• 09371198576
  • payanyar@gmail.com
بروز رسانی قیمت‌ها: ادريبهشت 1399

سمینار آماده رشته برق(کارشناسی ارشد)-بهبود عملکرد سیستم‌های فتوولتائیک به کمک شبکه‌های عصبی و الگوریتم‌های هوشمند

سمینار آماده رشته برق(کارشناسی ارشد)-بهبود عملکرد سیستم‌های فتوولتائیک به کمک شبکه‌های عصبی و الگوریتم‌های هوشمند
امروزه سیستم‌های فتوولتائیک با توجه به سازگاری با محیط زیست و اینکه منبع انرژی پایدار و اقتصادی و همچنین در وسایل نقلیه هم کاربری دارد، از اهمیت بیشتری برخوردار شده‌اند. از سوی دیگر، هنوز هم این نوع تکنولوژی با محدودیت‌های کارایی مواجه است، بنابراین، به طور مداوم، رویکردهایی برای استفاده بهینه از قدرت موجود پیشنهاد شده است. این الگوریتم‌ها جهت بهینه‌سازی تولید توان در سیستم‌های فتوولتائیک ارائه می‌شوند. با توجه به این که مسئله بازده در این سیستم‌ها از اهمیت بالایی برخوردار است، به همین دلیل ارائه ساختارها و معماری‌های قدرتمند ...
کد کیو آر:  سمینار آماده رشته برق(کارشناسی ارشد)-بهبود عملکرد سیستم‌های فتوولتائیک به کمک شبکه‌های عصبی و الگوریتم‌های هوشمند

کد QR محصول

سمینار آماده رشته برق(کارشناسی ارشد)-بهبود عملکرد سیستم‌های فتوولتائیک به کمک شبکه‌های عصبی و الگوریتم‌های هوشمندسمینار آماده رشته برق(کارشناسی ارشد)-بهبود عملکرد سیستم‌های فتوولتائیک به کمک شبکه‌های عصبی و الگوریتم‌های هوشمند
قیمت قیمت : 48000 تومان
48 بازدید
نوع فایل : docx
حجم فایل: 7.10 مگابایت
فصل یکم)مقدمه و کلیات    
1-1) مقدمه    2
1-2) سیستم‌های فتوولتائیک    
1-2-1) سیستم‌های فتوولتائیک متصل به شبکه    
1-3) چالش‌های موجود و ضرورت تحقیق    
1-4) اهمیت و ضرورت سیستم‎های فتوولتائیک    
1-5) اهداف سمینار    
1-6) ساختار سمینار    
1-7) خلاصه و نتیجه‎گیری    
فصل دوم) مفاهیم اولیه در سیستم‎های فتوولتائیک    
2-1) مقدمه    
2-2) اجزای سیستم‌های فتوولتائیک    
2-2-1) آرایه فتوولتائیک    
2-2-2) سیستم‌های دنبال کننده تابشی    
2-2-3) اینورتر یا مبدل الکترونیک توان    
2-2-4) ذخیره‌ساز توان به دست آمده    
2-2-5) ردیابی توان بیشینه    
2-3) روند کلی طراحی و نصب سیستم‌های فتوولتائیک    
فصل سوم) ارزیابی شبکه‎های عصبی مصنوعی و کاربردآن در حل مسائل بهینه‌سازی غیرخطی    
3-1) مقدمه    
3-2) ساختار شبکه عصبی مصنوعی و کاربرد آن    
3-2-1) پرسپترون    
3-2-2) یادگیری در شبکه عصبی مصنوعی    
3-2-3) کلاس‌بندی در شبکه‌های عصبی مصنوعی    
3-2-4) کلاس‌بندی با پرسپترون یک لایه و یک نرون    
3-2-5) الگوریتم محاسبه ضرایب پرسپترون تک لایه برای کلاس‌بندی دو کلاسه    
3-2-6) مسائل مناسب برای یادگیری شبکه‌های عصبی    
3-2-7) کاربردهای شبکه عصبی    
3-3) نتیجه‎گیری    
فصل چهارم) بهبود سیستم‌های فتوولتائیک به کمک شبکه‎های عصبی و الگوریتم‎های هوشمند    
4-1) مقدمه    
4-2) بهبود عملکرد سیستم‌های فتوولتائیک به کمک شبکه‎های عصبی    
4-2-1) مدل مبتنی بر حساسیت شبکه‌های عصبی برای ارزیابی عملکرد واقعی سیستم‌های فتوولتائیک    
4-2-2) برآورد سیکل وظیفه مبتنی بر شبکه عصبی ردیابی حداکثر توان نقطه‌ای در سیستم‌های فتوولتائیک    
4-2-3) ارزیابی و ردیابی نقطه توان بیشینه برای ماژول‌های فتوولتائیک    
4-2-4) مقایسه عملکرد رگرسیون خطی چندگانه، جنگل تصادفی و شبکه عصبی در داده‌های فتوولتائیک و جوی    
4-2-5) ارزیابی عملکرد شبکه‌های عصبی مصنوعی ترکیب شده با رویکرد PERTURB & OBSERVE در بیشینه سازی توان سیستم فتوولتائیک    
4-2-6) رویکرد شبکه عصبی مصنوعی برای مدل سازی ماژول فتوولتائیک    
4-2-7) تخمین عملکرد سیستم تولید فتوولتائیک توزیع شده با شبکه‌های عصبی مصنوعی و شبکه‌های مش    
4-2-8) مدل سازی عملکرد تولید فتوولتائیك با استفاده از داده‌های سطح اینورتربا استفاده از شبکه‌های عصبی مصنوعی    
4-2-9) تحلیل حساسیت با شبکه‌های عصبی مصنوعی برای عملیات سیستم‌های فتوولتائیک    
4-2-10) تخمین عملکرد انرژی‎زایی برای یک ساختمان با سیستم فتوولتائیک با استفاده آر شبکه عصبی مصنوعی و مدل‌های بهینه‌سازی ازدحام ذرات    
4-2-11) مدل سازی شبکه عصبی مصنوعی و تحلیل سیستم‌های فتوولتائیک بر اساس مطالعات آزمایشگاهی    
4-2-12) تخمین نرخ عملکرد سیستم فتوولتائیک بر اساس خوشه بندی خاکستری و شبکه عصبی CURVELET    
4-3) نتیجه‌گیری    
فصل پنجم) نتیجه‎گیری و پیشنهاد کارآتی    
5-1) نتیجه‌گیری    
5-2) پیشنهاد کار آتی    
منابع و مراجع