پیش بینی روند افزایش ظرفیت جهانی انرژی های تجدیدپذیر با استفاده از شبکه عصبی مبتنی بر رگرسیون با مدل سری زمانی

در این مقاله، یک مدل تخمینی برای پیش بینی افزایش ظرفیت خالص انرژی های تجدیدپذیر بر اساس داده های سری زمانی از سال ۲۰۰۰ تا ۲۰۲۳ ارائه شده است. همچنین از مدل شبکه عصبی کم عمق مبتنی بر رگرسیون (RSNN) با ۲۰ نورون پنهان استفاده شده است تا بهترین پارامترهای ممکن را برای مدلی که بالاترین دقت را در برازش مدل و پیش بینی داده های سری زمانی ارائه می کند، تخمین زده شود. مدل RSNN با موفقیت برای مدل سازی داده های سری زمانی و پیش بینی روند افزایش ظرفیت جهانی انرژی های تجدیدپذیر تا سال ۲۰۲۵ استفاده شده است. نتایج نشان می دهد که مدل RSNN حداقل میانگین مربع خطا (MSE) مبتنی بر تلفات را برای تخمین مدل پس از ۶۰ دوره آموزش شبکه عصبی با دقت بالای ۹۹ درصد برای برازش داده ها ثبت کرده است .این مدل یک روند افزایشی خطی را در افزایش ظرفیت انرژی تجدیدپذیر تا سال ۲۰۲۵ نشان می دهد.

کلیدواژه ها:

انرژی های تجدیدپذیر ، شبکه عصبی کم عمق ، مدل سری زمانی ، مدل رگرسیون