پیش بینی تابش خورشیدی با استفاده از تکنیک شبکه عصبی

ما ارزیابی تکنیکهای یادگیری ماشین نظارت شده را برای پیش بینی تابش خورشیدی (GHI) پیشنهاد می کنیم.

چکیده :

ما ارزیابی تکنیکهای یادگیری ماشین نظارت شده را برای پیش بینی تابش خورشیدی (GHI) پیشنهاد می کنیم. در این ارزیابی، یک مدل ساده خودبرگشتی خطی (AR) در مدل طبیعی را بر اساس استمرار GHI و استمرار شاخص آسمان صاف بیان می کنیم. این مدل ها را با داده هایی از سه جزیره ی فرانسه درجه بندی و معتبر و ارزیابی کردیم.

تابش خورشیدی، یک منبع جایگزین انرژی است که بر عملکرد فوتوولتی در ایجاد انرژی بسیار مؤثر است. نیاز به تخمین تابش یک ویژگی مهم در طرح سیستم های فتوولتی (PV) می باشد. شبکه عصبی مصنوعی (ANN) رایج ترین روش بکار گرفته برای تخمین تابش خورشیدی، است. یک شیوه ی جدید با نام الگوریتم ماشین فراگیر اکستریم (ELM)، یک روش یادگیری جدید خواندن به پیش شبکه ی عصبی با لایه مخفی است. برخلاف تحقیقات قبلی، این مطالعه استفاده از داده های هواشناسی مانند، دما، رطوبت، باد، سرعت و جهت سرعت به عنوان ورودی هایی برای مدل ANN و ELM در تخمین تابش خورشیدی را مورد توجه قرار داده است.

بیان مساله :

پیش بینی تابش خورشیدی، برای یک ادغام مؤثر سهم بزرگ انرژی خورشیدی در شبکه الکتریسیته دارای اهمیت زیادی است. برای افزایش ادغام انرژی خورشیدی در شبکه های الکتریسیته، پیش بینی های دقیق در افق های مختلف مورد نیاز هستند. (لورتز و هنی مان، 2012) این گفته در مورد شبکه های جزیره ای تقویت می شود. در حقیقت، ویژگی متناوب انرژی خورشیدی با این حقیقت که شبکه الکتریسیته ی جزیره متصل نیست، پایداری شبکه و در نتیجه تعادل عرضه- تقاضا را با خطر مواجه می کند. پیش بینی خورشیدی در موقعیت جزیره ای مانند جزیره هایی (مانند ری یونین، گادلوپ)بسیار چالش برانگیز می باشد و معمولاً تغییرپذیری موقتی و مکانی بالای منبع خورشیدی دارد. به علت این تغییرپذیری بالا، شبکه های جزیره ای می تواند افت 40 تا 75° توان pv خروجی را در لحظاتی تجربه کند.

در نتیجه، از زمان پایان سال 2010، دولت فرانسه با قانون کلی توان تولید شده با ادغام خود به خودی متناوب (pv و باد) در شبکه های جزیره ای تا 30% محدود شده است.

کلید واژه:

تابش خورشیدی (GHI), خودبرگشتی خطی (AR), شبکه عصبی مصنوعی (ANN), ماشین فراگیر اکستریم (ELM)

ادامه مطلب