استفاده از مدل یادگیری عمیق هیبریدی برای پیش بینی توان خروجی آرایه های فتوولتائیک در ایستگاه های بین راهی شارژ خودروهای برقی

با گسترش روزافزون خودروهای برقی تامین انرژی پایدار برای ایستگاه های شارژ به یک چالش تبدیل شده است. این پژوهش، یک چارچوب هوشمند برای پیش بینی توان خروجی آرایه های فتوولتائیک (PV) با قابلیت بازآرایی دینامیک توپولوژی ارائه می دهد. در مرحله نخست با بهره گیری از کتابخانه Dlib یک مجموعه داده برای یک سال کامل شبیه سازی شد که عملکرد آرایه را تحت سناریوهای سایه اندازی جزئی برای توپولوژی های کلیدی مدل سازی می کند. در مرحله دوم یک معماری یادگیری عمیق هیبریدی متشکل از شبکه های کانولوشنال یک بعدی (Conv۱D)، حافظه طولانی کوتاه مدت (LSTM) و مکانیزم توجه (Attention) برای پیش بینی همزمان توان خروجی بهینه و توان هر یک از توپولوژی های اصلی طراحی شد. این مدل به عنوان یک رگرسیون چندهدفه عمل کرده و با استفاده از داده های ۱۶۸ ساعت گذشته چندین سری زمانی را برای ۲۴ ساعت آینده پیش بینی می کند. نتایج ارزیابی بر روی مجموعه داده آزمون عملکرد مناسب مدل را در پیش بینی توان بهینه AC با ریشه میانگین مربعات خطا برابر با ۰٫۰۶۹۱ کیلووات و میانگین قدر مطلق خطا برابر با ۰٫۰۴۷۶ کیلووات و R برابر ۹۱ درصد به اثبات می رساند. این دقت کارایی رویکرد پیشنهادی را برای کاربردهای مدیریت انرژی هوشمند در زیرساخت های شارژ تایید می کند.

Keywords:

مدل یادگیری عمیق , هیبریدی , آرایه های فتوولتائیک , ایستگاه شارژ خودروهای برقی