بهینه سازی فرایند شناسایی پارامتر مدل های تک دیودی، دودیودی، و سه دیودی سلول خورشیدی توسط الگوریتم بهینه سازی شبکه عصبی

شناخت دقیق متغیرهای مجهول برای انواع سلول های خورشیدی با استفاده از داده های آزمایشگاهی اهمیت حیاتی در طراحی، کنترل، کیفیت، برآورد هزینه، و پیش-بینی عملکرد سلول های خورشیدی دارد. گسترش مشخصه های یک سلول خورشیدی واحد به مجموعه ای از سلول ها (پنل خورشیدی) معمولا براساس یک نقطه عملیاتی واحد بر روی منحنی مشخصه جریان- ولتاژ یکی از این سلول ها انجام می شود. در سال های اخیر، یک روش جدید برای پیش بینی عملکرد سلول و غربالگری سلولی با مدل سازی سلول با استفاده از یک مدار الکتریکی معادل ارائه شده است که در آن، هر متغیر، مربوط به یک پدیده فیزیکی در سلول خورشیدی است. این مدل های تحلیلی می توانند با یک مدل پنج، هفت، و اخیرا نه متغیری نشان داده شوند. به واسطه غیرخطی بودن و ناتوانی روش های بهینه سازی سنتی در شناسایی دقیق متغیر های ناشناخته سیستم، اخیرا الگوریتم های بهینه سازی هوشمند، توجهات چشمگیری را در حل این نوع مسایل مهندسی به خود جلب کرده اند. الگوریتم شبکه عصبی یک الگوریتم فراابتکاری است که از عملکرد شبکه عصبی مغز انسان الهام گرفته است. در این مقاله، تکنیک شناسایی پارامتر بهینه یک سلول خورشیدی تجاری برای مدل تک دیودی، دو دیودی، و سه دیودی توسط الگوریتم شبکه عصبی انجام گرفته است. نتایج بدست آمده از روش پیشنهادی دارای دقت پاسخ بهتری نسبت به الگوریتم های بهینه سازی اخیر در منابع است. این بهبود عملکرد به ترتیب برای مدل های تک دیودی، دو دیودی، و سه دیودی به میزان 0.44، 0.085، و 17.97 درصد نسبت به بهترین روش مطالعه شده در منابع حاصل شده است.