پیش بینی نفوذ بالای انرژی خورشیدی و بادی در محیط شبکه هوشمند با استفاده از رویکرد یادگیری جمعی استوار برای داده های بزرگ

پیش بینی امکان یکپارچه سازی مقرون به صرفه منابع انرژی تجدیدپذیر مانند خورشید و باد را فراهم می کند. پیش بینی داده های روزانه، ماهانه، فصلی و سالانه برای موقعیت های مختلف با نمونه های داده / مشاهده متفاوت با یک الگوریتم پیش بینی واحد چالش برانگیز باقی می ماند. ما الگوریتم K - نزدیک ترین همسایه مبتنی بر ترکیب را برای پیش بینی توان بادی و خورشیدی در این مطالعه برای پاسخ به چالش های ذکر شده در بالا ارائه کردیم. معماری عمیق K - NNC شامل پیچیدگی مدل سازی غیر خطی در انرژی خورشیدی و بادی است که برآورد دقیق تری از الگوهای فضایی انرژی خورشیدی و بادی را ممکن می سازد. برای آموزش و بهینه سازی الگوریتم k - نزدیک ترین همسایه از تحلیل معیار ماکوسکی استفاده شد. فاصله توزیع نرمال برای ارزیابی نظری خوبی برازش الگوریتم k نزدیک ترین همسایه بین مقادیر مورد انتظار و مشاهده شده مورد استفاده قرار گرفت. روش اعتبارسنجی متقابل ۵ گانه برای برآورد قدرت جریمه لاسو دقیق برای داده های خورشیدی / بادی با ابعاد بالا مورد استفاده قرار گرفت. پیش بینی های گروهی با استفاده از اعتبارسنجی متقابل ۵ تایی برای بهبود عملکرد تعمیم، به حداقل رساندن تناسب بیش از حد ایجاد شده توسط همبستگی مدل پایه ترکیب شدند. برای پیش بینی روزانه، ماهانه، فصلی و سالانه توان خورشیدی و بادی، دو منطقه آب و هوایی مختلف و چهار طرح آزمایشی مجزا ارائه شده است. دقت پیش بینی روش k - نزدیک ترین همسایه پیشنهادی با استفاده از سه شاخص ارزیابی عملکرد و چهار مدل پیش بینی موجود تایید شده است. میانگین خطای مطلق الگوریتم k - نزدیک ترین همسایه مدل رگرسیون خطی تعمیم یافته، شبکه عصبی پس انتشار یک مرحله ای، درخت تصمیم و BFGS Quasi - نیوتن شبکه عصبی پس انتشار خطا برای پیش بینی توان خورشیدی و بادی به ترتیب ۱.۱۶، ۵.۵۹، ۴.۲۲، ۱.۷۰، ۳.۲۳ و ۸.۶۰، ۱۵.۸۱، ۴۰.۶۴، ۰.۵۶ و ۱۵.۰۴ اندازه گیری شد. صنایع برق می توانند با معرفی الگوریتم K - نزدیک ترین همسایه به عملیات های سیستم قدرت، سطوح پایین و بالا را در تولید انرژی تجدیدپذیر متغیر پیش بینی کنند و به آن ها اجازه تعادل موثر در تولید انرژی تجدیدپذیر و بار روزانه، ماهانه، فصلی و سالانه را بدهد. این امر قابلیت اطمینان سیستم قدرت را بهبود می بخشد، هزینه های سوخت را کاهش می دهد و استفاده از منابع خورشیدی و بادی را محدود می کند.

Keywords:

پیش بینی انرژی خورشیدی و بادی , یادگیری گروهی , مدل های یادگیری ماشینی , الگوریتم نزدیک ترین همسایه , خطاهای پیش بینی