بهبود دقت پیش بینی توان نیروگاه خورشیدی با تنظیم فرا پارامترهای شبکه CNN-LSTM مبتنی بر الگوریتم گرگ خاکستری

پیش بینی دقیق توان تولیدی نیروگاه های خورشیدی یکی از مهم ترین چالش های بهره برداری از شبکه های قدرت هوشمند محسوب می شود. ماهیت متناوب و وابستگی شدید انرژی خورشیدی به شرایط جوی موجب شده است که روش های سنتی پیش بینی از دقت کافی برخوردار نباشند. در این پژوهش یک مدل ترکیبی مبتنی بر شبکه عصبی کانولوشنی–حافظه بلندمدت کوتاه مدت (CNN-LSTM) ارائه شده است که فراپارامترهای آن توسط الگوریتم بهینه سازی گرگ خاکستری (GWO) تنظیم می شوند. در این مقاله داده های واقعی نیروگاه خورشیدی شامل داده های تولید و داده های هواشناسی مورد استفاده قرار گرفت. پس از ادغام داده ها، تعداد ۳۱۵۷ نمونه معتبر برای مدل سازی استخراج شد. تحلیل همبستگی نشان داد که تابش خورشیدی دارای بیشترین تاثیر بر توان خروجی با ضریب همبستگی ۰.۹۹۶ است. نتایج نشان می دهد مدل پیشنهادی نسبت به ANN، LSTM و CNN-LSTM عملکرد بهتری دارد و خطای پیش بینی را به میزان قابل توجهی کاهش می دهد.