بهبود عملکرد سیستم پنل خورشیدی با رویکرد ترکیبی شبکه عصبی عمیق و یادگیری انتقالی

با افزایش تقاضای جهانی برای انرژی و رشد نگرانی های زیست محیطی، بهره گیری از منابع انرژی تجدیدپذیر به ویژه انرژی خورشیدی اهمیت فزاینده ای یافته است. سیستم های پنل خورشیدی به عنوان یکی از رایج ترین فناوری های تولید انرژی خورشیدی، در سال های اخیر به طور گسترده مورد استفاده قرار گرفته اند. با این حال، توان خروجی این سیستم ها به شدت تحت تاثیر عوامل محیطی متغیری همچون شدت تابش خورشیدی، دما، رطوبت و شرایط جوی قرار دارد. این تغییرپذیری، پیش بینی دقیق توان تولیدی را به یک چالش اساسی تبدیل کرده است. در این پژوهش، یک چارچوب ترکیبی نوآورانه برای بهبود پیش بینی توان خروجی سیستم های پنل خورشیدی ارائه می شود. مدل پیشنهادی شامل سه جزء اصلی است: استفاده از شبکه عصبی عمیق برای استخراج ویژگی های غیرخطی از داده های ورودی، یادگیری انتقالی جهت افزایش تطبیق پذیری مدل با شرایط محیطی جدید، و بهره گیری از الگوریتم های بهینه سازی هوشمند مانند PSO و FA برای تنظیم بهینه پارامترهای شبکه. مدل ابتدا با داده های تاریخی آموزش دیده و سپس از طریق انتقال دانش به داده های جدید، بهینه سازی می شود. ارزیابی عملکرد مدل با استفاده از داده های واقعی نیروگاه خورشیدی، نشان می دهد که روش پیشنهادی نسبت به مدل های کلاسیک مانند ANN و ANN-PSO، دقت بالاتر و خطای پیش بینی کمتری دارد. نتایج حاکی از افزایش ضریب همبستگی و کاهش نوسانات پیش بینی در شرایط مختلف است. روش ترکیبی ارائه شده با قابلیت تعمیم پذیری بالا و سازگاری سریع، در بهره برداری هوشمند از انرژی خورشیدی موثر است.

کلیدواژه ها:

شبکه عصبی عمیق ، یادگیری انتقالی ، سیستم پنل خورشیدی ، بهینه سازی هوشمند ، پیش بینی توان خروجی