深度回归分析用于光伏能源系统的增强热控制

科学领域:

• 可再生能源工程可再生能源工程
• 人工智能的人工智能
• 热管理 热管理

背景情况:

• 高效的冷却对于光伏 (PV) 太阳能电池板的电效率至关重要.
• 传统的温度探测器缺乏空间分辨率,无法准确评估冷却性能.
• 目前用于量化冷却效率的方法不准确,阻碍了光伏系统的优化.

研究的目的:

• 开发一种新的深度学习方法,用于精确,非侵入性地监测光伏太阳能电池板的冷却效率.
• 将卷积神经网络 (CNN) 与前神经网络 (FNN) 的预测能力进行比较,以估计冷却百分比.
• 增强热映射,以改善光伏系统维护和可再生能源输出.

主要方法:

• 利用U-Net架构从热成像视频中对太阳能电池板进行细分.
• 开发并比较了三层前神经网络 (FNN) 和拟议的卷积神经网络 (CNN) 用于回归分析.
• 采用深度回归技术,从单个热图片中估计冷却百分比.

主要成果:

• 拟议的CNN模型在FNN上表现出优越的预测能力,平均平方误差 (MSE) 为0.00117与0.016.
• CNN的平均绝对误差 (MAE) 为1.2%,R平方为0.95,显著超过FNN的MAE为3.5%,R平方为0.85.
• 引入标记的热成像数据集和为光伏热管理量身定制的深度学习架构.

结论:

• 开发的基于CNN的方法为非侵入性监测光伏冷却效率提供了精确可靠的方法.
• 该研究强调了拟议的大型光伏安装系统的实际实施,成本效益和可扩展性.
• 这项研究为通过行业合作优化光伏热管理的未来进展提供了基础.