طراحی و توسعه سامانه پیش بینی توان تولیدی فتوولتاییک با استفاده از الگوریتم های هوش مصنوعی

پیش بینی دقیق در حوزه انرژی یکی از عوامل کلیدی برای بهینه سازی تولید، مدیریت مصرف و کاهش هزینه های انرژی محسوب می شود. سیستم های انرژی، به ویژه در بخش های مبتنی بر انرژی های تجدیدپذیر، با نوسانات زیادی مواجه هستند که اتخاذ تصمیمات غیربهینه می تواند منجر به اتلاف منابع و افزایش هزینه ها گردد. پیش بینی کوتاه مدت و ساعتی، به ویژه در مدیریت شبکه های هوشمند و برنامه ریزی تولید و مصرف انرژی، نقش اساسی ایفا می کند. مدل های پیش بینی کارآمد می توانند با ارائه برآوردهای دقیق، به بهره برداران شبکه و مدیران صنعتی کمک کنند تا مصرف انرژی را بهینه سازی کرده، وابستگی به شبکه را کاهش دهند و از تعرفه های متغیر زمانی به طور بهینه بهره برداری نمایند.در این پژوهش، با بهره گیری از داده های معتبر و دارای مجوز از پایگاه Open Power System ، سه مرحله اساسی در پیش بینی و مدیریت انرژی دنبال شده است.در مرحله اول، پیش بینی کوتاه مدت و ساعتی تولید انرژی فتوولتاییک با استفاده از الگوریتم های هوش مصنوعی انجام گردید. برای این منظور، روش های مختلفی به کار گرفته شد و پیش بینی ها با ورودی های گوناگون مورد صحت سنجی قرار گرفتند. ارزیابی عملکرد مدل ها نشان داد که پیش بینی ها در چهار معیار اصلی ارزیابی شامل R² Score، RMSE، MSE وMAE، دقت بالایی دارد و در بازه اطمینان قابل قبولی قرار می گیرد. نتایج فاز اول در داده های تست به صورت زیر به دست آمد: R² Score برابر با 986/0، MAE برابر با 0005/0، MSE برابر با 0003/0 و RMSE برابر با 0016/0 که نشان دهنده دقت بالای مدل در پیش بینی تولید فتوولتاییک است. در مرحله دوم، پیش بینی همزمان مصرف برق، تولید فتوولتاییک و واردات برق از شبکه در یک ساختمان صنعتی صورت پذیرفت که این پیش بینی نیز به صورت کوتاه مدت و ساعتی انجام شده و بر مبنای داده های تاریخی این سه متغیر طراحی گردید. برای این منظور، از یک شبکه حافظه کوتاه مدت بلندمدت (LSTM) استفاده شد که نتایج آن بر اساس چهار معیار ذکرشده ارزیابی گردید. در این مرحله، مدل ارائه شده توانست عملکرد قابل قبولی از خود نشان دهد و دقت بالایی را در پیش بینی این متغیرها ثبت کند. نتایج فاز دوم در داده های تست به صورت زیر حاصل شد: R² Score برابر با 906/0، MAE برابر با 033/0، MSE برابر با 004/0 و RMSE برابر با 061/0 که حاکی از عملکرد مناسب مدل در پیش بینی چندمتغیره است. در مرحله سوم، از الگوریتم های یادگیری تقویتی برای بهینه سازی تصمیم گیری و مدیریت انرژی بهره گیری شد. در این بخش، الگوریتم Q-Learning بر اساس تعرفه های Time of Use (ToU) به کار گرفته شد تا تصمیمات بهینه برای مدیریت انرژی اتخاذ گردد. در این فرآیند، یک محیط تعریف شده و مقادیر پاداش (Reward) برای هر اقدام مشخص گردید. در نهایت، جدول Q-Value استخراج شد که نشان دهنده ارزش هر اقدام در بازه های کوتاه مدت و ساعتی بود. این رویکرد توانست به بهینه سازی مدیریت انرژی و کاهش هزینه ها کمک نماید. به طور کلی، این پژوهش نشان داد که استفاده از روش های هوش مصنوعی و یادگیری تقویتی می تواند در پیش بینی و مدیریت انرژی نقش موثری ایفا کرده و دقت و بهره وری سیستم های انرژی را بهبود بخشد.

کلیدواژه ها:

تولید فتوولتائیک ، یادگیری عمیق ، یادگیری ماشین ، مصرف برق ، بهینه سازی ، تعرفه.