Resumen

Los campos de helióstatos de energía solar constan de numerosas plataformas de seguimiento solar. Como resultado, la detección de fallos es un problema muy complicado. En consecuencia, el presente estudio propone una red neural de modelo aritmético cerebeloso (CMAC) para el diagnóstico automático de fallos dentro del campo de helióstatos de acuerdo con las características de velocidad de rotación, vibración y temperatura de los sistemas de transmisión individuales de los helióstatos. En comparación con la red neuronal de función de base radial (RBF) y la red neuronal de retropropagación (BP) en el diagnóstico de fallos en el campo de helióstatos, los resultados experimentales muestran que la red neuronal propuesta tiene un tiempo de entrenamiento bajo, una buena robustez y un rendimiento de diagnóstico fiable. Como resultado, proporciona una solución ideal para el diagnóstico de fallos en campos de helióstatos modernos a gran escala.

• Materias:Energía solar Fotoquímica Fotocatálisis Nanoestructuras Optoelectrónica
• Subjects:Solar energy Photochemistry Photocatalysis Nanostructures Optoelectronics
• Palabras claves:red neuronal, campos de helióstatos de energía solar, modelo cerebeloso de ordenador aritmético, diagnóstico de fallos en campos de helióstatos, sistemas individuales de transmisión de helióstatos, numerosas plataformas de seguimiento solar, bajo tiempo de entrenamiento, función de base radial, rendimiento fiable del diagnóstico, resultado
• Keywords:neural network, solar energy heliostat fields, cerebellar model arithmetic computer, heliostat field fault diagnosis, individual heliostat transmission systems, numerous sun tracking platforms, low training time, radial basis function, reliable diagnostic performance, result