ارزیابی مدلهای یادگیری عمیق PatchTST و LSTM برای پیشبینی بلندمدت توان تولیدی نیروگاههای خورشیدی در ایران
- سال انتشار: 1404
- محل انتشار: یازدهمین کنفرانس بین المللی مهندسی برق، کامپیوتر و مکانیک
- کد COI اختصاصی: ICPCONF11_083
- زبان مقاله: فارسی
- تعداد مشاهده: 58
نویسندگان
دانشجوی کارشناسی ارشد برق دانشگاه علوم و تحقیقات
دانشجوی کارشناسی ارشد برق دانشگاه علوم و تحقیقات
چکیده
PatchTST این پژوهش پیش بینی توان تولیدی یک نیروگاه خورشیدی فرضی یک مگاواتی در تهران را با مدل یادگیری عمیق برای ادغام در سیستمهای ذخیره ساز انرژی بررسی می کند. با استفاده از دادههای هواشناسی، تابش، دما، رطوبت و تقاضای ذخیره سازی در سال ۱۴۰۳ PatchTST با خطای ۰.۲۷۰ MS و ضریب ۲۰.۹۴ کارایی شارژ د شارژ باتریها را بهبود داد. این پیش بینی ها هزینههای ذخیره سازی را تا ۱۲ کاهش دادند و به توسعه انرژیهای تجدیدپذیر کمک می کنند.کلیدواژه ها
پیش بینی توان خورشیدی, یادگیری عمیق, LSTM, PatchTSTمقالات مرتبط جدید
- مدلسازی و شبیه سازی جبران ساز سری سنکرون استاتیکی توزیع برای حل چالش های شبکه توزیع بر پایه الگوریتم بهینه سازی گرگ خاکستری
- تاثیر دما بر تنش زدایی فولاد در تمپرینگ عملیات حرارتی
- معماری ادراکی برای تعامل تیمی انسان و ربات
- شبیه سازی اثر تغییر بار بر خروجی مولد فشرده ساز شار دیسکی
- سیستم پرداخت الکترونیکی کارآمد برای تجارت الکترونیک
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.