讨论了数据的生成过程和采样过程。最后,第2.4节讨论了本研究中用于
学习生成数据的人工神经网络的结构,第2.5节解释了本研究中考虑的不
同神经网络架构。
2.1.
系统描述和材料
光伏电池由多晶硅制成,在晴朗的天空条件下运行(1 kW/m
2
)。在
白天,太阳能电池通过PV效应将入射的太阳辐照度转换为电能。为了减
少过热的影响,TEG直接连接到PV的背板上,在太阳能发电过程中充
当散热器。这种直接连接通过具有高导热性和低导电性的导热膏来实
现,以消除来自PV-TEG界面区域的气隙,从而通过传导最大化热传
递。导热膏由Dow Corning TC-5022制成,具有4 Wm
-1
K
-1
的高导热率
[35]。
所选择的TE模块是可商购获得的40
40 mm
2
TGM 127-1.4-2.5模块,由位于俄罗斯圣彼得堡的TE模块制造
公 司 KRYOTHERM 生 产 。 该 模 块 的 成 本 为 31.50 美 元 , 它 可 以 在
170 °C的温差下产生5.4 W的最大功率输出[36]。TE模块通过水冷进行
冷却,以确保发电的冷热端之间存在温差。通过在温度范围内指定500
Wm
-2
K
-1
的传热系数[37],
在
FEM
求解器中开发的数字孪生中的
TEG
冷端
构成混合
PV-TE
系统的组成材料的尺寸列于表
1
中。为了降低
FEM
求解器的计算复杂性,同时获得准确的结果,我们隔离了一个单耦合
TE
模块和相应的
PV
模块部分进行分析。
六种热电材料,即高硅化锰(
HMS
),碲化铅(
PbTe
),氮化
锂氧化物(
LiNiO
),方钴矿(
CoSb
),碲化铋(
BiTe
),和纳米
材料。这些材料的选择涵盖了
PV-TE
设计中的高、中、低工作温度
这些材料的温度相关特性,如塞贝克系数、热导率和电阻率,通过
用文献
[38-44]
中的这些图和表达式如图所示。表
2
和表
2
分别。
TE
材
料特性的表达式可以从本工作附带的补充材料此外,补充材料中还包
含与光电
-
热电系统性能方程、用于定义数字孪生的边界条件以及网
格灵敏度结果有关的信息。
表1
组成混合
PV-TE
系统的各个部件及其尺寸。
2.2.
优化参数
优化的参数足以描述
PV-TE
的热、几何和电操作参数。表
2
显示
了各种优化层以及每个参数的恒定和变化值。
2.3.
数据生成和采样
PV-TE的性能数据是使用ANSYS数值求解器通过参数化改变系统的
八个参数生成的,以生成714个数据点。为了减少训练数据中的噪声,
根据Setti和Rao[45]的工作,使用均值和方差对数据进行归一化,以将
数据范围从0到1。在生成数据之后,生成的数据样本的70%用于训练,
而剩余的30%包括测试数据。
2.4.
人工神经网络模型
在这项研究中使用的人工神经网络是一个多层感知器与几个神经
元的隐藏层。进行了参数研究,
ANN
由三个主要层组成,包括输入
层、隐藏层和输出层。输入层是详细描述优化参数的地方,而输出层
是指定输出结果的地方。隐藏层是网络学习数据中隐藏的趋势和模式
的地方使用
Tan-Sigmoid
传递函数
[46]
将信号从网络中的一个节点传
递到另一个节点,并将均方误差(
MSE
),具有正则化性能函数的
MSE
(
MSERG
)和平方和误差(
SSE
)用于评估
ANN
的性能。这
些性能函数的详细解释可在其他地方获得
[48
2.5.
确定最佳神经网络
在这项研究中,神经网络的以下参数是不同的,以确定最好的网
络,以获得最准确的训练给定的数据。详细研究了下列参数对神经网
络的回归和性能的影响
1.
6
种不同的网络类型
2.
14
个常用的培训功能
3.
2
个基本的自适应学习功能
4. 3基本传递函数
5.
5
个不同的网络层(
1
到
5
,每
1
步)
6.
每层
5
个不同的神经元(
5
到
25
,每
5
步)
表3列出了本研究中使用的网络参数及其变化/故障值和函数。介绍了
几种神经网络模型及其相应的超参数,
找到了有关这些不同参数的详细信息,可从其他地方获得
[45]
。
七个输入特征是浓度比、对流传热系数、风速、环境温度、玻璃
发射率、针高度和横截面积。
14
个输出特征是从
7
个输入参数获得的
发电率和能量效率。在网络优化期间,最后两个输入(电负载电阻和
电流)被分别优化,因为在生成电负载(电流
-
功率和电流
-
功率)中
使用