Analyse einer Lösung für passiv gekühlte Solarpaneele: Formsynthese mithilfe von Optimierungsalgorithmen: Dieses einfache Beispiel demonstriert die Optimierung der Kühlkörper-Designparameter zur Aufrechterhaltung einer hohen Leistungsabgabe.

Objektiv:

Ziel der Studie ist die Durchführung einer transienten Wärmetransferanalyse eines Solarpanels mit integriertem passiven Kühlkörper und die Optimierung der Form der Kühlrippen des Kühlkörpers, um an einem Sommertag über 24 Stunden eine akzeptable Temperaturgrenze einzuhalten.

Problemidentifizierung: 

Temperatureinfluss auf das PV-Solarmodul

Die Temperatur beeinflusst die Leistungskennlinien von PV-Solarmodulen bei konstanter Bestrahlungsstärke signifikant. Insbesondere bei einer Temperaturänderung von 10 °C auf 70 °C treten bei einer Bestrahlungsstärke von 1000 W/m² nur geringe Änderungen auf. Darüber hinaus steigt die Spannung in der Strom-Spannungs-Kennlinie mit sinkender Umgebungstemperatur, und die Solarzelle erzeugt bei niedrigeren Temperaturen mehr Leistung. Die Solarzelle zeigt daher eine inverse Beziehung zur Temperatur. Ziel dieser Arbeit ist es daher, die maximale Temperatur des Solarmoduls durch Optimierung der thermischen Leistung eines passiven Kühlkörpers mithilfe fortschrittlicher Optimierungsalgorithmen zu reduzieren.

Projektumfang:

Das Projekt beinhaltet die Durchführung einer transienten thermischen Analyse, um:

• Beurteilen Sie die Effizienz des Kühlkörpers bei der Kühlung des Panels unter die zulässige Temperaturgrenze (~330 K).

• Analysieren Sie den Wärmefluss im gesamten Modell.

• Untersuchen Sie die Temperaturgradienten an verschiedenen Stellen des Solarpanels.

• Bewertung der wärmeinduzierten Spannungen im Finite-Elemente-Modell (FE-Modell).

• Optimieren Sie das parametrische Modell, um akzeptable Temperaturen zu erreichen und die PV-Zelleneffizienz zu steigern.

Geometrische Analyse des Modells: Explosionszeichnung

Bestimmung der Lasten und Randbedingungen:

Auswirkungen der Sonneneinstrahlung auf das PV-Solarmodul

Die Abbildung zeigt die Strom-Spannungs- (I-V) und Leistungs-Spannungs-Kennlinien (P-V-Kennlinien) des Solar-PV-Modells bei einer konstanten Temperatur von 25 °C und variierender Bestrahlungsstärke von 200 W/m² bis 1000 W/m². Der Strom bleibt bis zu einer Spannung von 30 V konstant und sinkt anschließend. Mit steigender Bestrahlungsstärke erhöht sich auch der Strom. Diese Ergebnisse zeigen, dass die Bestrahlungsstärke den Kurzschlussstrom stark beeinflusst, während die Leerlaufspannung relativ niedrig bleibt. Die Leistungskennlinien zeigen die maximale Leistung, die mit zunehmender Bestrahlungsstärke ansteigt.

Bestimmung der Simulationsbedingungen

werden folgende Annahmen getroffen. die Simulation 

1. Die Anfangstemperatur des Panels beträgt 300 K

2. Leistung aufgrund der Sonneneinstrahlung 1000 W/m²

A. Die solare Bestrahlungsstärke auf einem Solarpanel kann durch die folgende Kurve dargestellt werden:

3. Der Wärmeleitkoeffizient der Schicht beträgt 5 W/m²

4. Die zulässige obere Grenze für die Oberflächentemperatur liegt bei 330-350 K.

Anfangsbedingungen

• Anfangstemperatur: 300 K (~26 °C)
• Material: Aluminium
• Wärmestromdichte: 1000 W/m²
• Wärmestromfunktion: Sinusförmig
• Filmkoeffizient: 5 W/K·m²
• Netzelementtyp: DC3D4
• Emissionsgrad: 0,25

Bestimmung der Simulationsbedingungen

Für die Simulation werden folgende Annahmen getroffen –

1. Die Anfangstemperatur des Panels beträgt 300 K

2. Leistung aufgrund der Sonneneinstrahlung 1000 W/m²

A. Die solare Bestrahlungsstärke auf einem Solarpanel kann durch die folgende Kurve dargestellt werden:

1. Der Wärmeleitkoeffizient der Schicht beträgt 5 W/m²

2. Die zulässige obere Grenze für die Oberflächentemperatur liegt bei 330-350 K.

Abbildung 3: Sonneneinstrahlung 
 

Ergebnisse der transienten Übertragung

Es lässt sich beobachten, dass die Temperaturen bei zeitlich variablem Wärmestrom den optimalen Grenzwert von 330 K überschreiten. Daher ist die Optimierung von Form und Geometrie des Kühlkörpers unerlässlich für die optimale Kühlung des Solarmoduls und somit für höchste Effizienz.

Ergebnisse der Von-Mises-Spannungen aufgrund transienter Wärmeübertragung  

Ergebnisse der Verschiebung aufgrund transienter Wärmeübertragung  

Zielsetzung: Optimierung ist der Prozess, die beste Lösung für ein Problem unter gegebenen Randbedingungen zu finden. Sie ist ein leistungsstarkes Werkzeug, mit dem sich die Leistung einer Vielzahl von Systemen, einschließlich technischer Produkte, verbessern lässt.

Einzelziel: Formsynthese des Kühlkörpers mithilfe von Optimierungsalgorithmen

Die Studie verwendet MISQP (Mixed Integer Sequential Quadratic Programming), das sich für Folgendes eignet:

• Hochgradig nichtlineare Gestaltungsräume

• Probleme mit ganzzahligen und booleschen Variablen

• Langzeit-, gradientenbasierte Simulationen

Zusätzlich MISQP:

• Nutzt die lokale Umgebung des ursprünglichen Entwurfspunktes

• Verwendet Branch-and-Bound für ganzzahlige Variablen

• Erkennt schnell ein lokales Optimum

• Behandelt Ungleichheits- und Gleichheitsbedingungen direkt

Der Algorithmus erstellt in jeder Iteration eine quadratische Approximation der Lagrange-Funktion und lineare Approximationen aller Ausgabebeschränkungen. Er beginnt mit der Einheitsmatrix für die Hesse-Matrix der Lagrange-Funktion und aktualisiert diese mithilfe des BFGS-Verfahrens. In jeder Iteration löst er ein quadratisches Optimierungsproblem, um den Entwurf bis zur Konvergenz zu verbessern. Dadurch reduziert der MISQP-Algorithmus die maximale Temperatur auf 300 K.

Multikriterielle Formsynthese passiver Kühlkörper mittels archivbasiertem mikro-genetischem Algorithmus

• Ziel dieser Optimierungsstudie ist es, die maximale Temperatur des Solarmoduls zu senken und gleichzeitig die für die Herstellung des Kühlkörpers benötigte Materialmenge zu verringern.
• Daher wurde der Parameter „Dicke“ als Zielgröße hinzugefügt, die zusammen mit der vorherigen Zielgröße „Maximale Temperatur“ minimiert werden soll.

Archivbasierter Mikro-Genetischer Algorithmus (AMGA):

• AMGA – Archivbasierte Klassifizierung mittels mikrogenetischer Algorithmen

• Zweck: Explorative Mehrzieltechnik für komplexe Probleme und Gestaltungsräume

Anwendungsbereiche:

• • Es funktioniert gut in stark nichtlinearen Suchräumen

  • Diese Methode eignet sich effektiv für diskontinuierliche und nicht-konvexe Suchräume

  • Der Algorithmus eignet sich für stark eingeschränkte Suchräume

  • Darüber hinaus ist es so konzipiert, dass es hochgradig multimodale Funktionen mit vielen lokalen Optima verwalten kann

Gradientenbasiert: Keine Merkmale: Jedes Ziel wird separat behandelt und eine Pareto-Front wird durch Auswahl realisierbarer, nicht-dominierter Designs erstellt.

Im archivbasierten Mikro-Genetischen Algorithmus (AMGA) wird jeder Zielparameter separat behandelt. Er führt Standardoperationen der Genetik, wie Mutation und Crossover, an den Entwürfen durch.

Der Algorithmus speichert einen Suchverlauf, und der Auswahlprozess basiert auf einer Vielzahl unterschiedlicher Heuristiken. Die Fitness der ersten Stufe wird anhand des Dominanzgrades einer Lösung innerhalb der Population bestimmt.

Die zweite Stufe der Fitnessbewertung basiert auf dem Beitrag der Lösung zur Suchhistorie des Algorithmus und  

Die dritte Stufe der Fitnessbewertung berücksichtigt die Diversität der Lösung. Am Ende des Optimierungslaufs erstellt der Algorithmus eine Pareto-Menge, in der jedes Design die optimale Kombination von Zielfunktionswerten erreicht. Die Verbesserung einer Zielfunktion in der Pareto-Menge erfordert die Beeinträchtigung einer oder mehrerer anderer Zielfunktionen.

Ergebnisse

Abbildung 10: AMGA-Synthese

Die AMGA-Formsynthese wurde über 220 Iterationen durchgeführt und minimierte die Temperatur in der 186. Iteration auf 341,439 K, während die Dicke des Kühlkörpers auf 13,69 mm erhöht wurde.

• Autor
• Neueste Beiträge

Debaditya Chakraborty

Branchenprozessberater bei Dassault Systèmes

Debaditya ist Prozessberater bei Dassault Systèmes und begeistert sich für Innovationen in der Mehrkörperdynamik, CAD und FEA. Sein Spezialgebiet ist die Konstruktion von Mehrgelenkmechanismen mithilfe datengetriebener Methoden. Er verfügt über Erfahrung in Simulationen der additiven Fertigung von Metallen, der Schiffsstrukturanalyse und der Automatisierung von FEA-Prozessen.

Neueste Beiträge von Debaditya Chakraborty (alle anzeigen)

• ABAQUS Rohrschnittpunkt: Hex- vs. Schalenelemente – 10. November 2025
• SIMULIA Surrogate Modelling 101: KI & ML in Physiksimulationen - 8. Oktober 2025
• Optimierte thermische Analyse von Solarmodulen mit MODSIM auf 3DEXPERIENCE – 15. September 2025