Modeling of Photovoltaic System Output Using Artificial Neural Network
| العنوان بلغة أخرى: |
التنبؤ باداء الأنظمة الكهروضوئية باستخدام الشبكة العصبية الاصطناعية |
|---|---|
| المؤلف الرئيسي: | عيسى، صهيب زكريا حسن (مؤلف) |
| مؤلفين آخرين: | الغندور، أحمد محمود (مشرف) |
| التاريخ الميلادي: |
2017
|
| موقع: | الزرقاء |
| الصفحات: | 1 - 53 |
| رقم MD: | 857002 |
| نوع المحتوى: | رسائل جامعية |
| اللغة: | الإنجليزية |
| الدرجة العلمية: | رسالة ماجستير |
| الجامعة: | الجامعة الهاشمية |
| الكلية: | كلية الدراسات العليا |
| الدولة: | الاردن |
| قواعد المعلومات: | Dissertations |
| مواضيع: | |
| رابط المحتوى: |
عدد مرات التحميل
29
| المستخلص: |
المزيد من الجهود الإضافية اللازمة لتشجيع استخدام النظم الكهروضوئية المتصلة بالشبكة كنظم بديلة لأنظمة الطاقة الكهربائية. هذه الرسالة تدرس النظام الكهروضوئي تحت ظروف الطقس المختلفة في الجامعة الهاشمية، الأردن. علما أن النظام الشمسي المستخدم يتكون من خمسة الواح كهروضوئية حيث تبلغ القدرة الإجمالية لها 1425 كيلو واط. واستخدمت نظم الحصول على البيانات لجمع قراءات النظام الشمسي لكل دقيقة من الرابع عشر من شهر أيلول لغاية الثالث والعشرين من شهر كانون الثاني. حيث تم اخذ معدل للقراءات في كل ساعة. نظام الشبكة العصبية الاصطناعية طبقت على القراءات المجمعة (شدة الإشعاع، درجة حرارة الخلايا وسرعة الرياح) باستخدام برنامج الماتلاب لتبين كيفية أداء النظام الكهروضوئي تحت الظروف الجوية المختلفة وتنبؤ الطاقة المنتجة من النظام في المستقبل بالاعتماد على تلك الظروف. في هذا العمل، خوارزمية لافنبرغ- ماركاردت هي الخوارزمية المستخدمة لعملية التعليم، وأثبتت أن تكون هذه هي الخوارزمية المناسبة مع نسبة خطأ أقل من 2.5% عند 10 طبقات مخفية التكوين. تم اختبار أربعة أرقام مختلفة من الطبقات المخفية (8 و10 و20 و23) للحصول على أفضل أداء ونتائج، تم اختبار 124 قراءة من خلال حساب النسبة المئوية للبيانات الصائبة من جميع بيانات الاختبار. تمثل البيانات الصائبة القيم المتطابقة مع القيم الحقيقية نسبة خطأ مقدارها ± 4 ل 8 طبقات التكوين؛ وكانت البيانات الصائبة 65، وكانت البيانات الخاطئة 59، وكان الأداء% 52.42% وكان خطأ% 47.58%، ولكن ل 10 طبقات التكوين. البيانات الصائبة كانت 121، وكانت البيانات الخاطئة 3، وكان الأداء% 97.58% وكان الخطأ% 2.42%، في حين ل 20 طبقات التكوين؛ وكانت البيانات الصائبة 45، وكانت البيانات الخاطئة 79، وكان الأداء% 36.29% وكان خطأ% 63.71%، وأخيرا ل 23 طبقات التكوين. وبلغت البيانات الصائبة 36، وكانت البيانات الخاطئة 88، وكان الأداء% 29.03% وكان خطأ% 70.97%. وللتغلب على القيود المفردة لنموذج ما، يمكن أن تؤدي النماذج الهجينة التي تستخدم نماذج مختلفة إلى التقاط أنماط مختلفة في البيانات إلى تحسين أداء التنبؤات. ولذلك، يمكن للشبكات العصبية المرتبطة بنماذج أخرى، مثل مجموع صور السماء أو النماذج القائمة على السواتل، أن تكون أداة أساسية لتحسين دقة التنبؤات خلال اليوم. وفي الوقت الحالي، فإن الأفق اليومي له قيمة اقتصادية أصغر من التوقعات اليومية؛ إلا أنه من المحتمل أن تتحقق فرص سوقية كبيرة من خلال زيادة انتشار الطاقة الشمسية وتحسين دقة التنبؤات خلال اليوم. |
|---|
عناصر مشابهة
-
Using Enhanced Artificial Neural Networks Model for Classification and Prediction of Diabetes
بواسطة: Qteat, Haneen Omar Ismail منشور: (2019) -
Predicting PV Cell Performance by Artificial Neural Network
بواسطة: المعاسفة، صهيب ابراهيم منشور: (2017) -
An Application of Artificial Neural Network in Power System Control
بواسطة: Abou Alenein, Ali N. M. منشور: (1997) -
Automatic Atrial Fibrillation Detection Using Artificial Neural Network
بواسطة: Al Darmaki, Ahood Mansoor منشور: (2021) -
Forecasting Water Levels Using Artificial Neural Network
بواسطة: Habeeb, Fatema Abbakar Suliman منشور: (2019)
