大规模双面光伏模块框架的设计优化,使用深度学习替代模型

科学领域:

• 材料科学 材料科学 材料科学
• 机械工程 机械工程
• 可再生能源系统可再生能源系统

背景情况:

• 太阳能电池中晶圆尺寸的增加导致更大,更重的光伏 (PV) 模块.
• 模块重量可能导致偏移,可能降低光伏电池效率.

研究的目的:

• 为大型双面光伏模块开发一个最佳的框架设计,以减轻偏移.
• 识别框架设计因素,以尽量减少曲和重量.

主要方法:

• 为大型双面光伏模块构建了一个有限元 (FE) 模型.
• 使用FEA数据集训练了一个基于深度神经网络 (DNN) 的FE代理模型.
• 通过贝叶斯优化和k-fold验证改进了模型.
• 创建了100万个数据集来预测最佳框架设计因素.

主要成果:

• 经过训练的FE替代模型表现出高准确度和低误差率 (MAPE < 0.0020,R2 > 0.9962).
• 确定了最佳的框架设计因素 (a=1.5,b=13.7,c=1.5,d=3.0,e=4.3),以最大限度地减少偏斜和重量.
• 与现有设计相比,实现了9.6%的屈曲减少和12.8%的重量增加.

结论:

• 该FE替代模型准确地预测了FEA对光伏模块偏移和重量的结果.
• 该研究为设计更轻,更耐屈曲的光伏模块框架提供了基础.
• 优化的框架设计可以提高大型双面光伏模块的效率和寿命.