ارائه یک مدل ترکیبی مبتنی بر یادگیری ماشین برای پیش بینی تقاضای برق در برق رسانی فراساحلی با تاکید بر پایداری زیست محیطی در عملیات دریایی

لجستیک دریایی که یکی از ارکان تجارت جهانی به شمار می رود با چالش هایی از جمله تراکم بنادر و تاثیرات زیست محیطی مواجه است. این مقاله به بررسی امکان سنجی استفاده از انرژی الکتریکی سبز برای تامین برق کشتی ها در خارج از پایانه های بندری از طریق روش موسوم به سیستم خاموش سازی موتور کشتی و استفاده از انرژی پاک فراساحلی  می پردازد. این مطالعه یک رویکرد یادگیری ماشین تحت عنوان مدل ترکیبی پشته ای هایبرید را برای پیش بینی تقاضای برق توسعه می دهد. تمرکز این تحقیق بر روی بندری در ایران  بوده و مدل های مختلف یادگیری ماشین را در رویکرد پشته ای موازی ارزیابی می کند، و اثربخشی آن ها در پیش بینی مصرف انرژی برای تامین برق کشتی ها در خارج از بندر در مقایسه با هر یک از مدل ها نشان داده می شود. هدف این تحقیق ارتقاء پایداری در مصرف انرژی دریایی از طریق بررسی عملیات انتقال کارآمد انرژی های تجدیدپذیر در سناریوهای فراساحلی است. این امر شامل حذف مصرف سوخت های فسیلی توسط کشتی ها و انتقال به منابع تجدیدپذیر با استفاده از پیش بینی دقیق تقاضای برق می باشد. نتایج نشان می دهد که مدل ترکیبی MLP-GB در دستیابی به مقدار کمتر خطای میانگین مجذور مربعات نسبت به سایر مدل ها عملکرد بهتری دارد که این امر پتانسیل آن برای پیش بینی دقیق را برجسته می سازد. یافته های این تحقیق به نقش حیاتی پیش بینی دقیق در ترویج جایگزینی منابع انرژی دریایی و همچنین کمک به تلاش های جهانی برای مقابله با تغییرات اقلیمی و کاهش انتشار گازهای گلخانه ای در حوزه دریایی اشاره دارند.

کلیدواژه ها:

Maritime logistics ، Offshore cold ironing ، Machine learning ، Forecast ، Electricity demand ، لجستیک دریایی ، برق رسانی فراساحلی ، یادگیری ماشین ، پیش بینی ، تقاضای برق