش شبکه عصبی‪ ،‬جهت ارزيابی عملکرد آن يک روز آفتابی‬
‫‪1/45‬‬ ‫‪27/87‬‬ ‫‪0/195‬‬ ‫‪3/33‬‬ ‫‪133/5‬‬
‫با شرايط جوي نشان داده شده در شکل (‪ )5‬مدنظر قرار گرفته شد‪ .‬شکل‬ ‫‪1/45‬‬ ‫‪29/62‬‬ ‫‪0/221‬‬ ‫‪3/33‬‬ ‫‪133/3‬‬
‫(‪ )6‬عملکرد روش پيشنهادي جهت مدلسازي نيروگاه خورشيدي‪ ،‬ولتاژ‬ ‫‪1/45‬‬ ‫‪29/12‬‬ ‫‪0/254‬‬ ‫‪3/31‬‬ ‫‪132/7‬‬
‫مدار باز‪ ،‬جريان اتصال كوتاه‪ ،‬حداكثر توان را براي اين روز نشان میدهد‪.‬‬ ‫‪1/45‬‬ ‫‪30/05‬‬ ‫‪0/261‬‬ ‫‪3/32‬‬ ‫‪132/8‬‬
‫‪6‬‬ ‫در اين خط شماره مشخصه مقاله خود را جايگزين كنيد‪( .‬براي ويرايش كليد موشواره را دو بار فشار دهيد)‪.‬‬

‫‪1‬‬ ‫‪40‬‬
‫‪ 4-2‬بحث و بررسی‬

‫)‪Irradiation (Kw/m2‬‬
‫‪0.9‬‬

‫)‪Temperature (C‬‬
‫‪35‬‬
‫در بهرهبرداري از نيروگاه خورشيدي مدلسازي مقادير لحظهاي سه‬ ‫‪0.8‬‬

‫پارامتر توان ماكزيمم‪ ،‬ولتاژ مدار باز و جريان اتصال كوتاه مهم میباشند‪.‬‬ ‫‪0.7‬‬
‫‪30‬‬

‫اين مقادير هم در فرايند كنترل و استخراج حداكثر توان و هم در ارزيابی‬ ‫‪0.6‬‬

‫‪6‬‬ ‫‪9‬‬ ‫‪12‬‬ ‫‪15‬‬ ‫‪18‬‬
‫‪25‬‬
‫‪6‬‬ ‫‪9‬‬ ‫‪12‬‬ ‫‪15‬‬ ‫‪18‬‬
‫‪Hour‬‬ ‫‪Hour‬‬
‫عملکرد كنترلكننده مؤثر هستند‪ .‬نوع دادهها و گذر زمان عوامل مؤثر در‬
‫شکل‪ :5‬شرايط جوي الف) دما‪ ،‬ب) تابش‬
‫مدلسازي اين سهنقطه میباشند كه در ادامه اين عوامل براي روشهاي‬
‫مختلف بحث و ارزيابی میشوند و نهايتاً اين بخش با بررسی و مقايسه‬ ‫‪114‬‬

‫روش پيشنهادي با ديگر روشها خاتمه میيابد‪.‬‬

‫)‪Voc (V‬‬
‫‪108‬‬
‫اثر نوع دادهها‪ ،‬در روشهاي تحليلی دادههاي موردنياز جهت‬
‫‪NN‬‬
‫مدلسازي متنوع میباشند و شامل دادههاي كارخانه (كاتالوگ پنل‬ ‫‪102‬‬ ‫‪Real‬‬

‫خورشيدي)‪ ،‬سهنقطه مهم مشخصه ولتاژ – جريان و شرايط جوي‬ ‫‪6‬‬ ‫‪9‬‬ ‫‪12‬‬ ‫‪15‬‬ ‫‪18‬‬
‫‪Hour‬‬
‫میباشند‪ .‬پس از مدلسازي‪ ،‬دادههاي ورودي شرايط جوي و دادههاي‬ ‫‪25‬‬
‫‪Real‬‬
‫خروجی مشخصه ولتاژ –جريان میباشد‪ .‬با داشتن اين مشخصه امکان‬

‫)‪Short circet current (A‬‬

‫‪NN‬‬

‫استخراج سهنقطه مهم فراهم میباشد‪ .‬در مدلسازي به روش بهينهسازي‬

‫‪20‬‬
‫دادههاي موردنياز نقاط مختلف ولتاژ – جريان در يک شرايط جوي‬
‫مشخص میباشد‪ .‬خروجی اين روش پنج پارامتر مجهول رابطه (‪ )1‬و به‬
‫عبارتی مشخصه ولتاژ – جريان‪ ،‬در شرايط جوي مشخص میباشد لذا‬ ‫‪15‬‬
‫‪6‬‬ ‫‪9‬‬ ‫‪12‬‬ ‫‪15‬‬ ‫‪18‬‬
‫‪Hour‬‬
‫امکان تعيين سهنقطه مهم در آن شرايط جوي مشخص فراهم میباشد‪.‬‬ ‫‪2.5‬‬
‫‪NN‬‬ ‫‪Real‬‬
‫در روش پيشنهادي دادههاي موردنياز شامل مجموعهاي از سهنقطه مهم و‬
‫)‪Maximum power(kW‬‬

‫شرايط جوي براي دو يا سه روز از سال میباشد‪ .‬پس از مدلسازي‬ ‫‪2‬‬

‫دادههاي توسط شبکه عصبی ورودي شرايط جوي و دادههاي خروجی‬

‫‪1.5‬‬
‫سهنقطه مهم میباشند‪ .‬در گام بعد بر اساس دادههاي شبکه عصبی و با‬
‫استفاده از تحليل مداري مقدار پارامترهاي مجهول محاسبه میشوند‪.‬‬ ‫‪6‬‬ ‫‪9‬‬ ‫‪12‬‬ ‫‪15‬‬ ‫‪18‬‬
‫‪Hour‬‬
‫اثر گذر زمان‪ ،‬با گذر زمان پارامترهاي و ضرايب پنل هاي خورشيدي‬
‫شکل ‪ :6‬مدلسازي نيروگاه خورشيدي‪ Isc ،Voc :‬و ‪Pm‬‬
‫تغيير میكنند‪ .‬اين تغييرات چالش اصلی روشهاي تحليلی میباشند‬
‫شکل (‪ )7‬مشخصهها ولتاژ – جريان را نشان میدهد‪ ،‬چنانكه مشاهده‬
‫چراكه در اين روشها استخراج پارامترها بر اساس دادههاي كارخانه‬
‫میشود نتايج با دقت زياد بر دادههاي اندازي گيري منطبق میباشند كه‬
‫سازنده انجام میشود‪ .‬درحالیكه در روشهاي بهينهسازي گذر زمان‬
‫دليل آن مدلسازي دقيق پنج پارامتر بر اساس روابط پيشنهادي میباشد‪.‬‬
‫نقشی ندارد و استخراج پارامترها همواره انجام میشود‪ .‬در مدلسازي با‬
‫در اين حالت پارامترها با تغيير شرايط جوي تغيير میكنند چنانکه‬
‫روش پيشنهادي‪ ،‬گذر زمان لحاظ شده است به اين صورت كه بعد از هر‬
‫پارامترهاي ‪ Rp ،a‬و ‪ Rs‬كه معموالً در روشهاي تحليل مقادير ثابتی‬
‫سرويس تعمير – نگهداري دورهاي‪ ،‬يک يا دو بار در سال‪ ،‬دادههاي‬
‫لحاظ میشوند‪ ،‬در اينجا بر اساس فرمولهاي پيشنهادي‪ ،‬تغييرات‬
‫قديمیتر حذف و دادههاي جديدتر اضافه میشوند و توسط فرايند آموزش‪،‬‬
‫متناسبی دارند‪ .‬همچنين پارامترهاي ‪ IPV‬و ‪ IO‬از يکسو تابعی از شرايط‬
‫وزنهاي شبکه عصبی بروز میشوند‪.‬‬
‫جوي و از سوي ديگر تابعی نقاط ابتدا و انتها ي مشخصه ولتاژ‪ -‬جريان‪،‬‬
‫بررسی و مقايسه‪ ،‬روش پيشنهادي از جهت محاسبه پارامترهاي‬
‫متناسب با خروجی شبکه عصبی‪ ،‬میباشند‪.‬‬
‫مجهول و بکار گيري شبکه عصبی با روشهاي مقاالت [‪ 22 ،21‬و ‪]23‬‬
‫‪35‬‬
‫قابلمقايسه میباشد‪ .‬در الگوريتم مقاالت [‪21‬و ‪ ]22‬از شبکه عصبی جهت‬ ‫‪30‬‬
‫تعيين پارامترهاي مجهول استفادهشده است‪ ،‬چالش اين روش جمعآوري‬ ‫‪25‬‬
‫)‪Current (A‬‬

‫دادههاي جهت آموزش شبکه عصبی میباشد چراكه پارامترهاي مجهول‬ ‫‪20‬‬

‫قابلاندازهگيري نيستند‪ .‬اين روشها مبناي روشهاي ديگر مانند روش‬ ‫‪15‬‬

‫‪10‬‬ ‫‪G=921, Tc=34‬‬

‫پيشنهادي و روش مقاله [‪ ]23‬میباشند‪ .‬در روش مقاله [‪ ]23‬جهت تعيين‬ ‫‪G=692, Tc=30‬‬
‫‪5‬‬
‫پارامترهاي مجهول از روشهاي بهينهسازي استفادهشده است‪ ،‬در‬ ‫‪G=468, Tc=27‬‬
‫‪0‬‬
‫‪0‬‬ ‫‪20‬‬ ‫‪40‬‬ ‫‪60‬‬ ‫‪80‬‬ ‫‪100‬‬ ‫‪120‬‬
‫الگوريتم اين روش جهت كاهش زمان اجراي بهينهسازي از شبکه عصبی‬ ‫)‪Voltage (V‬‬
‫استفادهشده است‪ ،‬چالش اين روش اين است كه براي هر با اجراي‬ ‫شکل ‪ :7‬مشخصه ‪ I-V‬نيروگاه ‪ 3kW‬براي مقادير واقعی و مدل شده‬
7 .)‫ (براي ويرايش كليد موشواره را دو بار فشار دهيد‬.‫در اين خط شماره مشخصه مقاله خود را جايگزين كنيد‬

[8] A. Mellit, S. A. Kalogirou, “Artificial intelligence techniques for ‫ اين كار توسط‬،‫ بايد اندازهگيري شوند‬I-V ‫ نقاط مختلف منحنی‬،‫الگوريتم‬
photovoltaic applications: A review”, Progress in Energy and
Combustion Science, vol. 34, pp. 574–632, 2008, ‫ اين در حالی است كه در الگويتم روش پيشنهادي‬.‫يک مدار انجام میشود‬
10.1016/j.pecs.2008.01.001.
[9] K. Garud, S. Jayaraj, M. Lee, “A review on modeling of solar ‫ دماي سلول و تابش‬،‫ متناظر با شرايط جوي‬I-V ‫سهنقطه مهم منحنی‬
photovoltaic systems using artificial neural networks, fuzzy logic,
genetic algorithm and hybrid models”, International Journal of ‫ فقط در چند روز اندازهگيري میشوند سپس از آموزش شبکه‬،‫سطح‬
Energy Research, vol. 45, no. 1, 2021, 10.1002/er.5608.
[10] F. Almonacid, C. Rus, L. Hontoria, M. Fuentes, G. Nofuentes, ‫ در الگوريتم پيشنهادي از روش‬.‫عصبی آموزش اين دادهها استفاده میشود‬
“Review, Characterisation of Si-crystalline PV modules by artificial
neural networks”, Renewable Energy, vol. 34, no. 4, 2009,
.‫تحليل مداري جهت استخراج پارامترهاي مجهول استفادهشده است‬
10.1016/j.renene.2008.06.010. ‫نتيجتاً الگوريتم پيشنهادي ساختاري سادهتري دارد و پيادهسازي آن‬
[11] F. Bonanno, G. Capizzi, G. Graditi, C. Napoli, G.M. Tina, “A radial
basis function neural network-based approach for the electrical .‫آسانتر میباشد‬
characteristics estimation of a photovoltaic module”, Applied
Energy, vol. 97, 2012, 10.1016/j.apenergy.2011.12.085.
[12] M. Laurino, M. Piliougine, G. Spagnuolo, “Artificial neural network
based photovoltaic module diagnosis by current–voltage curve
‫ نتيجهگيری‬-5
classification”, Solar Energy, vol. 236, no. 1, 2022,
10.1016/j.solener.2022.02.039. ‫مدلسازي دقيق نيروگاه خورشيدي هم از ديد نيروگاه جهت تشخيص‬
[13] C. Huang, P.H. Kuo, “Multiple-Input Deep Convolutional Neural
Network Model for Short-Term Photovoltaic Power Forecasting”,
‫ برنامهريزي تعمير نگهداري و بهبود راندمان عملکرد و هم از ديدگاه‬،‫عيب‬
IEEE Access, vol. 7, 2019, 10.1109/ACCESS.2019.2921238. ‫ كنترل فركانس و‬،‫شبکههاي هوشمند جهت مديريت توليد و مصرف‬
[14] F. M. Khaleel, I. A. Hasan, M. J. Mohammed, “PV panel system
modelling method based on neural network”, AIP Conference ‫ سهنقطه‬،‫ در اين مقاله با استفاده از شبکه عصبی چنداليه‬.‫پايدار مهم است‬
Proceedings 2386, 040029, 2022, 10.1063/5.0066820.
[15] Z. Si, Y. Yu, M. Yang, P. Li, “Hybrid Solar Forecasting Method ‫مهم مشخصههاي ولتاژ – جريان برحسب شرايط جوي مدلسازي‬
Using Satellite Visible Images and Modified Convolutional Neural
Networks”, IEEE Trans. on Industry Applications, vol. 57, no. 1, ‫ از دادههاي يک روز نيروگاه‬،‫ جهت آموزش شبکه عصبی‬،‫شدهاند‬
2021, 10.1109/TIA.2020.3028558.
[16] W. Zhang, S. Liu, et al., “Deep-Learning-Based Probabilistic ‫خورشيدي شامل شرايط جوي بهعنوان متغيرهاي ورودي و سهنقطه ولتاژ‬
Estimation of Solar PV Soiling Loss”, IEEE Trans. on Sustainable
Energy, vol. 12, no. 4, 2021, 10.1109/TSTE.2021.3098677.
‫ جريان اتصال كوتاه و حداكثر توان بهعنوان مقادير خروجی‬،‫مدار باز‬
[17] S. Shongwe, M. Hanif, “Comparative Analysis of Different Single- ‫ سپس با استفاده از روش تحليل مداري و برحسب مقادير‬.‫استفادهشدهاند‬
Diode PV Modeling Methods”, IEEE Journal of Photovoltaics, vol.
5, no. 3, 2015, 10.1109/JPHOTOV.2015.2395137. ‫ پنج پارامتر مجهول مدل تک ديود با دقت باال و‬،‫خروجی شبکه عصبی‬
[18] V. L. Brano, A. Orioli, G. Ciulla, A. D. Gangi, “An improved five-
parameter model for photovoltaic modules”, Solar Energy Materials ‫ نهايتاً روش‬.‫بدون نياز به دادههاي كارخانه سازنده استخراجشدهاند‬
& Solar Cells, vol. 94, pp. 1358–1370, 2010,
10.1016/j.solmat.2010.04.003. ‫ نتايج شبه سازي ها‬،‫ كيلووات شبيهسازي شد‬3 ‫پيشنهادي يک نيروگاه‬
[19] Y. C. Hsieh, L. R. Yu, T. C. Chang, W. C. Liu, T. H. Wu, C. S. Moo,
“Parameter Identification of One-Diode Dynamic Equivalent Circuit
‫مؤثر بود روش پيشنهادي جهت استخراج پارامترهاي مجهول مدل تک‬
Model for Photovoltaic Panel”, IEEE Journal of Photovoltaics, vol. ‫ديود و مدلسازي مشخصه ولتاژ – جريان نيروگاههاي خورشيدي را نشان‬
10, no. 1, 2020, 10.1109/JPHOTOV.2019.2951920.
[20] Y. Mahmoud, W. Xiao, “Evaluation of Shunt Model for Simulating .‫میدهد‬
Photovoltaic Modules”, IEEE Journal of Photovoltaics, vol. 8, no. 6,
2018, 10.1109/JPHOTOV.2018.2869493.
[21] E. Karatepe, M. Boztepe, M. Colak, “Neural network based solar ‫ مراجع‬-6
cell model”, Energy Conversion and Management vol. 47, pp. 1159–
1178, 2006, 10.1016/j.enconman.2005.07.007. [1] D. C. Jordan, S. R. Kurtz, “Field Performance of 1.7 GW of
[22] A. N. Celik, “Artificial neural network modelling and experimental Photovoltaic Systems”, IEEE Journal of Photovoltaics, vol. 5, no. 1,
verification of the operating current of mono-crystalline photovoltaic january 2015, 10.1109/JPHOTOV.2014.2361667.
modules”, Solar Energy vol. 85, pp. 2507–2517, 2011, [2] M. Brenna, F. Foiadelli, M. Longo, D. Zaninelli, “Energy Storage
10.1016/j.solener.2011.07.009. Control for Dispatching Photovoltaic Power”, IEEE Transactions on
[23] X. J. Dong, J. N. Shen, Z. F. Ma, Y. J. He, “Simultaneous operating Smart Grid, vol. 9, no. 4, 2018, 10.1109/TSG.2016.2611999.
temperature and output power prediction method for photovoltaic [3] S. Hara, H. Douzono, M. Imamura, Tatsuya Yoshioka, “Estimation
modules”, Energy vol. 260, no. 124909, 2022, of Photovoltaic Cell Parameters Using Measurement Data of
10.1016/j.energy.2022.124909. Photovoltaic Module String Currents and Voltages”, IEEE Journal of
[24] M. G. Villalva, J. R. Gazoli, E. R. Filho, “Comprehensive Approach Photovoltaics, vol. 12, no. 2, 2022,
to Modeling and Simulation of Photovoltaic Arrays” IEEE Trans. on 10.1109/JPHOTOV.2021.3135262.
Pow.Electr., vol. 24, no. 5, may 2009,10.1109/TPEL.2009.2013862. [4] M. Ma, Z. Zhang, P. Yun, Z. Xie, H. Wang, W. Ma, “Photovoltaic
Module Current Mismatch Fault Diagnosis Based on I-V Data”,
IEEE Journal of Photovoltaics, vol. 11, no. 3, 2021,
10.1109/JPHOTOV.2021.3059425.
[5] K. Kamil, K.H. Chong, H. Hashim, “Excess power rerouting in the
grid system during high penetration solar photovoltaic”, Electric
Power Systems Research, vol. 214, Part A, 2023,
10.1016/j.epsr.2022.108871.
[6] P. Chao, W. Li, X. Liang, Y. Shuai, F. Sun, Y. Ge, “A
comprehensive review on dynamic equivalent modeling of large
photovoltaic power plants”, Solar Energy, vol. 210, 2020,
10.1016/j.solener.2020.06.051.
[7] G. Ciulla, V. L. Brano, V. D. Dio, G. Cipriani, “A comparison of
different one-diode models for the representation of I–V
characteristic of a PV cell”, Renewable and Sustainable Energy
Reviews, vol. 32, pp. 684–696, 2014, 10.1016/j.rser.2014.01.027.