研究目的
利用广义回归神经网络（GRNN）模型预测太阳能光伏光热集热器（SPV/T-WC）的瞬态性能变化。
研究成果
本研究提出的GRNN模型能准确预测SPV/T-WC系统的性能变化，其预测总功率输出和总效率的整体准确率分别为95.36%和96.22%。该模型为传统预测方法提供了一种简单、有效且省时的替代方案。
研究不足
该研究的局限性在于光伏/热-水冷（SPV/T-WC）系统中电功率与热功率输出敏感性的瞬态特性。广义回归神经网络（GRNN）模型的准确性取决于所使用数据集的数量，要实现高精度需要大量数据集。
1：实验设计与方法选择：
本研究采用独立运行的光伏/热-水冷（SPV/T-WC）系统进行为期四天的实时实验，收集数据用于训练、测试和验证广义回归神经网络（GRNN）模型。这些模型旨在预测SPV/T-WC系统的总功率输出和整体效率。
2：样本选择与数据来源：
数据采集自印度泰米尔纳德邦蒂鲁吉拉帕利市萨拉纳坦工程学院太阳能热实验室的实验。
3：实验设备与材料清单：
SPV/T-WC系统包括太阳能光伏组件、电压表、电流表、可变电阻器、温度传感器和太阳辐射计。
4：实验流程与操作步骤：
实验在不同太阳辐照度和温度条件下测量电功率和热功率输出。实验过程中，工作流体流速、倾斜角度及SPV/T-WC模块的朝向保持恒定。
5：数据分析方法：
使用MATLAB R2016a实现GRNN模型，以预测SPV/T-WC系统的性能，并通过实时实验结果验证模型的准确性。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
solar pyranometer
0–2000 W/m2
Gantner instruments
Measuring solar irradiance
-
digital thermometer
?50 °C to +110 °C
Mextech
Measuring fluid temperature
-
voltmeter
0–60 V
Automatic India Ltd.
Measuring voltage
-
ammeter
0–20 A
Automatic India Ltd.
Measuring current
-
rheostat
250 Ohms,1.8A
CEI India, Ltd.
Adjusting resistance
-
登录查看剩余3件设备及参数对照表
查看全部
