قباد شفیعی

پنل‌های فتوولتائیک (PV) به عنوان یک منبع انرژی تجدید‌پذیر به طور فزاینده‌ای در رسیدگی به چالش‌های انرژی جهانی و کاهش اثرات زیست محیطی، حیاتی شده‌اند. برای بهینه‌سازی کارایی و عملکرد سیستم‌های فتوولتائیک، مدلسازی دقیق و پیش‌بینی خروجی‌ها نظیر جریان، ولتاژ و توان پنل و یا مدلسازی ولتاژ مدارباز، جریان اتصال کوتاه، ولتاژ و جریان درحداکثر نقطه توان در شرایط محیطی متفاوت، ضروری است. این پایان‌نامه یک مطالعه پژوهشی و آزمایشگاهی در زمینه مدلسازی پنل‌های خورشیدی با استفاده از الگوریتم‌های یادگیری ماشین، با هدف افزایش درک رفتار سیستم فتوولتائیک با رویکرد جعبه سیاه، ارائه می‌کند. این تحقیق با ارزیابی انتقادی رویکردهای مدل‌سازی مرسوم آغاز می‌شود و محدودیت‌های آن‌ها را در گرفتن روابط غیرخطی و انطباق با شرایط محیطیِ پویا، آشکار می‌کند. برای غلبه بر این چالش‌ها، یادگیری ماشینی به عنوان یک جایگزین قدرتمند ظاهر می‌شود که قادر به یادگیری الگوهای پیچیده از مجموعه داده‌های گسترده و ارائه پیش‌بینی‌های دقیق است. این پایان نامه به بررسی ساده‌ترین تکنیک‌های مختلف یادگیری ماشین، از جمله رگرسیون چند‌جمله‌ای، رگرسیون نمایی، و شبکه های عصبی می‌پردازد که با دو دسته داده‌های دنیای واقعی و یک دسته داده‌های مصنوعی شامل دما، تابش و بار اعمال می‌شوند. اثربخشی این الگوریتم‌ها از طریق آزمایش و تجزیه و تحلیل، با تمرکز بر دقت، توانایی تعمیم به داده‌های تست و اعتبارسنجی با داده‌های واقعیِ آزمایشگاهی، ارزیابی می‌شوند. برای مطالعه هرچه بهتر پنل‌ها، و تکمیل تحقیق، شناسایی پارامترها با مدل مداری تک دی.دی و الگوریتم ردیابی حداکثر توان برای مقایسه و اعتبارسنجی مدل، پیاده‌سازی شده‌اند. علاوه بر این، کیفیت داده‌ها، به ویژه تحریک‌پذیری، برای افزایش همگرایی و استحکام مدل‌ها مورد بررسی قرار می‌گیرند.