پیش بینی دبی بهینه کلکتور صفحه تخت خورشیدی با رویکرد استفاده از هوش مصنوعی
چکیده
امروزه به دلیل هزینه بالای حامل های انرژی، نیاز روز افزون به انرژی های نو برای جایگزینی سوخت های فسیلی احساس می شود. ارزان ترین و در دسترس ترین نوع این انرژی ها، انرژی خورشیدی است. در میان کاربرد های مختلف انرژی خورشیدی، تولید آبگرم مصرفی ساختمان ها، یکی از اقتصادی ترین روش های استفاده از انرژی خورشیدی محسوب می شود. از آنجا که تغییر تابش در طول روز یکی از پارامتر های غیرقابل کنترل است، باید ترتیبی اتخاذ شود تا امکان جذب بیشترین انرژی در تابش های مختلف فراهم شود. در این پایان نامه با استفاده از شبکه عصبی مصنوعی، دبی بهینه کلکتور های صفحه تخت خورشیدی در تابش های مختلف به ازاء دبی های مختلف آبگرم خروجی از مخزن پیش بینی شده است. برای آموزش شبکه عصبی، از داده های تجربی که توسط یک دستگاه آبگرمکن صفحه تخت خورشیدی گردآوری شده، استفاده شده است. داده برداری ها برای 7 دبی سیال مسیر کلکتور و 4 دبی آبگرم خروجی از مخزن انجام شده است. در مجموع 28 روز داده برداری برای 28 حالت مختلف انجام شده است که 67% داده های جمع آوری شده به آموزش شبکه و 33% داده ها به تست شبکه عصبی اختصاص داده شده است. زمان، دمای محیط، دمای صفحه جاذب، تابش عمود بر سطح کلکتور، دبی سیال مسیر کلکتور و دبی آبگرم خروجی از مخزن به عنوان ورودی های شبکه و دمای سیال ورودی به کلکتور و دمای سیال خروجی از کلکتور به عنوان خروجی های شبکه در نظر گرفته شده اند. بیشینه خطای نسبی آموزش شبکه برابر 2.17% و بیشینه خطای نسبی تست شبکه برابر 2.10% شده است. با استفاده از مدل شبکه عصبی ارائه شده، دبی های بهینه کلکتور در تابش های مختلف به ازاء دبی های مختلف آبگرم خروجی از مخزن پیش بینی شده است. نتایج در دو حالت مختلف برای دبی ثابت آبگرم خروجی از مخزن و نیز دبی متغیر آبگرم خروجی از مخزن ارائه شده است. نشان داده شده است که با افزایش تابش، برای دستیابی به بازده ماکزیمم، دبی کلکتور نیز بایستی افزایش یابد. بعلاوه هر چه دبی آبگرم خروجی از مخزن افزایش یابد، ماکزیمم مقدار دبی بهینه کلکتور نیز افزایش می یابد. نتایج نشان می دهد که تغییر دبی کلکتور، بازده لحظه ای کلکتور را 10.95% و بازده متوسط کلکتور را 2.38% افزایش می دهد.