پیش‌بینی ساعتی دقیق تولید انرژی فتوولتائیک با استفاده از الگوریتم‌های هوش مصنوعی: رویکردی مبتنی بر استفاده از ورودی‌های با قطعیت بالا

پیش‌بینی ساعتی دقیق تولید انرژی فتوولتائیک با استفاده از الگوریتم‌های هوش مصنوعی: رویکردی مبتنی بر استفاده از ورودی‌های با قطعیت بالا

سهی سامی1 محمد حاجیان2 طیب نازقلیچی3 جعفر مساح4 سیدرضا حسن بیگی5

1) دانشجوی کارشناسی ارشد مکانیک بیوسیستم،گرایش انرژی‌های تجدید پذیر، دانشگاه تهران،ایران
2) دانشجوی کارشناسی ارشد مکانیک بیوسیستم،گرایش انرژی‌های تجدید پذیر، دانشگاه علوم کشاورزی و منابع طبیعی گرگان،ایران
3) استادیار دانشگاه علوم کشاورزی و منابع طبیعی گرگان،ایران
4) استاد دانشکده فناوری-کشاورزی، دانشگاه تهران،ایران
5) استاد دانشکده فناوری-کشاورزی، دانشگاه تهران،ایران

کد IOI مقاله : XKBA-AAAGDE
محل انتشار : سومین کنفرانس بین المللی پیشرفت های اخیر در مهندسی، نوآوری و تکنولوژی - بلژیک(eitconf.com/3rd)
چکیده :
    یش‌بینی دقیق تولید انرژی فوتوولتائیک نقش مهمی در ادغام مؤثر منابع انرژی تجدیدپذیر و بهبود کارایی شبکه‌های برق دارد. با این حال، این پیش‌بینی به دلیل وابستگی به شرایط ناپایدار جوی و تغییرات ساعتی، چالشی پیچیده محسوب می‌شود. چنین پیچیدگی‌هایی ضرورت استفاده از الگوریتم‌های پیشرفته و داده‌های باکیفیت را برای افزایش دقت پیش‌بینی نشان می‌دهد. علاوه بر این، بسیاری از داده‌های هواشناسی موجود به دلیل عدم قطعیت ذاتی، برای پیش‌بینی‌های کوتاه‌مدت چندان قابل‌اعتماد نیستند. در این مطالعه، هدف پیش‌بینی ساعتی توان فوتوولتائیک با استفاده از پارامترهایی با قابلیت اطمینان و دسترسی بالا بود. برای این منظور، داده‌های پایه شامل اطلاعات تولید ساعتی انرژی فوتوولتائیک از یک سایت صنعتی در کنستانز، آلمان، از طریق پروژه Open Power System Data جمع‌آوری شد. سپس ویژگی‌های زمانی و اقلیمی منطقه به این مجموعه اضافه شد تا داده‌ها کامل‌تر شوند. در ادامه، میزان دسترسی و قابلیت اطمینان ورودی‌های مدل بررسی شد تا ورودی‌های مناسب انتخاب شوند و پیش‌بینی‌هایی دقیق و قابل‌اعتماد ارائه گردد. انتخاب ورودی‌های مدل با دقت بالا و پس از تحلیل‌های گسترده همبستگی و بررسی وابستگی‌های متقابل میان داده‌ها انجام شد. همچنین مدل‌های مختلف پیش‌بینی مقایسه و ارزیابی شدند. در نهایت، مدل ترکیبی LSTM + LGBR عملکرد قابل‌توجهی ارائه داد و نتایج آن بر اساس چهار شاخص ارزیابی به‌صورت R² Score: 0.9864، MAE: 0.0053، MSE: 0.0003 و RMSE: 0.0159 گزارش شد. تحلیل پیش‌بینی‌های این مدل در مقایسه با داده‌های هواشناسی مشابه، دقت بالای آن را تأیید کرد.

کلمات کلیدی : پیش‌بینی کوتاه‌مدت پارامترهای زمانی مدل ترکیبی قطعیت ورودی انرژی‌های تجدیدپذیر