Fotovoltaik Hücrenin Verimliliğinin Yapay Sinir Ağı İle Tahmini

Year 2017, Volume: 10 Issue: 3, 247 - 253, 31.07.2017

Harun Özkişi , Murat Topaloğlu

https://doi.org/10.17671/gazibtd.331035

Cited By: 8

Abstract

Teknolojinin hızla gelişmesi insan hayatındaki günlük elektronik eşya kullanımını
arttırmıştır. Bu durum dünya üzerindeki enerji tüketiminde önemli bir artışa
sebep olmuştur. Enerji tüketiminin artması enerji sorununu ortaya çıkarmış ve
bu sorunu aşmak için farklı enerji kaynaklarına yönelimler başlamıştır.  Fosil yakıtların çevreye zarar vermesi ve
tükenebilir olması alternatif enerji kaynaklarına yönelime yol açmıştır. Bu
sorunu ortadan kaldırmak için güneş enerjisinin elektrik enerjisine çevirme
fikri ortaya atılmıştır. Bu fikirden yola çıkılarak birçok uygulama hayata
geçirilmiş ve bu uygulamalar hayatımızda yaygın bir hal almıştır. Fotovoltaik
hücre ile yapılan bu uygulamaların gerilim elde etme açısından verimli olması oldukça
önemli bir konu olarak karşımıza çıkmaktadır. Bu çalışmanın amacı, fotovoltaik
hücrenin verimliliğini çevresel etkiler göz önünde bulundurarak Yapay Sinir Ağı
teknolojisi ile tahmin etmektir. Bu tahmin için fotovoltaik hücrenim gerilim
değerine karşılık rüzgâr hızı, sıcaklık, nem ve hücrenin açısı gibi çevresel
faktörler dikkate alınmıştır. Veriler her bir faktör ve gerilim değerleri için
ölçüm yapan bir düzenek ile belli bir zaman aralığı boyunca kayıt altına
alınmıştır. Yapılan ölçümler sonucu elde edilmiş olan veriler ile panelin verimliliğini
ortaya koyan bir Yapay Sinir Ağı modellenmiştir. Bu model fotovoltaik hücrenin
verimlilik değerini yüzdelik olarak iyi bir şekilde tahmin etmektedir. Ayrıca ağın
eğitim ve test işlemlerindeki performans ölçütlerinin oldukça iyi olduğu
görülmektedir. Bu durum verimlilik tahmini için modellenmiş olan ağın tahmin
yeteneğinin yüksek olduğunu göstermektedir.

Keywords

Yapay Sinir Ağı, Fotovoltaik Hücre, Verimlilik, Çevresel Faktörler.

References

• [1] A. Ö. Küpeli, Güneş Pilleri Ve Verimleri, Yüksek Lisans Tezi, Osmangazi Üniversitesi, Fen Bilimleri Enstitüsü, 2005. [2] A. Batman, Elektrik Üretimi İçin Güneş Pillerinin Kullanımında Verimi Arttırıcı Yeni Bir Yöntem, Doktora Tezi, İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, 2001. [3] Ş. Oktik, 2001, Güneş Elektrik Dönüşümleri Fotovoltaik Güneş Gözeleri ve Güç Sistemleri, Ankara Temiz enerji Vakfı Yayınları, 40s. [4] M. Deveci, Fotovoltaik Uygulamalar İçin Zno Nanotel Sentezi Ve Elektrooptik Özelliklerin İncelenmesi, Yüksek Lisans Tezi, Hacettepe Üniversitesi, Fen Bilimleri Enstitüsü, 2016. [5] M. K. Hergün, Organik Yarıiletkenlerin Katkılanması Ve Fotovoltaik Uygulamaları, Yüksek Lisans Tezi, Ege Üniversitesi, Fen Bilimleri Enstitüsü, 2016. [6] M. Habıbullah, Rüzgar-Fotovoltaik- Biyogaz Hibrit Güç Sistemlerinin Akıllı Mikro Şebekelerde Kullanımının Kontrol Ve Dizaynı, Yüksek Lisans Tezi, Ege Üniversitesi, Fen Bilimleri Enstitüsü, 2016. [7] M. A. Köprü, Fotovoltaik Sistemlerde Kablo Kayıplarının İncelenmesi, Yüksek Lisans Tezi, Fırat Üniversitesi, Fen Bilimleri Enstitüsü, 2016. [8] Y. Luoa, Z. Wangb, G. Weia, F. E. Alsaadic, T. Hayatc, “State estimation for a class of artificial neural networks with stochastically corrupted measurements under Round-Robin protocol”, Neural Networks, Vol 77, P 70–79, 2016. [9] E. Öztemel, Yapay Sinir Ağları, Popatya Yayıncılık, 3, İstanbul, 2012. [10] K. Donuk, Şebekeye Bağlı Fotovoltaik Sistemlerde Üretilen Enerjinin Yapay Sinir Ağları Kullanılarak Tahmini, Yüksek Lisans Tezi, Fırat Üniversitesi, Fen Bilimleri Enstitüsü, 2014. [11] S. D. Erdoğan, Fotovoltaik Sistemlerde Yapay Sinir Ağları İle Maksimum Güç Noktası İzleyicisi Tasarımı, Yüksek Lisans Tezi, Ege Üniversitesi, Fen Bilimleri Enstitüsü, 2011. [12] A. A. Kulaksız, Maksimum Güç Noktası İzleyicili Ve UVM İnverterli Fotovoltaik Sistemin Yapay Sinir Ağları Tabanlı Kontrolü, Doktora Tezi, Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, 2007. [13] A. Mellit, M., Menghanem, M. Bendekhis, “Artificial neural network model for prediction solar radiation data: application for sizing stand-alone photovoltaic power system”, In Power Engineering Society General Meeting, IEEE, pp. 40-44, 2005. [14] F., Bonanno, G., Capizzi, G., Graditi, C., Napoli, G. M., Tina, “A radial basis function neural network based approach for the electrical characteristics estimation of a photovoltaic module” Applied Energy, 97, 956-961, 2012. [15] A., Mellit, A. M. Pavan, “A 24-h forecast of solar irradiance using artificial neural network: Application for performance prediction of a grid-connected PV plant at Trieste, Italy.” Solar Energy, 84(5), 807-821, 2010. [16] A., Yona, T., Senjyu, A. Y., Saber, T., Funabashi, H., Sekine, C. H., Kim, “Application of neural network to one-day-ahead 24 hours generating power forecasting for photovoltaic system.” In Intelligent Systems Applications to Power Systems, 2007. ISAP 2007. International Conference on (pp. 1-6). IEEE, 2007. [17] A., Mellit, A. M., Pavan, “Performance prediction of 20kW p grid-connected photovoltaic plant at Trieste (Italy) using artificial neural network.” Energy Conversion and Management, 51(12), 2431-2441, 2010. [18] A. G. R., Vaz, B., Elsinga, W. G. J. H. M., van Sark, M. C., Brito, “An artificial neural network to assess the impact of neighbouring photovoltaic systems in power forecasting in Utrecht, the Netherlands.” Renewable Energy, 85, 631-641, 2016. [19] F., Almonacid, E. F., Fernandez, A., Mellit, S., Kalogirou, “Review of techniques based on artificial neural networks for the electrical characterization of concentrator photovoltaic technology.” Renewable and Sustainable Energy Reviews, 75, 938-953, 2017. [20] İ., Ceylan, E., Gedik, O., Erkaymaz, A. E., Gürel, “The artificial neural network model to estimate the photovoltaic modul efficiency for all regions of the Turkey.” Energy and Buildings, 84, 258-267, 2014. [21] A., Rezvani, M., Gandomkar, “Modeling and control of grid connected intelligent hybrid photovoltaic system using new hybrid fuzzy-neural method.” Solar Energy, 127, 1-18, 2016. [22] A., Rezvani, A., Khalili, A., Mazareie, M., Gandomkar, “Modeling, control, and simulation of grid connected intelligent hybrid battery/photovoltaic system using new hybrid fuzzy-neural method.” ISA transactions, 63, 448-460, 2016. [23] T. Çakar, A. K. Türker ve A. Toraman. “İmalat sistemlerinin tasarlanmasında Yapay Sinirsel Ağların Kullanılması” Birinci Ulusal Zeki İmalat Sistemleri Sempozyumu ZİS’96’da Sunulan Bildiri, Sapanca-Sakarya, 30-31, Mayıs, 1996. [24] Ö. Efe, O. Kaynak, Yapay Sinir Ağları ve Uygulamaları, Boğaziçi Üniversitesi Yayınları, Basım No:696, İstanbul, 2002. [25] B. Eren, ve S.M. Turp, “Sızıntı Suyundan Nikel (Iı) İyonları Giderim Veriminin Yapay Sġnġr Ağları ile Tahmin Edilmesi”, Journal of New World Sciences Academy Engineering Sciences, 1A0161, 6, (1), 398-405 2011. [26] K. Mathiyalagan, H. Su, P. Shi, R. Sakthivel, “Exponential H∞ Filtering For Discrete-Time Switched Neural Networks With Random Delays”, IEEE Transactions on Cybernetics, 45(4), 676–687, 2015. [27] P. Shi, Y. Zhang, R. K. Agarwal, “Stochastic finite-time state estimation for discrete time-delay neural networks with Markovian jumps”, Neurocomputing, 151, 168–174, 2015. [28] Z. Wang, D. W. Ho, X. Liu, “State estimation for delayed neural networks”, IEEE Transactions on Neural Networks, 16(1), 279–284, 2005. [29] Z. Wang, Y. Liu, X. Liu, “State estimation for jumping recurrent neural networks with discrete and distributed delays”, Neural Networks, 22(1), 41–48, 2009. [30] T. Aydoğan, S. Çömlekçi ve M. Albayrak, “Yapay Sinir Ağlarında Öğrenme Yeteneği Uygulaması”, Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 4(1), 5-10, 2000. [31] K.P. Singh, A. Basant, A. Malik, G. Jain, “Artificial Neural Network Modeling Of The River Water Quality—A Case Study”, Ecological Modelling, Volume:220, Number:6 , 888-895, 2009. [32] N.S. Kaveh, S.N. Ashrafizadeh, F. Mohammadi, “Development of an artificial neural network model for prediction of cell voltage and current efficiency in a chlor-alkali membrane cell” Chemical Engineering Research and Design, Volume:86, Number:5, 461-472, 2008. [33] E. Doğan, A. Ateş, E.C. Yılmaz, B. Eren, “Application of Artificial Neural Networks to Estimate Wastewater Treatment Plant Inlet Biochemical Oxygen Demand” Environmental Progress, Volume:27, Number:4 , 439-446, 2008.