För fortsatt arbete med denna studie rekommenderas att utveckla modellen där bägge busbars nyttjas, det är viktigt att isolera ribbonen eftersom det finns risk att dem vidrör varandra och kortsluter solcellen. Även att studera mängden kiselarea som kan nyttjas för en profilerad modell gentemot hela solceller i samma fasadarea.
Även att ta hänsyn till temperaturen och fler mätningar med reflektion. Eventuellt att få ett mindre system med seriekopplade modeller och utföra mätningar utomhus. I detta fall skulle bypass dioder kunna implementeras. Även att vidarestudera skuggningens påverkan och eventuellt implementera blockeringsdioder.
För dessa arbeten kan värmekamerans egenskaper mer attraktiva för att studera värmen som bör uppstå för de skuggade solcellerna samt att värmebilder är lämpliga i större system för att lättare identifiera fel.
38
Referenslista
1. Solenergin flödar – men var finns solcellerna?. (2021). Hämtad 3 Juni 2021, från https://www.naturskyddsforeningen.se/nyheter/solenergin-flodar-men-var-finns-solcellerna
2. Ahrberg, P. (2021). Solceller i Sverige: Statistik & prognos 2021 | SolcellsOfferter. Hämtad 3 Juni 2021, från https://www.solcellsofferter.se/solceller-sverige/
3. Sandqvist, W. (2021). PN-övergång. Presentation, KTH. Hämtad 3 Juni 2021 https://www.kth.se/social/files/55e80ecdf27654451c0473cf/solidstate.pdf 4. Fill Factor | PVEducation. (2021). Hämtad 3 Juni 2021, från
https://www.pveducation.org/pvcdrom/solar-cell-operation/fill-factor
5. Enkel förklaring om hur solceller fungerar | Penthon. (2021). Hämtad 3 Juni 2021, från https://www.penthon.com/solceller/hur-fungerar-solceller-en-enkel-forklaring/
6. Hanes, S. (2018). Whole Cells vs Cut Cells: What's The Difference?. Hämtad 3 Juni 2021, från https://blog.powerfilmsolar.com/education/the-horizon-blog/2018/11/30/whole-cells-vs-cut-cells-whats-the-difference
7. Successful Building-integration of Photovoltaics. (2021). IEA-PVPS Task 15. Hämtad från https://iea-pvps.org/wp-content/uploads/2021/03/IEA-PVPS-Task-15-An-international-collection-of-BIPV-projects-compr.pdf
8. Solar I-V CurvesInterpreting Trace Deviations. (2014). Solar Pro, 24-25. Hämtad från
http://resources.solmetric.com/get/SolarPro%20I-V%20feature%20article,%20Hernday.pdf 9. Karlsson, S. (2019). Möjligheter och begränsningar med färgade solceller. Hämtad 3 Juni
2021, från https://www.gbf.se/nyheter/mojligheter-och-begransningar-med-fargade-solceller
10. Darshini, D. (2020). Maximum Power Point Tracking Technique. Hämtad 3 Juni 2021, från https://www.avisolar.com/post/maximum-power-point-tracking-technique
11. Buchla, D., Kissell, T., & Floyd, T. Renewable energy systems (p. 88).
12. Olika typer av solceller. (2019). Hämtad 3 Juni 2021, från
https://www.energimyndigheten.se/fornybart/solelportalen/lar-dig-mer-om-solceller/olika-typer-av-solceller/
13. Solar busbar and fingers explained - Novergy Solar. (2017). Hämtad 3 Juni 2021, från https://www.novergysolar.com/solar-busbar-fingers-explained/
14. Wallnér, E. (2019). Optimerare till solcellsanläggningen? Vi reder ut vad som är bra att tänka på! - Solcellskollen. Hämtad 3 Juni 2021, från
https://www.solcellskollen.se/blogg/optimerare-till-solcellsanlaggningen-vi-reder-ut-vad-som-ar-bra-att-tanka-pa
15. What is the MOSFET: Basics, Working Principle and Applications. (2021). Hämtad 3 Juni 2021, från https://www.elprocus.com/mosfet-as-a-switch-circuit-diagram-free-circuits/
16. The MOSFET. (2021). Hämtad 3 Juni 2021, från https://www.electronics-tutorials.ws/transistor/tran_6.html
17. Arduino PWM Tutorial. (2021). Hämtad 3 juni 2021, från
https://create.arduino.cc/projecthub/muhammad-aqib/arduino-pwm-tutorial-ae9d71 18. GUIDEBOK I TERMOGRAFIFÖR BYGG- OCH ENERGIBRANSCHEN. (2021). Flir, 32. Hämtad från
http://www.flirmedia.com/MMC/THG/Brochures/T820325/T820325_SE.pdf 19. Reverse Current. (2021). Hämtad 3 Juni 2021, från
https://www.sma-italia.com/fileadmin/content/global/Solutions/Documents/Medium_Power_Solutions/Ruec kstrom-UEN083010.pdf
39
20. Dreij, A. (2020). Utvinning av mer effekt från solceller - Solkraft Sverige. Retrieved 4 June 2021, from https://www.solkraftsverige.se/utvinning-av-mer-effekt-fran-solceller/
40
Appendix A: Mätutrustning
Figur A1. Potentiometer
Figur A2. Multimeter.
41
Figur A3. Arduino Uno kretskort.
Figur A4. Mosfet transistor där de grövre kablarna är kopplade till modellen.
42
Figur A5. Värmekamera testo 871.
Figur A6. PP-rör, 110mm i diameter.
43
Figur A7. Datablad för solcell XS156B4 som används i modellerna.
44
Figur 26. Kopplingsschema för mätutrustning.
Appendix B: Python-kod
import serial
import matplotlib.pyplot as plt import csv
import pandas as pd
arduino_port = "COM5" #serial port of Arduino baud = 115200 #arduino uno runs at 9600 baud
fileName="analog-data.csv" #name of the CSV file generated ser = serial.Serial(arduino_port, baud)
print("Connected to Arduino port:" + arduino_port) file = open(fileName, "w")
print("Created file")
45 samples = 380 #how many samples to collect print_labels = False
line = 0 #start at 0 because our header is 0 (not real data) while line <= samples:
if print_labels:
if line==0:
print("Printing Column Headers") else:
print("Line " + str(line) + ": writing...") getData=str(ser.readline())
data=getData[2:] [:-5]
print(data)
file = open(fileName, "a")
file.write(data + "\n") #write data with a newline line = line+1
print("Data collection complete!") ser.close()
file.close()
df = pd.read_csv('analog-data.csv')
#Delar data i tre för olika mätningar df1 = df[:][0:126].astype(float)
df1.reset_index(inplace=True, drop = True) df2 = df[:][127:253].astype(float)
df2.reset_index(inplace=True, drop = True) df3 = df[:][254:].astype(float)
df3.reset_index(inplace=True, drop = True)
#Sätter ihop de tre olika vid sidan av varandra för att beräkna medelvärden dfmean = pd.concat([df1,df2,df3], axis = 1)
#Beräknar medelvärden voltage = dfmean['Voltage']
voltagemean = voltage.mean(axis = 1) current = dfmean['Current']
currentmean = current.mean(axis = 1) power = dfmean['Power']
powermean = power.mean(axis = 1)
#Sätter ihop nytt dataset med medelvärden
dfmean=pd.concat([voltagemean,currentmean,powermean] ,axis =1) dfmean.columns=['voltage', 'current', 'power']
46
#Tar fram MPP
mpp1 = df1.loc[df1['Power'] == df1['Power'].max()]
mpp2 = df2.loc[df2['Power'] == df2['Power'].max()]
mpp3 = df3.loc[df3['Power'] == df3['Power'].max()]
mppmean = dfmean.loc[dfmean['power'] == dfmean['power'].max()]
def two_scales(ax1, x, data1, data2, c1, c2, title):
ax2 = ax1.twinx()
ax1.plot(x, data1, color=c1) ax1.set_xlabel('Voltage') ax1.set_ylabel('Current') ax1.set_title(title)
ax2.plot(x, data2, color=c2) ax2.set_ylabel('Power')
ax3 = ax1.twinx()
ax1.plot(x, data1, color=c1) ax1.set_xlabel('Voltage') ax1.set_ylabel('Current') ax1.set_title(title)
ax3.plot(x, data2, color=c2) ax3.set_ylabel('Power')
ax4 = ax1.twinx()
ax1.plot(x, data1, color=c1) ax1.set_xlabel('Voltage') ax1.set_ylabel('Current') ax1.set_title(title)
ax4.plot(x, data2, color=c2) ax4.set_ylabel('Power') return ax1, ax2
# Create axes
fig, (ax1, ax2, ax3, ax4) = plt.subplots(4,1, figsize=(10,4))
ax1, ax1a = two_scales(ax1, df1['Voltage'], df1['Current'], df1['Power'], 'r', 'b', 'Meas 1')
ax2, ax2a = two_scales(ax2, df2['Voltage'], df2['Current'], df2['Power'], 'gold', 'limegreen', 'Meas 2') ax3, ax3a = two_scales(ax3, df3['Voltage'], df3['Current'], df3['Power'], 'yellow', 'green', 'Meas3') ax4, ax4a = two_scales(ax4, dfmean['voltage'], dfmean['current'], dfmean['power'], 'magenta', 'black', 'Mean')
fig, sx = plt.subplots() sx.set_title('IV Curve 1') sx.text(15000, 1000, r'mpp1')
sx.plot(df1['Voltage'], df1['Current'], 'b') sx.set_ylabel('Current', color = 'b') sx.set_xlabel('Voltage')
47 sxb = sx.twinx()
sxb.plot(df1['Voltage'], df1['Power'], 'r') sxb.set_ylabel('Power', color = 'r') fig, sx1 = plt.subplots()
sx1.set_title('IV Curve 2') sx1.text(15000, 1000, r'mpp2')
sx1.plot(df2['Voltage'], df2['Current'], 'b') sx1.set_ylabel('Current', color = 'b') sx1.set_xlabel('Voltage')
sx1b = sx1.twinx()
sx1b.plot(df2['Voltage'], df2['Power'], 'r') sx1b.set_ylabel('Power', color = 'r') fig, sx2 = plt.subplots()
sx2.set_title('IV Curve 3') sx2.text(15000, 1000, r'mpp3')
sx2.plot(df3['Voltage'], df3['Current'], 'b') sx2.set_ylabel('Current', color = 'b') sx2.set_xlabel('Voltage')
sx2b = sx2.twinx()
sx2b.plot(df3['Voltage'], df3['Power'], 'r') sx2b.set_ylabel('Power', color = 'r') fig, sx3 = plt.subplots()
sx3.set_title('IV Curve Mean') sx3.text(15000, 1000, r'mpp mean')
sx3.plot(dfmean['voltage'], dfmean['current'], 'b') sx3.set_ylabel('Current', color = 'b')
sx3.set_xlabel('Voltage') sx3b = sx3.twinx()
sx3b.plot(dfmean['voltage'], dfmean['power'], 'r') sx3b.set_ylabel('Power', color = 'r')