The main objective of this study is to examine the feasibility of hybrid PSO–ANN technique to estimate the exergetic performance of a building integrated photovoltaic/thermal (BIPV/T) system. A performance evaluation criterion (PEC) is defined in this study to assess the overall performance of a BIPV/T system from exergy point of view. Then, the mentioned method is utilized to identify a relationship between the input and output parameters of the BIPV/T system. The parameter PEC was taken as the essential output of the BIPV/T system, while the input parameters were channel length, channel depth, channel width, and air mass flow rate. Prior to PSO, variables of ANN algorithm were optimized. In addition, PSO influential parameters such as swarm size, personal learning coefficient, global learning coefficient, and inertia weight were optimized using a series of trial-and-error process. The predicted results for data sets from ANN and PSO–ANN models were evaluated according to several known statistical indices and novel ranking systems of color intensity rating and total ranking method. The obtained RMSE and R 2 in the training (RMSE of 0.010274 and 0.006112, and R 2 of 0.9968 and 0.9989, respectively, for the PSO and ANN methods) and testing (RMSE of 0.011146 and 0.005927, and R 2 of 0.9967 and 0.9990, respectively, for the PSO and ANN methods) phases. The results revealed that the PSO–ANN network model could slightly accomplish a better performance when it is compared to the conventional ANN.

中文翻译：

---

应用 PSO-ANN 模型预测建筑集成光伏/热力系统的火用性能

本研究的主要目的是检验混合 PSO-ANN 技术评估建筑集成光伏/热能 (BIPV/T) 系统运行性能的可行性。本研究定义了性能评估标准 (PEC)，以从火用的角度评估 BIPV/T 系统的整体性能。然后，利用上述方法识别BIPV/T系统的输入和输出参数之间的关系。BIPV/T系统的基本输出参数为PEC，输入参数为通道长度、通道深度、通道宽度和空气质量流量。在 PSO 之前，优化了 ANN 算法的变量。此外，PSO 影响参数如群体大小、个人学习系数、全局学习系数、使用一系列试错过程优化惯性权重。ANN 和 PSO-ANN 模型数据集的预测结果根据几个已知的统计指标和颜色强度等级和总排序方法的新排序系统进行评估。在训练中获得的 RMSE 和 R 2（对于 PSO 和 ANN 方法，RMSE 分别为 0.010274 和 0.006112，R 2 分别为 0.9968 和 0.9989）和测试（RMSE 为 0.011146 和 0.005927，R 2 为 0.90697分别用于 PSO 和 ANN 方法）阶段。结果表明，与传统 ANN 相比，PSO-ANN 网络模型可以稍微实现更好的性能。ANN 和 PSO-ANN 模型数据集的预测结果根据几个已知的统计指标和颜色强度等级和总排序方法的新排序系统进行评估。在训练中获得的 RMSE 和 R 2（对于 PSO 和 ANN 方法，RMSE 分别为 0.010274 和 0.006112，R 2 分别为 0.9968 和 0.9989）和测试（RMSE 为 0.011146 和 0.005927，R 2 为 0.90697分别用于 PSO 和 ANN 方法）阶段。结果表明，与传统 ANN 相比，PSO-ANN 网络模型可以稍微实现更好的性能。ANN 和 PSO-ANN 模型数据集的预测结果根据几个已知的统计指标和颜色强度等级和总排序方法的新排序系统进行评估。在训练中获得的 RMSE 和 R 2（对于 PSO 和 ANN 方法，RMSE 分别为 0.010274 和 0.006112，R 2 分别为 0.9968 和 0.9989）和测试（RMSE 为 0.011146 和 0.005927，R 2 为 0.90697分别用于 PSO 和 ANN 方法）阶段。结果表明，与传统 ANN 相比，PSO-ANN 网络模型可以稍微实现更好的性能。对于 PSO 和 ANN 方法）和测试（RMSE 为 0.011146 和 0.005927，R 2 分别为 0.9967 和 0.9990，对于 PSO 和 ANN 方法）阶段。结果表明，与传统 ANN 相比，PSO-ANN 网络模型可以稍微实现更好的性能。对于 PSO 和 ANN 方法）和测试（RMSE 为 0.011146 和 0.005927，R 2 分别为 0.9967 和 0.9990，对于 PSO 和 ANN 方法）阶段。结果表明，与传统 ANN 相比，PSO-ANN 网络模型可以稍微实现更好的性能。