論文の概要: Evaluation of electrical efficiency of photovoltaic thermal solar collector

• arxiv url: http://arxiv.org/abs/2002.05542v1
• Date: Tue, 11 Feb 2020 21:11:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-02 02:48:27.822276
• Title: Evaluation of electrical efficiency of photovoltaic thermal solar collector
• Title（参考訳）: 太陽光発電用ソーラーコレクタの電気効率評価
• Authors: Mohammad Hossein Ahmadi, Alireza Baghban, Milad Sadeghzadeh, Mohammad Zamen, Amir Mosavi, Shahaboddin Shamshirband, Ravinder Kumar, Mohammad Mohammadi-Khanaposhtani
• Abstract要約: 本研究では, 太陽光発電用ソーラーコレクタ(PV/T)の熱特性を機械学習で予測する。 入射温度、流量、熱、太陽放射、太陽熱は入力変数として検討されている。 提案した LSSVM モデルは ANFIS と ANNs モデルより優れていた。
• 参考スコア（独自算出の注目度）: 1.9604116035607555
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Solar energy is a renewable resource of energy that is broadly utilized and has the least emissions among renewable energies. In this study, machine learning methods of artificial neural networks (ANNs), least squares support vector machines (LSSVM), and neuro-fuzzy are used for advancing prediction models for the thermal performance of a photovoltaic-thermal solar collector (PV/T). In the proposed models, the inlet temperature, flow rate, heat, solar radiation, and the sun heat have been considered as the inputs variables. Data set has been extracted through experimental measurements from a novel solar collector system. Different analyses are performed to examine the credibility of the introduced approaches and evaluate their performance. The proposed LSSVM model outperformed ANFIS and ANNs models. LSSVM model is reported suitable when the laboratory measurements are costly and time-consuming, or achieving such values requires sophisticated interpretations.
• Abstract（参考訳）: 太陽エネルギーは、広く利用され、再生可能エネルギーの中では最小のエネルギを持つ再生可能エネルギー資源である。 本研究では、ニューラルネットワーク(anns)、最小二乗サポートベクターマシン(lssvm)、ニューロファジー(neuro-fuzzy)の機械学習手法を用いて、太陽光発電熱集熱器(pv/t)の熱性能予測モデルを構築した。 提案モデルでは, 入射温度, 流量, 熱, 太陽放射, 太陽熱を入力変数として検討した。 データセットは、新しいソーラーコレクターシステムから実験的測定によって抽出された。 導入したアプローチの信頼性を検証し、その性能を評価するために異なる分析を行う。 提案した LSSVM モデルは ANFIS と ANNs モデルより優れていた。 LSSVMモデルは、実験室の計測が高価で時間を要する場合や、そのような値を達成するには洗練された解釈が必要であると報告されている。

関連論文リスト

• Solar Active Regions Emergence Prediction Using Long Short-Term Memory Networks [44.99833362998488]
  太陽表面における活動領域(AR)の形成を予測するために,Long Short-Term Memory(LSTM)モデルを開発した。 音響パワーと磁束の時系列データセットを使用して、LSTMモデルを12時間前に連続強度を予測するために訓練する。 これらの機械学習(ML)モデルは、次の磁束の出現と連続体強度の減少に伴う音響パワー密度の変動を捉えることができる。
  論文  参考訳（メタデータ） (2024-09-25T23:09:46Z)
• AI-Powered Dynamic Fault Detection and Performance Assessment in Photovoltaic Systems [44.99833362998488]
  太陽光発電(PV)の断続的な性質により、電力損失は10-70%、エネルギー生産量は25%減少する。 現在の故障検出戦略はコストが高く、複雑なデータ信号プロファイルのために信頼性の低い結果が得られることが多い。 本研究では,PythonのPVlibライブラリを用いた動的損失量子化アルゴリズムを取り入れた計算モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T23:52:06Z)
• Solar Radiation Prediction in the UTEQ based on Machine Learning Models [0.0]
  データは、ケヴェド工科大学中央キャンパス(UTEQ)のピラノメーターから得られた。 評価指標としてMean Squared Error(MSE)、Root Mean Squared Error(RMSE)、Mean Absolute Error(MAE)、決定係数(R2$)を比較した。 この研究は、グラディエント・ブースティング・レグレッショナーが優れた性能を示し、Random Forest Regressorがそれに続いたことを明らかにした。
  論文  参考訳（メタデータ） (2023-12-29T15:54:45Z)
• Plasma Surrogate Modelling using Fourier Neural Operators [57.52074029826172]
  トカマク炉内のプラズマの進化を予測することは、持続可能な核融合の目標を実現するために不可欠である。 深層学習に基づく代理モデルツールviz., Neural Operators (FNO) を用いた進化プラズマの正確な予測を実証する。 我々は、FNOが磁気流体力学モデルからシミュレーションされたプラズマ力学を予測する際に、従来の解法よりも6桁の速度を持つことを示した。 FNOは、MASTトカマク内のカメラで観測された実世界の実験データに基づいて、プラズマの進化を予測することもできる。
  論文  参考訳（メタデータ） (2023-11-10T10:05:00Z)
• Improving day-ahead Solar Irradiance Time Series Forecasting by Leveraging Spatio-Temporal Context [46.72071291175356]
  太陽発電は二酸化炭素の排出量を大幅に削減することで気候変動を緩和する大きな可能性を秘めている。 しかし、太陽光の固有の変動は、電力網に太陽エネルギーをシームレスに統合する上で大きな課題となる。 本稿では,衛星データを用いた時間的文脈の活用を目的としたディープラーニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-06-01T19:54:39Z)
• A Comparative Study on Generative Models for High Resolution Solar Observation Imaging [59.372588316558826]
  本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。 スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
  論文  参考訳（メタデータ） (2023-04-14T14:40:32Z)
• Counting Carbon: A Survey of Factors Influencing the Emissions of Machine Learning [77.62876532784759]
  機械学習(ML)は、モデルトレーニングプロセス中に計算を実行するためにエネルギーを使用する必要がある。 このエネルギーの生成には、使用量やエネルギー源によって、温室効果ガスの排出という観点からの環境コストが伴う。 本稿では,自然言語処理とコンピュータビジョンにおいて,95のMLモデルの炭素排出量の時間的および異なるタスクに関する調査を行う。
  論文  参考訳（メタデータ） (2023-02-16T18:35:00Z)
• Computational Solar Energy -- Ensemble Learning Methods for Prediction of Solar Power Generation based on Meteorological Parameters in Eastern India [0.0]
  特定の地理的位置に対して太陽光発電(PV)発電量を推定することが重要である。 本稿では,太陽PV発電における気象パラメータの影響を,Bagging,Boosting,Stacking,VottingなどのEnsemble ML(EML)モデルを用いて推定する。 その結果,スタックモデルと投票モデルでは,約96%の予測精度が得られた。
  論文  参考訳（メタデータ） (2023-01-21T19:16:03Z)
• Feature Construction and Selection for PV Solar Power Modeling [1.8960797847221296]
  太陽光発電(PV)発電を予測するモデルを構築することで、意思決定者はエネルギー不足を補うことができる。 太陽エネルギーの出力は、光や天気など多くの要因に依存する時系列データである。 本研究では, 過去のデータをもとに, 1時間先進太陽エネルギー予測のための機械学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2022-02-13T06:49:28Z)
• Computational Simulation and Analysis of Major Control Parameters of Time-Dependent PV/T Collectors [0.0]
  本論文では,従来の計算熱モデルを検証し,改良された計算熱モデルを導入した。 太陽電池温度,裏面温度,出口水温など,pv/tコレクタの熱性能に及ぼす主要な制御パラメータの影響を検討した。 PV/Tシステムの効率を改善するいくつかの提案が示されました。
  論文  参考訳（メタデータ） (2021-05-01T02:09:19Z)
• Short term solar energy prediction by machine learning algorithms [0.47791962198275073]
  機械学習技術の強みを利用した日次太陽エネルギー予測について報告する。 線形, 尾根, ラッソ, 決定木, ランダム森林, 人工ニューラルネットワークなどのベースライン回帰器の予測モデルを実装した。 改良された精度は,2つのグリッドサイズでランダム森林と尾根回帰器によって達成されている。
  論文  参考訳（メタデータ） (2020-10-25T17:56:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。