Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
ATZ-Fachkongress

Chassis.tech plus 2024


4 Kongresse in einer Veranstaltung

Treffen Sie in München die Fachleute von Chassis, Lenkung, Bremsen sowie Reifen/Räder.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
A Deep Learning-Based Recommendation System to Enable End User Access to Financial Linked Knowledge Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

Electrical Behavior Modeling of Solar Panels Using Extreme Learning Machines

verfasst von : Jose Manuel Lopez-Guede, Jose Antonio Ramos-Hernanz, Julian Estevez, Asier Garmendia, Leyre Torre, Manuel Graña

Erschienen in: Hybrid Artificial Intelligent Systems

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Predicting the response of solar panels has a big potential impact on the economical viability of the insertion of alternative energy sources in our societies, diminishing the dependence on polluting fossil fuels. In this paper we approach the modeling of the electrical behavior of a commercial photovoltaic module Atersa A-55 using Extreme Learning Machines (ELMs). The training and validation data were extracted from the response of a real photovoltaic module installed at the Faculty of Engineering of Vitoria-Gasteiz (Basque Country University, Spain). The resulting predictive model has one input (\(V_{PV}\)) and one output (\(I_{PV}\)) variables. We achieve a Root Mean Squared Error (RMSE) of 0.026 in the electrical current measured in Amperes.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel An Adaptive Approach for Index Tuning with Learning Classifier Systems on Hybrid Storage Environments
Nächstes Kapitel A Hybrid Clustering Approach for Diagnosing Medical Diseases
Literatur
1.
Bandou, F., Arab, A.H., Belkaid, M.S., Logerais, P.-O., Riou, O., Charki, A.: Evaluation performance of photovoltaic modules after a long time operation in Saharan environment. Int. J. Hydrogen Energy 40(39), 13839–13848 (2015)CrossRef
2.
Bastidas-Rodriguez, J.D., Petrone, G., Ramos-Paja, C.A., Spagnuolo, G.: A genetic algorithm for identifying the single diode model parameters of a photovoltaic panel. Math. Comput. Simul. 131, 38–54 (2015)MathSciNetCrossRef
3.
Elbaset, A.A., Ali, H., Abd-El Sattar, M.: Novel seven-parameter model for photovoltaic modules. Solar Energy Mater. Solar Cells 130, 442–455 (2014)CrossRef
4.
Fang, W., Quan, S.H., Xie, C.J., Tang, X.F., Wang, L.L., Huang, L.: Maximum power point tracking with dichotomy and gradient method for automobile exhaust thermoelectric generators. J. Electron. Mater. 45(3), 1613–1624 (2016)CrossRef
5.
Gautam, A., Soh, Y.C.: Stabilizing model predictive control using parameter-dependent dynamic policy for nonlinear systems modeled with neural networks. J. Process Control 36, 11–21 (2015)CrossRef
6.
Gonzaez-Longatt, F.: Model of photovoltaic in MatlabTM. In: 2do Congreso Iberoamericano de Estudiantes de Ingeniería Eléctrica, Electrónica y Computación (II CIBELEC 2005). Puerto la Cruz-Venezuela (2006)
7.
Gow, J.A., Manning, C.D.: Development of a photovoltaic array model for use in power-electronics simulation studies. IEE Proc. Electric Power Appl. 146(2), 193–200 (1999)CrossRef
8.
Huang, G.-B., Wang, D.H., Lan, Y.: Extreme learning machines: a survey. Int. J. Mach. Learn. Cybernet. 2(2), 107–122 (2011)CrossRef
9.
Huang, G.-B., Zhu, Q.-Y., Siew, C.-K.: Extreme learning machine: theory and applications. Neurocomputing 70(1–3), 489–501 (2006)CrossRef
10.
Karamirad, M., Omid, M., Alimardani, R., Mousazadeh, H., Heidari, S.N.: ANN based simulation and experimental verification of analytical four-and five-parameters models of pv modules. Simul. Model. Pract. Theory 34, 86–98 (2013)CrossRef
11.
Miceli, R., Orioli, A., Di Gangi, A.: A procedure to calculate the i-v characteristics of thin-film photovoltaic modules using an explicit rational form. Appl. Energy 155, 613–628 (2015)CrossRef
12.
Muhsen, D.H., Ghazali, A.B., Khatib, T., Abed, I.A.: Parameters extraction of double diode photovoltaic module model based on hybrid evolutionary algorithm. Energy Convers. Manag. 105, 552–561 (2015)CrossRef
13.
Ramos Hernanz, J.A., Lopez Guede, J.M., Zamora Belver, I., Eguia Lopez, P., Zulueta, E., Barambones, O., Oterino Echavarri, F.: Modelling of a photovoltaic panel based on their actual measurements. Int. J. Tech. Phys. Prob. Eng. (IJTPE) 6(4), 37–41 (2014)
14.
Ramos-Hernanz, J.A., Campayo, J.J., Larranaga, J., Zulueta, E., Barambones, O., Motrico, J., Fernandez Gamiz, U., Zamora, I.: Two photovoltaic cell simulation models in Matlab/Simulink. Int. J. Tech. Phys. Prob. Eng. (IJTPE) 4(1), 45–51 (2012)
15.
De Soto, W., Klein, S.A., Beckman, W.A.: Improvement and validation of a model for photovoltaic array performance. Sol. Energy 80(1), 78–88 (2006)CrossRef
16.
Villalva, M.G., Gazoli, J.R., Filho, E.R.: Modeling and circuit-based simulation of photovoltaic arrays. In: Power Electronics Conference, COBEP 2009, Brazilian, pp. 1244–1254 (2009)
17.
Widrow, B., Lehr, M.A.: 30 years of adaptive neural networks: perceptron, madaline, and backpropagation. Proc. IEEE 78(9), 1415–1442 (1990)CrossRef
Metadaten
Titel
Electrical Behavior Modeling of Solar Panels Using Extreme Learning Machines
verfasst von
Jose Manuel Lopez-Guede
Jose Antonio Ramos-Hernanz
Julian Estevez
Asier Garmendia
Leyre Torre
Manuel Graña
Copyright-Jahr
2018
Buch
Hybrid Artificial Intelligent Systems

Print ISBN: 978-3-319-92638-4

Electronic ISBN: 978-3-319-92639-1

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-319-92639-1_61

Premium Partner

    Bildnachweise