پیش بینی نفوذ بالای انرژی خورشیدی و بادی در محیط شبکه هوشمند با استفاده از رویکرد یادگیری جمعی استوار برای داده های بزرگ
- سال انتشار: 1401
- محل انتشار: دومین کنفرانس مکانیک،برق ،مهندسی هوافضا و علوم مهندسی
- کد COI اختصاصی: IMEAECONF02_033
- زبان مقاله: فارسی
- تعداد مشاهده: 304
نویسندگان
چکیده
پیش بینی امکان یکپارچه سازی مقرون به صرفه منابع انرژی تجدیدپذیر مانند خورشید و باد را فراهم می کند. پیش بینی داده های روزانه، ماهانه، فصلی و سالانه برای موقعیت های مختلف با نمونه های داده / مشاهده متفاوت با یک الگوریتم پیش بینی واحد چالش برانگیز باقی می ماند. ما الگوریتم K - نزدیک ترین همسایه مبتنی بر ترکیب را برای پیش بینی توان بادی و خورشیدی در این مطالعه برای پاسخ به چالش های ذکر شده در بالا ارائه کردیم. معماری عمیق K - NNC شامل پیچیدگی مدل سازی غیر خطی در انرژی خورشیدی و بادی است که برآورد دقیق تری از الگوهای فضایی انرژی خورشیدی و بادی را ممکن می سازد. برای آموزش و بهینه سازی الگوریتم k - نزدیک ترین همسایه از تحلیل معیار ماکوسکی استفاده شد. فاصله توزیع نرمال برای ارزیابی نظری خوبی برازش الگوریتم k نزدیک ترین همسایه بین مقادیر مورد انتظار و مشاهده شده مورد استفاده قرار گرفت. روش اعتبارسنجی متقابل ۵ گانه برای برآورد قدرت جریمه لاسو دقیق برای داده های خورشیدی / بادی با ابعاد بالا مورد استفاده قرار گرفت. پیش بینی های گروهی با استفاده از اعتبارسنجی متقابل ۵ تایی برای بهبود عملکرد تعمیم، به حداقل رساندن تناسب بیش از حد ایجاد شده توسط همبستگی مدل پایه ترکیب شدند. برای پیش بینی روزانه، ماهانه، فصلی و سالانه توان خورشیدی و بادی، دو منطقه آب و هوایی مختلف و چهار طرح آزمایشی مجزا ارائه شده است. دقت پیش بینی روش k - نزدیک ترین همسایه پیشنهادی با استفاده از سه شاخص ارزیابی عملکرد و چهار مدل پیش بینی موجود تایید شده است. میانگین خطای مطلق الگوریتم k - نزدیک ترین همسایه مدل رگرسیون خطی تعمیم یافته، شبکه عصبی پس انتشار یک مرحله ای، درخت تصمیم و BFGS Quasi - نیوتن شبکه عصبی پس انتشار خطا برای پیش بینی توان خورشیدی و بادی به ترتیب ۱.۱۶، ۵.۵۹، ۴.۲۲، ۱.۷۰، ۳.۲۳ و ۸.۶۰، ۱۵.۸۱، ۴۰.۶۴، ۰.۵۶ و ۱۵.۰۴ اندازه گیری شد. صنایع برق می توانند با معرفی الگوریتم K - نزدیک ترین همسایه به عملیات های سیستم قدرت، سطوح پایین و بالا را در تولید انرژی تجدیدپذیر متغیر پیش بینی کنند و به آن ها اجازه تعادل موثر در تولید انرژی تجدیدپذیر و بار روزانه، ماهانه، فصلی و سالانه را بدهد. این امر قابلیت اطمینان سیستم قدرت را بهبود می بخشد، هزینه های سوخت را کاهش می دهد و استفاده از منابع خورشیدی و بادی را محدود می کند.کلیدواژه ها
پیش بینی انرژی خورشیدی و بادی ، یادگیری گروهی ، مدل های یادگیری ماشینی ، الگوریتم نزدیک ترین همسایه ، خطاهای پیش بینیمقالات مرتبط جدید
- اثر ضریب اسکمپتون بر روی تنش فن میزس استوانه ی جدار ضخیم متخلخل اشباع تحت فشار داخلی با استفاده از تئوری تغییرشکل برشی مرتبه ی اول
- محاسبه تجربی نیروهای وارده از دست خلبان به استیک هواپیمای سبک در طول پرواز
- استخراج بار آزمایشگاهی جهت اجرای آزمون استاتیکی سکان عمودی هواپیما
- پایداری در لجستیک حمل و نقل هوایی بار: درس هایی از همه گیری جهانی
- بررسی جوانب و ابعاد توسعه فناوری های نوین بر زیست بوم فضایی با تاکید بر حقوق بین الملل فضایی
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.