بهینهسازی الگوریتمهای یادگیری ماشین برای پیشبینی و کاهش پسماندهای حرارتی در سیستمهای تبدیل انرژی نیروگاههای تجدیدپذیر متصل به شبکه (Grid-Connected Renewables)
بهینهسازی الگوریتمهای یادگیری ماشین برای پیشبینی و کاهش پسماندهای حرارتی در سیستمهای تبدیل انرژی نیروگاههای تجدیدپذیر متصل به شبکه (Grid-Connected Renewables)
هوشمند سیف پناهی1 محمدعلی ملاولی2 سیوان موفق3 هاوره نیکوکار4
1) کارشناسی ارشد مهندسی برق، گروه کنترل، دانشکده مهندسی، دانشگاه کردستان.
2) کارشناسی ارشد مدیریت بازرگانی گرایش تحول، دانشگاه آزاد اسلامی واحد سنندج
3) کاردانی پیوسته الکتروتکنیک، دانشگاه ملی مهارت
4) کاردانی پیوسته الکتروتکنیک، دانشگاه ملی مهارت.
کد IOI مقاله
:
AAGF-ABBEBG
محل انتشار :
نهمین کنفرانس بین المللی پژوهش های کاربردی در علوم و مهندسی(carseconf.com/9th)
چکیده :
چکیده استقرار سریع سیستمهای تبدیل انرژی تجدیدپذیر متصل به شبکه (R-ECS) مانند فتوولتائیک (PV)، PV-حرارتی (PV/T)، پیکربندیهای ترکیبی و ریزشبکهها، نگرانیها در مورد تولید ضایعات حرارتی و پیامدهای آن بر کارایی، قابلیت اطمینان و اثرات زیستمحیطی را افزایش داده است. این بررسی، استراتژیهای پیشرفته مبتنی بر یادگیری ماشین (ML) و یادگیری عمیق (DL) را برای پیشبینی، کاهش و در نهایت کاهش ضایعات حرارتی در انرژیهای تجدیدپذیر متصل به شبکه، با تأکید بر دیدگاههای کنترل و بهینهسازی، بررسی میکند. هدف، ترکیب این است که چگونه طراحی الگوریتمی، مهندسی ویژگی و چارچوبهای ترکیبی ML-کنترل میتوانند کوپلینگ پیچیده حرارتی-الکتریکی را مدلسازی کنند، پروفایلهای حرارتی گذرا را پیشبینی کنند و مدیریت حرارتی پیشگیرانه را از طریق کنترل تطبیقی، تنظیم مجدد و تصمیمات بار/پخش فعال کنند. روشهای بررسی شده، مدلسازی حرارتی مبتنی بر داده، پیشبینیهای مبتنی بر ML، بهینهسازی مسیرهای حرارتی و ادغام با دینامیک شبکه، از جمله کلکتورهای PV و PV/T، ذخیرهسازی حرارتی و عملکرد ریزشبکه تحت تابش، شرایط محیطی و بار الکتریکی متغیر را پوشش میدهند. یافتهها نشان میدهد که مدلهای یادگیری ماشینی که با ویژگیهای مبتنی بر فیزیک و معماریهای ترکیبی آموزش دیدهاند، که توسط جریانهای داده بلادرنگ از آرایههای PV، اینورترها و کانالهای حرارتی تقویت شدهاند، میتوانند تعاملات حرارتی-الکتریکی غیرخطی را با دقت بیشتری نسبت به مدلهای سنتی مبتنی بر فیزیک به تنهایی ثبت کنند. رویکردهای ترکیبی که پیشبینیکنندههای یادگیری ماشینی را با گروههای کنترلکننده یا چارچوبهای کنترل پیشبینیکننده مدل (MPC) جفت میکنند، نویدبخش به حداقل رساندن اتلاف حرارتی از طریق محدودسازی پیشگیرانه، بهینهسازی استخراج گرما و پیکربندی مجدد پویای مسیرهای حرارتی هستند. چالشهای کلیدی شامل کمبود دادهها برای رویدادهای شدید نادر، قابلیت انتقال در مکانهای مختلف، قابلیت تفسیر مدلهای یادگیری ماشینی و متعادل کردن عملکرد حرارتی با راندمان الکتریکی و پایداری شبکه است. این بررسی، شکافهای حیاتی در معیارهای استاندارد، تعیین مقدار عدم قطعیت و استقرار مقیاسپذیر در R-ECS متصل به شبکه میدانی را شناسایی میکند.
کلمات کلیدی : ضایعات حرارتی یادگیری ماشین انرژیهای تجدیدپذیر متصل به شبکه کنترل بهینهسازی