پادکست: حمل و نقل تیتان: نقش والای شیکاگو در سفرهای هوایی، اتوبوسی و ریلی

استخدام مدیر برنامه – طبقه بندی نشده (مدیر مدیریت و عملیات سیستم های حمل و نقل)

ادامه ...

Monday, 5 June , 2023
امروز : دوشنبه, ۱۵ خرداد , ۱۴۰۲

اخبار ویژه »

شناسه خبر : 20260

ارسال

پرینتخانه » مقالات خارجی شهرسازی تاریخ انتشار : 25 می 2023 - 4:30 | 16 بازدید | ارسال توسط : shahrsaz

پایان نامه پایداری، جلد. ۱۵، صفحات ۸۵۵۵: ارزیابی مدل های یادگیری ماشین برای پارامترهای شبکه هوشمند: تجزیه و تحلیل عملکرد ARIMA و Bi-LSTM

پایداری، جلد. ۱۵، صفحات ۸۵۵۵: ارزیابی مدل های یادگیری ماشین برای پارامترهای شبکه هوشمند: تجزیه و تحلیل عملکرد ARIMA و Bi-LSTM | ۲۰۲۳-۰۵-۲۵ ۰۴:۳۰:۰۰ دسترسی آزادمقاله ارزیابی مدل‌های یادگیری ماشین برای پارامترهای شبکه هوشمند: تحلیل عملکرد ARIMA و Bi-LSTM توسط یوان هوا چن ۱،۲، محمد شعیب بوتا ۲،*، محمد ابوبکر ۳،*، دینگتیان شیائو ۲، فهد […]

پایداری، جلد. 15، صفحات 8555: ارزیابی مدل های یادگیری ماشین برای پارامترهای شبکه هوشمند: تجزیه و تحلیل عملکرد ARIMA و Bi-LSTM

پایداری، جلد. ۱۵، صفحات ۸۵۵۵: ارزیابی مدل های یادگیری ماشین برای پارامترهای شبکه هوشمند: تجزیه و تحلیل عملکرد ARIMA و Bi-LSTM
| ۲۰۲۳-۰۵-۲۵ ۰۴:۳۰:۰۰

دسترسی آزادمقاله

ارزیابی مدل‌های یادگیری ماشین برای پارامترهای شبکه هوشمند: تحلیل عملکرد ARIMA و Bi-LSTM

توسط

^۱،۲،

^۲،*،

^۳،*،

^۲،

^۴ ،

^۵ و

^۶

^۱

کالج مهندسی مکانیک و خودرو، دانشگاه هونان، چانگشا ۴۱۰۰۸۲، چین

^۲

دانشکده مهندسی خودرو، دانشگاه فناوری هوافضا Guilin، Guilin 541004، چین

^۳

آزمایشگاه کلیدی شبکه هوشمند وزارت آموزش و پرورش، دانشگاه تیانجین، تیانجین ۳۰۰۰۷۲، چین

^۴

گروه مهندسی برق، دانشکده فنی، دانشگاه تبوک، تبوک ۴۷۹۱۳، عربستان سعودی

^۵

گروه علوم کامپیوتر، دانشگاه ملک فیصل، Hofuf 31982، عربستان سعودی

^۶

گروه فناوری محاسبات و نوآوری ها، دانشگاه واسا، ۶۵۲۰۰ واسا، فنلاند

نویسندگانی که مکاتبات باید خطاب به آنها باشد.

پایداری ۲۰۲۳، ۱۵(۱۱), ۸۵۵۵; https://doi.org/10.3390/su15118555 (ثبت DOI)

دریافت: ۸ آوریل ۲۰۲۳
/
بازبینی شده: ۱۸ مه ۲۰۲۳
/
پذیرش: ۲۲ مه ۲۰۲۳
/
تاریخ انتشار: ۲۵ مه ۲۰۲۳

(این مقاله متعلق به شماره ویژه است فناوری‌های انرژی، چالش‌ها و راه‌حل‌ها برای جهانی پایدار (انرژی).)

خلاصه

ادغام منابع انرژی تجدیدپذیر در شبکه‌های هوشمند برای رسیدگی به چالش‌های مدیریت و پیش‌بینی تولید انرژی در انقلاب چهارم انرژی اهمیت فزاینده‌ای پیدا کرده است. برای این منظور، هوش مصنوعی (AI) به عنوان ابزاری قدرتمند برای بهبود کنترل و مدیریت تولید انرژی ظاهر شده است. این مطالعه به بررسی کاربرد تکنیک‌های یادگیری ماشین، به‌ویژه مدل‌های ARIMA (میانگین متحرک یکپارچه رگرسیون خودکار) و Bi-LSTM (حافظه کوتاه‌مدت دو جهته)، برای پیش‌بینی تولید انرژی خورشیدی برای سال آینده می‌پردازد. این مطالعه با استفاده از یک سال داده‌های تولید انرژی خورشیدی بلادرنگ، این مدل‌ها را در معیارهای عملکردی مانند میانگین خطای مطلق (MAE) و ریشه میانگین مربعات خطا (RMSE) آموزش و آزمایش می‌کند. نتایج نشان می‌دهد که مدل Bi-LSTM (حافظه کوتاه‌مدت دو جهته) از نظر دقت از مدل ARIMA (میانگین متحرک یکپارچه رگرسیون خودکار) بهتر عمل می‌کند و قادر است الگوهای پیچیده و روابط بلندمدت را با موفقیت شناسایی کند. داده های سری زمانی یافته‌ها نشان می‌دهند که تکنیک‌های یادگیری ماشینی می‌توانند ادغام منابع انرژی تجدیدپذیر در شبکه‌های هوشمند را بهینه کنند و منجر به سیستم‌های قدرت کارآمدتر و پایدارتر شوند.

کلید واژه ها:

انرژی تجدید پذیر; شبکه های هوشمند; پیش بینی انرژی; آریما; مدل Bi-LSTM

۱٫ معرفی

همانطور که جهان به سمت پایداری حرکت می کند، نیاز روزافزونی به منابع انرژی تجدید پذیر و سبز وجود دارد. منابع تجدید ناپذیر مانند سوخت های فسیلی به سرعت در حال ناپدید شدن هستند و مصرف آنها مخاطرات زیست محیطی شدیدی را به همراه دارد. بنابراین، منابع انرژی تجدیدپذیر مانند انرژی خورشیدی، انرژی بادی و نیروی برق آبی روز به روز محبوب تر می شوند. [۱]. با این حال، ادغام این منابع در شبکه هوشمند چالشی است که باید مورد توجه قرار گیرد. تقریباً همه محققان بر افزایش پایداری و کنترل در سیستم‌های شبکه برق از طریق پیشنهاد راه‌حل‌های ترکیبی، تأکید بر اهمیت پرداختن به چالش‌های مرتبط با خطاهای شبکه، و استفاده از استراتژی‌های کنترلی خاص برای بهبود قابلیت‌های عبور از خطا، تنظیم ولتاژ و توان راکتیو تمرکز می‌کنند. تزریق، که توسط نتایج شبیه سازی و مقایسه ها پشتیبانی می شود، در حالی که جهت های آینده را برای تحقیقات بیشتر پیشنهاد می کند [۲,۳,۴,۵]. در آینده نزدیک، شبکه های هوشمند مانند باد، خورشید، بیوگاز و غیره باید از طریق تکنیک های هوش مصنوعی کنترل شوند تا کارایی آنها افزایش یابد. [۶,۷]. نویسندگان از [۸] ارائه یک رویکرد جدید با استفاده از الگوریتم YOLOv5 و تکنیک‌های پردازش تصویر برای نظارت بر ماژول‌های فتوولتائیک در نیروگاه‌های خورشیدی، با تاکید بر استفاده از پهپادها و تشخیص خودکار و در عین حال پیشرفت‌های بالقوه مانند ادغام مادون قرمز حرارتی و عملیات تمیز کردن رباتیک را پیشنهاد می‌کند. در میان منابع انرژی تجدیدپذیر، انرژی خورشیدی به عنوان یکی از مهم‌ترین عوامل در برآوردن نیازهای انرژی مطرح شده است. [۹]. نیروگاه های خورشیدی به صورت روزانه انرژی تولید می کنند و این انرژی در اختیار شبکه های ملی قرار می گیرد. پیش‌بینی دقیق تولید انرژی نیروگاه‌های خورشیدی کار دشواری است که به تکنیک‌های پیشرفته نیاز دارد [۱۰]. روش‌های سنتی برای پیش‌بینی تولید برق و سایر پارامترها استفاده می‌شوند، اما دقت آنها هنوز محدود است [۱۰]. برای بهبود دقت این پیش‌بینی‌ها، بسیاری از محققان از مدل‌های مختلف یادگیری ماشینی که بر روی مجموعه داده‌های به‌دست‌آمده از نیروگاه‌های مختلف انرژی و نیرو پیاده‌سازی شده‌اند، کمک دریافت کرده‌اند. این مدل‌های یادگیری ماشینی برای پیش‌بینی/پیش‌بینی پارامترهای مختلف بسیار مؤثر هستند [۱۱]. که در [۱۲]تنها یک مدل آماری ARIMA برای پیش‌بینی پارامترهای نیروگاه خورشیدی استفاده می‌شود، اما نتایج به وضوح قابل درک نیستند، در حالی که Ref. [13] یک مدل ترکیبی از ARIMA و LSTM برای تخمین انرژی الکتریکی کوتاه مدت نیروگاه های فتوولتائیک (PV) پیشنهاد می کند. این مدل مزایای هر دو روش را برای افزایش دقت برآورد پیش‌بینی توان الکتریکی ترکیب می‌کند. با این حال، این مطالعه تنها عملکرد مدل را بر روی یک نیروگاه PV ارزیابی می‌کند، که ممکن است تعمیم‌پذیری آن را به سایر نیروگاه‌ها محدود کند. که در [۱۴]یک مدل Bi-LSTM فقط برای پیش‌بینی پارامترهای تولید برق برای یک نیروگاه PV خورشیدی استفاده می‌شود. این مدل برای بهبود دقت پیش‌بینی، هم وابستگی‌های زمانی و هم مکانی ویژگی‌های ورودی را در نظر می‌گیرد، اما این مطالعه فقط یک ویژگی ورودی (یعنی تابش خورشید) را در نظر می‌گیرد، که ممکن است توانایی مدل را برای گرفتن سایر عوامل مؤثر بر تولید برق محدود کند. به طور مشابه، کار از [۱۵] یک شبکه عصبی LSTM برای پیش‌بینی تولید برق یک نیروگاه PV خورشیدی پیشنهاد می‌کند. این تحقیق به مقایسه عملکرد مدل LSTM با روش‌های دیگر مانند ARIMA و جنگل تصادفی می‌پردازد. این مطالعه تنها از مقدار محدودی داده (یعنی یک سال) استفاده می‌کند که ممکن است برای به تصویر کشیدن دامنه کامل تنوع در تولید برق کافی نباشد. باز هم کار از [۱۶] عملکرد مدل های ARIMA و LSTM را برای پیش بینی تولید برق از یک نیروگاه خورشیدی مقایسه می کند، که در آن مدل LSTM از نظر دقت از مدل ARIMA بهتر است، اما در اینجا، اندازه داده ها و ظرفیت نیروگاه بسیار کوچک است، که ممکن است تعمیم پذیری را محدود کند. از یافته ها یک مدل هیبریدی ARIMA-LSTM برای پیش‌بینی کوتاه‌مدت توان خروجی PV استفاده می‌شود [۱۷]. این مدل نقاط قوت هر دو روش را برای بهبود دقت پیش‌بینی ترکیب می‌کند، اما، به دلیل در دسترس بودن داده‌های محدود، ممکن است برای گرفتن طیف وسیعی از تنوع در خروجی توان PV کافی نباشد. این مدل‌های یادگیری ماشینی در انواع دیگر مجموعه داده‌های نیروگاه تولید برق نیز استفاده می‌شوند. [۱۸] عملکرد مدل‌های ARIMA، LSTM و ELM را برای پیش‌بینی کوتاه‌مدت انرژی باد مقایسه می‌کند. می توان نشان داد که تکنیک ELM از نظر دقت بهتر از روش های ARIMA و LSTM عمل می کند. تنها محدودیت این مطالعه این است که مقایسه ای از پیچیدگی محاسباتی یا امکان سنجی مدل های مختلف ارائه نمی دهد. به همین ترتیب، هر دوی این مدل‌ها با مدل RF، مدل SVR، مدل MLP و دوباره LSTM-ATT برای پیش‌بینی انرژی باد و انرژی خورشیدی مقایسه می‌شوند و این مدل‌ها از نظر دقت و پایداری بهتر از مدل‌های ARIMA و LSTM هستند. . با این حال، عدم توضیح در مورد نحوه آموزش و پیش پردازش مدل ها در اینجا مشاهده می شود که ممکن است تکرارپذیری و قابلیت اطمینان نتایج را محدود کند. [۱۹,۲۰,۲۱,۲۲]. علاوه بر این، این مطالعات برای عوامل خارجی که ممکن است بر عملکرد مدل‌ها تأثیر بگذارد، مانند تغییرات در الگوهای آب و هوا یا تغییرات سیاستی که بر صنعت انرژی تأثیر می‌گذارند، حساب نمی‌کنند. نویسندگان از [۲۳] یک مدل Bi-LSTM برای پیش‌بینی کوتاه‌مدت توان باد پیشنهاد کرد که تجزیه موجک و تجزیه و تحلیل خوشه‌بندی را برای افزایش دقت پیش‌بینی‌ها ترکیب می‌کند. مشخص شد که این مدل از نظر دقت از سایر مدل‌ها بهتر عمل می‌کند، اما ممکن است شرایط آب و هوایی شدید را در نظر نگیرد، که می‌تواند تغییرات قابل‌توجهی در تولید برق بادی ایجاد کند. علاوه بر این، مدل از پارامترهای زیادی استفاده می‌کند و مدل پیشنهادی را با سایر روش‌های پیش‌بینی مقایسه نمی‌کند، که ارزیابی اثربخشی مدل را دشوار می‌کند و منجر به برازش بیش از حد می‌شود. به همین ترتیب، یک مدل Bi-LSTM با مکانیزم توجه برای پیش‌بینی بار الکتریکی در استفاده می‌شود [۲۴] برای برجسته کردن ویژگی های مربوطه در داده های ورودی و بهبود دقت مدل و همچنین در [۲۵] برای بهبود ظرفیت جذب با مکانیزم توجه برای توانایی پیش‌بینی کوتاه‌مدت توان فتوولتائیک برای ثبت الگوهای پیچیده در داده‌ها. اگرچه مدل پیشنهادی از نظر دقت و استحکام از مدل‌های دیگر بهتر است، اما فقط بر پیش‌بینی بار الکتریکی برای یک منطقه تمرکز می‌کند و ممکن است برای مناطق دیگر با الگوهای بار متفاوت قابل اجرا نباشد. [۲۶]. علاوه بر این، Bi-LSTM برای پیش‌بینی کوتاه‌مدت انرژی خورشیدی برای تولید برق بادی بر اساس بهینه‌سازی چند مرحله‌ای استفاده می‌شود و مشخص شده است که از نظر دقت، پایداری و استحکام از سایر مدل‌ها بهتر عمل می‌کند. [۲۷].

از بحث بالا، نتیجه گیری می شود که تنها محدودیت بالقوه مدل Bi-LSTM این است که ممکن است از نظر محاسباتی گران باشد و به مقدار زیادی داده برای آموزش نیاز داشته باشد. عملکرد مدل ممکن است تحت تأثیر کیفیت و در دسترس بودن داده های ورودی باشد. بنابراین، ارزیابی دقیق عملکرد مدل Bi-LSTM و در نظر گرفتن محدودیت‌ها و معایب احتمالی این مدل‌ها در کاربردهای پیش‌بینی انرژی مهم است. این تحقیق همچنین بر یک سال داده‌های تولید برق خورشیدی بلادرنگ تمرکز دارد و پارامترهای عملکرد مدل‌های ARIMA و Bi-LSTM را در پیش‌بینی تولید و تابش انرژی خورشیدی برای سال بعد ارزیابی می‌کند. تحقیقات و توسعه بیشتر در این زمینه برای بهبود مستمر دقت و استحکام مدل‌های پیش‌بینی تولید انرژی تجدیدپذیر برای حمایت از مدیریت کارآمد انرژی و دستیابی به سیستم‌های انرژی پایدار مورد نیاز است.

بخش ۲ این مطالعه چارچوب و روش شناسی مدل های پیشنهادی شامل مدل های ریاضی، ساختار و مقایسه پایه دو مدل را ارائه می کند، در حالی که بخش ۳ بر مطالعه موردی و توصیف داده ها تمرکز دارد. نتایج مطالعه، از جمله ضرر و زیان و پیش بینی ها، به طور کامل در مورد بحث قرار می گیرند بخش ۴. بخش ۵ جزئیات سیستم و نرم افزار مورد استفاده برای نتایج تجربی است. سرانجام، بخش ۶ اظهارات قطعی مطالعه را ارائه می دهد.

۲٫ چارچوب/روش پیشنهادی

روش این مقاله تحقیقاتی شامل پیاده‌سازی یک ARIMA (میانگین متحرک یکپارچه رگرسیون خودکار) و یک مدل یادگیری ماشین Bi-LSTM (حافظه کوتاه‌مدت بلندمدت دو جهته) بر روی مجموعه داده‌های سری زمانی ثابت است. این مجموعه داده شامل مقادیر یک ساله (ژانویه ۲۰۲۲ تا دسامبر ۲۰۲۲) از سه پارامتر یعنی تولید برق متصل به شبکه (MW)، تولید روزانه (کیلووات ساعت) و تشعشع (

{م جی \cdot متر}^{- ۲}

). این داده های بلادرنگ از یک نیروگاه خورشیدی در مقیاس بزرگ جمع آوری شده است. جزئیات بیشتر در مورد این نیروگاه خورشیدی در مقیاس بزرگ را می توان در اینجا یافت [۱۳]. مجموعه داده از پیش پردازش شده است تا اطمینان حاصل شود که الزامات یک سری زمانی ثابت را برآورده می کند. سپس هر دو مدل بر روی یک بخش مشخص از مجموعه داده آموزش داده می‌شوند و مجموعه داده‌های باقی‌مانده به مجموعه‌های آزمایش و اعتبار سنجی تقسیم می‌شوند. سپس مدل‌ها برای عملکردشان در مجموعه تست ارزیابی شده و برای بهینه‌سازی دقت تنظیم می‌شوند. سپس مجموعه اعتبارسنجی برای تأیید عملکرد در داده‌های دیده نشده استفاده می‌شود. پس از بهینه سازی و اعتبارسنجی مدل ها، از آنها برای پیش بینی تولید برق برای سال آینده استفاده می شود. این با برون یابی داده های سری زمانی به آینده و پیش بینی مقادیر آینده متغیر وابسته بر اساس پیش بینی ها انجام می شود. به طور کلی، روش این مقاله تحقیقاتی شامل استفاده از روش‌های دقیق آماری و یادگیری ماشینی برای تجزیه و تحلیل داده‌های تولید برق نیروگاه خورشیدی در مقیاس بزرگ است. هر دو مدل ARIMA (میانگین متحرک یکپارچه رگرسیون خودکار) و Bi-LSTM (حافظه کوتاه مدت دو جهته) برای انجام پیش‌بینی تولید برق در آینده استفاده می‌شوند که ممکن است در تصمیم‌گیری در مورد تخصیص منابع، استراتژی‌های قیمت‌گذاری، توان بهینه مفید باشد. برنامه ریزی سیستم، پایداری سیستم و سایر پارامترهای مهم طراحی برای اپراتورهای نیروگاه خورشیدی. شکل ۱ فلوچارت کامل کل فرآیند را برای پیش‌بینی نتایج تجسم از هر دو مدل نشان می‌دهد. بخش‌های فرعی زیر جزئیات ساختاری و ریاضی مدل‌های ARIMA (میانگین متحرک یکپارچه رگرسیون خودکار) و Bi-LSTM (حافظه کوتاه‌مدت دو جهته) را ارائه می‌کنند.

۲٫۱٫ ساختار مدل ARIMA

مدل ARIMA (مدل متحرک یکپارچه رگرسیون خودکار) یک مدل آماری محبوب است که برای پیش‌بینی سری‌های زمانی استفاده می‌شود. همانطور که در نشان داده شده است از سه جزء اصلی تشکیل شده است شکل ۲. اولین مؤلفه، رگرسیون خودکار (AR) است که پیوند بین یک مشاهده و تعداد از پیش تعیین شده مشاهدات تأخیر را توصیف می کند. این جزء با استفاده از مشاهدات دوره های زمانی قبلی مدل سازی شده است. جزء AR یک مدل ARIMA با AR (p) نشان داده می شود، که در آن “p” نشان دهنده تعداد مشاهدات تاخیری است که باید گنجانده شود. مؤلفه بعدی میانگین متحرک (MA) است، که مدلی را برای ارتباط بین یک مشاهده و تعداد از پیش تعیین شده خطاهای پیش بینی عقب مانده (یعنی تفاوت بین مشاهده واقعی و مقدار پیش بینی شده) ایجاد می کند. مؤلفه MA در یک مدل ARIMA به عنوان MA (q) نشان داده می شود، که در آن «q» تعداد خطاهای پیش بینی تاخیری را نشان می دهد. جزء سوم یکپارچه سازی (I) است که درجه تفاضل مورد نیاز برای ثابت کردن سری زمانی را مدل می کند. جزء “I” یک مدل ARIMA به عنوان I(d) نشان داده می شود، که در آن “d” تعداد دفعاتی را نشان می دهد که سری های زمانی باید برای دستیابی به ایستایی تفاوت داشته باشند. بنابراین، یک مدل ARIMA معمولاً به عنوان ARIMA (میانگین متحرک یکپارچه رگرسیون خودکار) نشان داده می شود، که در آن “p” ترتیب مولفه خودرگرسیون، “d” درجه تفاضل مورد نیاز، و “q” ترتیب مولفه است. جزء میانگین متحرک

علاوه بر این، مدل ARIMA (میانگین متحرک یکپارچه رگرسیون خودکار) که برای پیش‌بینی در این تحقیق استفاده شده است، به عنوان یک فرآیند پیش‌بینی در شکل ۳، که ممکن است در این مورد یافت شود. فلوچارت یک نمای کلی از فرآیندهای مربوط به تخمین دقت داده های بلادرنگ به دست آمده از یک نیروگاه خورشیدی را ارائه می دهد. اولین قدم جمع آوری تمام داده ها است که می توان از آنها برای پیش بینی دقیق استفاده کرد. آموزش مدل، که مستلزم متمایز کردن سری به منظور ثابت کردن آن است، مرحله بعدی است. مرحله بعدی که پس از آموزش مدل رخ می دهد، شناسایی مدلی است که برای تخمین پارامترهای مدل آموزش داده شده استفاده می شود. این مرحله پس از آموزش مدل اتفاق می افتد. پس از شناسایی موفق مدل، مرحله زیر برآورد پارامترهای مدل است. پس از تخمین پارامترهای مدل، یک تشخیص برای تعیین کافی بودن یا نبودن مدل انجام می شود. در صورتی که مدل به اندازه کافی داده ها را نشان ندهد، روند یک بار دیگر در مرحله شناسایی مدل آغاز می شود. در صورت رضایت‌بخش بودن مدل، ممکن است به مرحله پیش‌بینی برویم.

به طور خلاصه، فلوچارت یک فرآیند متوالی را ارائه می‌کند که شامل جمع‌آوری داده‌های بلادرنگ، پیش‌بینی خطاها، آموزش مدل، شناسایی مدل، تخمین پارامترهای آن، تشخیص مدل، و اقدام به پیش‌بینی یا پیش‌بینی است. این فرآیند امکان پیش‌بینی دقیق خطاها را در داده‌های زمان واقعی جمع‌آوری‌شده از یک نیروگاه خورشیدی فراهم می‌کند.

۲٫۲٫ توصیف ریاضی مدل ARIMA

در مدل ARIMA (میانگین متحرک یکپارچه رگرسیون خودکار)، معادله (۱) مقدار جاری سری زمانی را که تابعی خطی از مقدار قبلی آن است، با یک عبارت قطع نشان می دهد.

ب_{۰}

و یک ضریب شیب

ب_{۱}

که قدرت اثر اتورگرسیو را تعیین می کند [۱۳]. اصطلاح خطا

ه_{تی}

تصادفی بودن و متغیر بودن سری های زمانی را که نمی توان با مدل خودرگرسیون توضیح داد را به تصویر می کشد.

Y_{تی} = ب_{۱} y_{تی - ۱} + ب_{۲} y_{تی - ۲} + \dots + ب_{۰} y_{۰} + ه_{تی}

(۱)

جایی که $Y_{تی}$ مقدار سری زمانی در زمان t است. $ب_{۰}$ ، $ب_{۱}$ ، $ب_{۲}$ ,…, $ب_{q}$ پارامترهای مؤلفه خودرگرسیون (AR) مدل هستند. این پارامترها توصیف می کنند که مقادیر p سری زمانی در گذشته چقدر بر مقدار اندازه گیری شده در لحظه تأثیر گذاشته است. $ب_{۰}$ عبارت رهگیری را نشان می دهد. $Y_{تی - ۱}$ ، $Y_{تی - ۲}$ ,…, $Y_{تی - q}$ مقادیر تاخیری سری زمانی تا مرتبه p هستند. $ه_{تی}$ عبارت خطا یا باقیمانده در زمان t است که نوسانات تصادفی و غیرقابل پیش بینی سری های زمانی را که توسط مؤلفه AR توضیح داده نمی شوند را نشان می دهد. d ترتیب تفاضل است که مشخص می کند چند بار سری زمانی با هم تفاوت دارد تا ثابت شود.

معادله (۲) بیانگر این است که مقدار سری زمانی در t − ۱ بر اساس مقادیر تاخیری آن تا مرتبه p و عبارت خطا در زمان t − ۱ پیش‌بینی می‌شود. به عبارت دیگر، مقدار فعلی یک سری زمانی مشروط به آن است. نتایج گذشته، با تاثیر کاهشی با افزایش ترتیب تاخیر [۱۳]. ضرایب

ب_{۱}

ب_{۲}

,…,

ب_{q}

نشان دهنده قدرت اثر اتورگرسیو برای هر ترتیب تاخیر، در حالی که

ب_{۰}

سطح پایه سری زمانی را نشان می دهد.

Y_{تی - ۱} = ب_{۱} y_{تی - ۲} + ب_{۲} y_{تی - ۳} + \dots + ب_{۰} y_{۰} + ه_{تی - ۱}

(۲)

جایی که $Y_{تی - ۱}$ مقدار تاخیر سری زمانی در زمان t − ۱ است. $ب_{۰}$ ، $ب_{۱}$ ، $ب_{۲}$ ,…, $ب_{q}$ پارامترهای مؤلفه AR مدل هستند که میزان تأثیر مقادیر p قبلی یک سری زمانی بر مقدار فعلی را تعیین می کنند. $ب_{۰}$ عبارت رهگیری را نشان می دهد. $Y_{تی - ۲}$ ، $Y_{تی - ۳}$ ,…, $Y_{تی - q}$ مقادیر تاخیری سری زمانی تا مرتبه p هستند. $ه_{تی - ۱}$ عبارت خطا یا باقیمانده در زمان t − ۱ است که نوسانات غیرقابل پیش‌بینی و تصادفی سری‌های زمانی را که توسط مؤلفه AR توضیح داده نمی‌شوند را نشان می‌دهد.

معادله (۳) پیش‌بینی مقادیر فعلی یک سری زمانی را بسته به مقادیر تاریخی آن، وزن‌دهی شده توسط ضرایب مدل AR ارائه می‌کند. [۱۳]. عبارت خطا نشان دهنده تفاوت بین مقدار واقعی و مقدار پیش بینی شده است و برای تخمین دقت مدل و بهبود عملکرد پیش بینی آن استفاده می شود.

Y_{تی} = ب_{۱} y_{تی - ۱} + ب_{۲} y_{تی - ۲} + \dots + ب_{۰} y_{۰} + ه_{تی}

(۳)

جایی که $Y_{تی}$ مقدار سری زمانی در زمان t است. $Y_{تی - ۱}$ ، $Y_{تی - ۲}$ ,…, $Y_{تی - q}$ مقادیر گذشته سری زمانی تا زمان ۰ هستند. $ب_{۱}$ ، $ب_{۱}$ ، $ب_{۲}$ , … ضرایب مدل ARIMA (میانگین متحرک یکپارچه رگرسیون خودکار) هستند. آنها وزن های داده شده به مقادیر قبلی سری زمانی را به منظور پیش بینی مقدار فعلی آن نشان می دهند. اصطلاح خطا $ه_{تی}$ یا نوآوری نشان دهنده تمایز مقادیر واقعی موجود در سری زمانی در ‘t’ و مقادیر پیش بینی شده مربوطه آن بر اساس مقادیر قبلی است.

معادله (۴) مؤلفه میانگین متحرک (MA) مدل ARIMA (میانگین متحرک یکپارچه رگرسیون خودکار) را نشان می دهد که برای تخمین مقادیر جاری یک سری زمانی که با مقدار خطای قبلی آن تعیین می شود، استفاده می شود. [۱۳].

Y_{تی} = آ + ه_{تی} + \emptyset_{۱} ه_{تی - ۱} + \emptyset_{۲} ه_{تی - ۲} + \dots + \emptyset_{q} ه_{تی - q}

(۴)

جایی که $Y_{تی}$ مقدار سری زمانی در زمان t است. α عبارت مقطع یا ثابت مدل است که نشان دهنده مقدار مورد انتظار سری زمانی است که همه متغیرهای دیگر برابر با ۰ هستند. $ه_{تی}$ نشان دهنده تمایز مقادیر واقعی سری زمانی در زمان t و مقادیر پیش بینی شده مربوطه بر اساس مقادیر گذشته و خطاهای قبلی است. $\emptyset_{۱}$ ، $\emptyset_{۲}$ ,…, $\emptyset_{q}$ ضرایب میانگین متحرک (MA) مدل ARIMA هستند. آنها وزن های داده شده به خطاهای قبلی را به منظور پیش بینی مقدار فعلی سری های زمانی نشان می دهند. $ه_{تی - ۱}$ ، $ه_{تی - ۲}$ ,…, $ه_{تی - q}$ خطاهای قبلی هستند که تفاوت بین مقادیر واقعی و پیش بینی شده سری زمانی در مراحل قبلی است.

معادله (۵) ترکیبی از هر دو مؤلفه AR و MA را در مدل ARIMA (میانگین متحرک یکپارچه رگرسیون خودکار) نشان می دهد. [۱۳]. برای پیش‌بینی مقدار فعلی یک سری زمانی بر اساس مقادیر گذشته و خطاهای قبلی، با وزن‌هایی که برای هر مقدار و خطا بسته به ضرایب مدل‌های AR و MA ارائه می‌شود، استفاده می‌شود. مقدار فعلی یک سری زمانی بر اساس مقادیر گذشته و خطاهای قبلی آن پیش بینی می شود. مقدار پیش‌بینی‌شده سری زمانی با عبارت رهگیری نشان داده می‌شود که همه متغیرهای دیگر روی صفر تنظیم شوند، و عبارت خطا تفاوت بین مقدار واقعی و مقدار پیش‌بینی‌شده در مرحله زمانی فعلی است. به هر دو اصطلاح در مجموع اصطلاح خطا گفته می شود.

Y_{تی} = آ + ب_{۱} y_{تی - ۱} + ب_{۲} y_{تی - ۲} + ب_{پ} y_{تی - پ} ه_{تی} + \emptyset_{۱} ه_{تی - ۱} + \emptyset_{۲} ه_{تی - ۲} \dots + \emptyset_{q} ه_{تی - q}

(۵)

جایی که $Y_{تی}$ مقدار سری زمانی در t است. وقفه مدل یا مدت ثابت، مقدار پیش‌بینی‌شده سری زمانی است که همه متغیرهای دیگر صفر هستند. $ب_{۱}$ ، $ب_{۲}$ ,…, $ب_{q}$ ضرایب مولفه خودرگرسیون (AR) مدل ARIMA (میانگین متحرک یکپارچه رگرسیون خودکار) هستند. آنها نمایشی از وزن هایی هستند که به مقادیر قبلی سری های زمانی اختصاص داده شده اند تا بتوانند مقدار فعلی را پیش بینی کنند. $Y_{تی - ۱}$ ، $Y_{تی - ۲}$ ,…, $Y_{تی - q}$ مقادیر تاخیری سری زمانی در زمان t – 1، t – 2، …، t – p هستند. $ه_{تی}$ نشان دهنده تمایز مقادیر واقعی سری زمانی در زمان t و مقادیر پیش بینی شده مربوطه بر اساس مقادیر قبلی و خطاهای قبلی است. $\emptyset_{۱}$ ، $\emptyset_{۲}$ ,…, $\emptyset_{q}$ ضرایب میانگین متحرک (MA) مدل ARIMA هستند. آنها وزن های داده شده به خطاهای قبلی را به منظور پیش بینی مقدار فعلی سری های زمانی نشان می دهند. $ه_{تی - ۱}$ ، $ه_{تی - ۲}$ ,…, $ه_{تی - q}$ خطاهای قبلی هستند که تفاوت بین مقادیر واقعی و پیش بینی شده سری زمانی در مراحل قبلی است.

۲٫۳٫ ساختار Bi-LSTM

مدل حافظه کوتاه مدت دو جهته (Bi-LSTM) نوعی شبکه عصبی بازگشتی (RNN) است که اغلب برای پیش‌بینی سری‌های زمانی، طبقه‌بندی توالی و دیگر برنامه‌های کاربردی پردازش داده‌های متوالی استفاده می‌شود. مدل Bi-LSTM (حافظه کوتاه مدت دو جهته) ساختار پیچیده تری نسبت به مدل ARIMA (میانگین متحرک یکپارچه رگرسیون خودکار) دارد. ساختار اصلی مدل حافظه کوتاه مدت دوسویه در نشان داده شده است شکل ۴. در این مدل، داده‌های ورودی متوالی از طریق لایه اول به مدل Bi-LSTM (حافظه کوتاه‌مدت دو جهته) وارد می‌شوند که به عنوان لایه ورودی نامیده می‌شود. شکل ۴. لایه دوم به لایه LSTM دو طرفه معروف است و از دو مجموعه مختلف از واحدهای LSTM تشکیل شده است. توالی ورودی توسط اولین مجموعه در جهت رو به جلو معمولی اداره می شود، در حالی که مجموعه دوم آن را به روش معکوس معمولی مدیریت می کند. به دلیل این ویژگی، این مدل قادر است وابستگی های گذشته و آینده را در توالی ورودی به درستی نشان دهد. لایه حذف یا خروجی سومین لایه است که با حذف بخشی از واحدها از لایه LSTM دو طرفه به صورت تصادفی در حین آموزش لایه از برازش بیش از حد جلوگیری می کند. لایه چهارم به لایه متراکم معروف است و وظیفه تولید خروجی نهایی را با گرفتن خروجی از لایه LSTM و اعمال تبدیل خطی به آن بر عهده دارد. علاوه بر این، توابع فعال سازی و منظم سازی ممکن است با استفاده از این لایه به خروجی اضافه شود که می توان از آنها نیز استفاده کرد. بنابراین، مدل Bi-LSTM (حافظه کوتاه مدت دو جهته) ممکن است با لایه های متعددی لایه بندی شود تا ظرفیت خود را افزایش دهد و الگوهای پیچیده تری را در دنباله ورودی ثبت کند. این را می توان با چیدن مدل ها انجام داد. علاوه بر این، مدل را می توان با استفاده از انتشار معکوس در طول زمان (BPTT) برای به روز رسانی پارامترهای مدل بر اساس توالی ورودی ها و خروجی های گذشته، همانطور که در نشان داده شده است، آموزش داد. شکل ۴. پارامترهای مدل، از جمله تعداد واحدهای LSTM، تعداد لایه‌ها و نرخ ترک تحصیل، می‌توانند با استفاده از تکنیک‌هایی مانند بهینه‌سازی جستجوی شبکه‌ای بهینه شوند.

۲٫۴٫ توضیح ریاضی Bi-LSTM

معادله (۶) عملکرد دروازه ورودی را در یک مدل حافظه کوتاه مدت دو جهته (Bi-LSTM) توصیف می کند که مجموع وزنی ورودی را محاسبه می کند.

{ایکس}_{تی}

، حالت پنهان قبلی

{ساعت}_{تی - ۱}

و یک اصطلاح جانبداری

ب_{من}

. این سه عبارت ابتدا در ماتریس های وزن آموخته شده ضرب می شوند

{دبلیو}_{من}

U_{من}

و سپس با هم جمع می شوند. در پایان، تابع سیگموئید برای محاسبه مقدار دروازه ورودی با اعمال خود به کل استفاده می شود. [۲۸].

{من}_{تی} = پ ({دبلیو}_{من} [{ایکس}_{تی}] + U_{من} [{ساعت}_{تی - ۱}] + ب_{من})

(۶)

جایی که ${من}_{تی}$ بردار دروازه ورودی در مرحله زمانی t و است ${ایکس}_{تی}$ بردار ورودی در مرحله زمانی t است، در حالی که h(t – 1) حالت پنهان در مرحله زمانی t – 1 است. Wi و ماتریس وزن برای دروازه ورودی به ورودی اعمال می شود. ${ایکس}_{تی}$ و به ترتیب حالت پنهان h(t – 1). Bi یک اصطلاح بایاس برای دروازه ورودی است. معادله (۷) عملکرد دروازه فراموشی را در یک مدل حافظه کوتاه مدت دو طرفه (Bi-LSTM) توصیف می کند که مجموع وزنی ورودی را محاسبه می کند. ${ایکس}_{تی}$ ، حالت پنهان قبلی حالت پنهان ${ساعت}_{تی - ۱}$ و یک اصطلاح جانبداری $ب_{f}$ . این سه عبارت ابتدا در ماتریس های وزن آموخته شده ضرب می شوند ${دبلیو}_{f}$ و $U_{f}$ و سپس با هم جمع می شوند. در نهایت، قبل از تعیین مقدار دروازه فراموشی، از تابع سیگموئید بر روی کل استفاده می شود $f_{تی}$ [۲۹].

f_{تی} = پ ({دبلیو}_{f} [{ایکس}_{تی}] + U_{f} [{ساعت}_{تی - ۱}] + ب_{f})

(۷)

جایی که $f_{تی}$ بردار دروازه فراموشی است و ${ایکس}_{تی}$ بردار ورودی در مرحله زمانی t است. ${ساعت}_{تی - ۱}$ حالت پنهان در مرحله زمانی t − ۱ است، در حالی که ${دبلیو}_{f}$ ماتریس وزن برای دروازه فراموشی است که برای ورودی اعمال می شود ${ایکس}_{تی}$ و $U_{f}$ ماتریس وزن برای دروازه فراموشی است که در حالت پنهان اعمال می شود ${ساعت}_{تی - ۱}$ . $ب_{o}$ اصطلاح سوگیری برای دروازه فراموشی است. معادله (۸) محاسبه حالت سلول حافظه کاندید را در یک شبکه حافظه کوتاه مدت دو جهته (Bi-LSTM) نشان می دهد. [۳۰]. هنگامی که مجموع وزنی و بایاس با هم جمع شوند، بردار حاصل از تابع مماس هذلولی عبور می کند ( $تی آ n ساعت)$ برای تولید حالت سلول حافظه کاندید ${ج^{“}}_{تی}$ . تابع مماس هذلولی مقادیر بردار ورودی را به محدوده فشرده می کند [−۱, ۱]، که به جلوگیری از مشکل گرادیان انفجاری که می تواند در طول تمرین رخ دهد کمک می کند.

{ج^{“}}_{تی} = برنزه ساعت ({دبلیو}_{آ} [{ایکس}_{تی}] + U_{آ} [{ساعت}_{تی - ۱}] + ب_{آ})

(۸)

جایی که ${ج^{“}}_{تی}$ بردار فعال سازی کاندید است و ${ایکس}_{تی}$ بردار ورودی در مرحله زمانی t است. ${ساعت}_{تی - ۱}$ حالت پنهان در مرحله زمانی t − ۱ است. ${دبلیو}_{آ}$ ماتریس وزن برای فعال سازی نامزد اعمال شده به ورودی است ${ایکس}_{تی}$ و $U_{آ}$ ماتریس وزن برای فعال سازی نامزد اعمال شده در حالت پنهان است ${ساعت}_{تی - ۱}$ . $ب_{o}$ اصطلاح سوگیری برای فعال سازی نامزد است. معادله (۹) محاسبه وضعیت سلولی یک گام زمانی واحد t را در مدل حافظه کوتاه مدت دو جهته (Bi-LSTM) نشان می دهد. [۳۱]. دروازه فراموشی $f_{تی}$ تصمیم می گیرد که کدام اطلاعات از وضعیت سلول قبلی باید حفظ شود و کدام اطلاعات باید دور ریخته شود. اگر خروجی دروازه فراموش شود $f_{تی}$ = ۰، سپس تمام اطلاعات از حالت سلول قبلی فراموش می شود، و اگر $f_{تی}$ = ۱، تمام اطلاعات حفظ می شود. سپس، اطلاعات جدید از طریق دروازه ورودی به حالت سلول اضافه می‌شود و مشخص می‌کند که کدام بخش از حالت سلول کاندید c’

من

تی

= ۰، هیچ اطلاعات جدیدی اضافه نمی شود، و اگر ${من}_{تی}$ = ۱، تمام اطلاعات جدید ذخیره می شود. در نهایت، دو قسمت با هم جمع می شوند تا وضعیت سلولی به روز شود $ج_{تی}$ برای مرحله زمانی فعلی t.

ج_{تی} = (f_{تی} \times ج_{تی - ۱}) + {من}_{تی} \times {ج^{“}}_{تی}

(۹)

جایی که $ج_{تی}$ بردار حالت سلولی است و $ج_{تی - ۱}$ بردار حالت سلولی در مرحله زمانی t و t – 1 است. $f_{تی}$ بردار دروازه فراموشی است و ${من}_{تی}$ بردار دروازه ورودی در مرحله زمانی t است. ${ج^{“}}_{تی}$ بردار فعال سازی نامزد در مرحله زمانی t است.

معادله (۱۰) حالت خروجی را محاسبه می کند

o_{تی}

در زمان گام t. تابعی از ورودی فعلی است

{ایکس}_{تی}

; حالت پنهان قبلی

{ساعت}_{تی - ۱}

; و پارامترهای قابل یادگیری

{دبلیو}_{o}

U_{o}

، و

ب_{o}

. این پارامترها در طول تمرین یاد می‌گیرند و برای وزن‌دهی و ترکیب ورودی و حالت پنهان قبلی برای محاسبه حالت خروجی استفاده می‌شوند. [۳۱].

o_{تی} = پ ({دبلیو}_{o} [{ایکس}_{تی}] + U_{o} [{ساعت}_{تی - ۱}] + ب_{o}

(۱۰)

جایی که $o_{تی}$ بردار دروازه خروجی است و ${ایکس}_{تی}$ بردار ورودی در مرحله زمانی t است، ${ساعت}_{تی - ۱}$ حالت پنهان در مرحله زمانی t − ۱ است، ${دبلیو}_{o}$ و $U_{o}$ ماتریس وزن برای دروازه خروجی اعمال شده به ورودی هستند ${ایکس}_{تی}$ و حالت پنهان ${ساعت}_{تی - ۱}$ ، و $ب_{o}$ اصطلاح بایاس برای دروازه خروجی است. معادله (۱۱) حالت پنهان را محاسبه می کند ${ساعت}_{تی}$ در زمان گام t. تابعی از حالت خروجی است $o_{تی}$ و وضعیت سلول حافظه ${سی}^{تی}$ . وضعیت سلول حافظه بر اساس حالت پنهان قبلی محاسبه می شود ${ساعت}_{تی - ۱}$ و ورودی فعلی ${ایکس}_{تی}$ . سپس وضعیت خروجی بر اساس حالت پنهان فعلی محاسبه می شود ${ساعت}_{تی}$ و برای فیلتر کردن انتخابی اطلاعات از سلول حافظه استفاده می شود [۳۱].

{ساعت}_{تی} = {(o}_{تی}) \times برنزه ساعت ({سی}^{تی})

(۱۱)

جایی که ${ساعت}_{تی}$ نشان دهنده حالت پنهان است، $o_{تی}$ دروازه خروجی است و $ج_{تی}$ بردار حالت سلول در زمان ‘t’ است.

۲٫۵٫ مقایسه بین ARIMA و Bi-LSTM

ARIMA (میانگین متحرک یکپارچه رگرسیون خودکار) و Bi-LSTM (حافظه کوتاه مدت دو جهته) هر دو مدل های پیش بینی سری زمانی هستند، اما در رویکرد و مفروضات متفاوت هستند. ARIMA (میانگین متحرک یکپارچه رگرسیون خودکار) یک مدل آماری است که داده‌های ثابت را فرض می‌کند، در حالی که Bi-LSTM (حافظه کوتاه‌مدت دو جهته) یک مدل یادگیری عمیق است که می‌تواند هم داده‌های ثابت و هم غیر ثابت و همچنین داده‌های متغیر را مدیریت کند. طول ها و مقادیر از دست رفته Bi-LSTM (حافظه کوتاه مدت دو جهته) از نظر دقت و انعطاف پذیری، به ویژه برای داده های پیچیده و پویا، برتری هایی نسبت به ARIMA (میانگین متحرک یکپارچه رگرسیون خودکار) نشان داده است.

۳٫ مطالعه موردی

نمودارهای جعبه برای خلاصه کردن یک مجموعه داده بزرگ و ارائه بینش در مورد توزیع آن مفید هستند. شکل ۵ میانه (Q2)، محدوده بین چارکی (Q1-Q3)، و مقادیر پرت یا شدید پارامترهای داده های به دست آمده از یک نیروگاه خورشیدی در مقیاس بزرگ، از جمله تولید برق متصل به شبکه در مگاوات، تولید روزانه بر حسب کیلووات ساعت و درخشندگی در MJ·m^-2. ارتفاع جعبه نشان‌دهنده گستردگی ۵۰ درصد میانی داده‌ها است و سبیل‌ها تا پایین‌ترین و بالاترین مقادیری که در محدوده ۱٫۵ برابر محدوده بین چارکی قرار دارند گسترش می‌یابند. هر مقدار خارج از این محدوده به صورت نقاط یا دایره‌های مجزا نشان داده می‌شود و می‌توان آن‌ها را پرت بالقوه در نظر گرفت. نمودار جعبه اول “تولید برق متصل به شبکه در مگاوات” است و yمحور محدوده تولید برق (۲۰ مگاوات تا ۱۰۰ مگاوات) را نشان می دهد. محدوده Q1 (چهارک اول) ۵۸-۶۸ است، که نشان می دهد کمترین ۲۵٪ داده ها در این محدوده قرار می گیرند. محدوده Q2 (چرک دوم) ۶۸-۷۳ است که نشان می دهد ۵۰ درصد متوسط داده ها در این محدوده قرار می گیرند. محدوده Q3 (چهارک سوم) ۷۳-۷۸ است، که نشان می دهد که بالاترین ۲۵٪ از داده ها در این محدوده قرار می گیرند. در نهایت، محدوده Q4 (چهارم چهارم) ۷۸-۹۹ است، که نشان می دهد ۱٪ از داده ها در این محدوده قرار می گیرند. به همین ترتیب، نمودار جعبه دوم “تولید روزانه بر حسب کیلووات ساعت” است و yمحور محدوده تعداد واحدهای کیلووات ساعت تولید شده را نشان می دهد (۱۰۰۰۰۰ کیلووات ساعت–۶۰۰۰۰۰ کیلووات ساعت). محدوده Q1 260000-420000 است که نشان می دهد کمترین ۲۵٪ داده ها در این محدوده قرار می گیرند. محدوده Q2 420000-470000 است که نشان می دهد ۵۰ درصد متوسط داده ها در این محدوده قرار می گیرند. محدوده Q3 470,000-510,000 است که نشان دهنده این است که بالاترین ۲۵ درصد داده ها در این محدوده قرار می گیرند. در نهایت، محدوده Q4 510,000-570,000 است که نشان می دهد ۱ درصد از داده ها در این محدوده قرار می گیرند. نمودار جعبه سوم «درخشش در MJ·m است^-۲“، و yمحور نشان دهنده محدوده تابش موثر خورشیدی (۵ مگا ژول · متر^-۲۳۰ مگا ژول · متر^-۲) که پتانسیل تبدیل شدن به انرژی الکتریکی را دارد. محدوده Q1 10-18 است، که نشان می دهد کمترین ۲۵٪ از داده ها در این محدوده قرار می گیرند. محدوده Q2 18-22 است، که نشان می دهد ۵۰ درصد متوسط داده ها در این محدوده قرار می گیرند. محدوده Q3 22-24 است که نشان می دهد بالاترین ۲۵٪ داده ها در این محدوده قرار می گیرند. در نهایت، محدوده Q4 24-27 است، که به این معنی است که ۱٪ از داده ها در این محدوده قرار می گیرند، همانطور که در نشان داده شده است. شکل ۵ زیر

شکل ۶ نشان دهنده همبستگی داده ها از طریق یک نقشه حرارتی است. نقشه حرارتی نمایشی بصری از داده ها است که از سلول های رنگی برای نشان دادن مقادیر نسبی متغیرهای مختلف استفاده می کند. در این حالت، نقشه حرارتی همبستگی بین سه متغیر، تولید برق متصل به شبکه را بر حسب مگاوات، تولید روزانه بر حسب کیلووات ساعت و تابش بر حسب MJ·m نشان می‌دهد.^-۲. اعداد نشان داده شده در هر سلول نشان دهنده ضریب همبستگی است که بین دو متغیر مرتبط با سطر و ستونی که سلول نشان می دهد وجود دارد.

ضریب همبستگی از ۱- تا ۱+ متغیر است که مقادیر نزدیک به ۱- نشان دهنده همبستگی منفی قوی، مقادیر نزدیک به ۱+ نشان دهنده همبستگی مثبت قوی و مقادیر نزدیک به ۰ نشان دهنده همبستگی کم یا عدم وجود همبستگی است. نقشه حرارتی ارائه شده دارای سه ردیف و سه ستون است که مربوط به سه متغیر است. سلول های مورب (یعنی سلول هایی که متغیرهای ردیف و ستون یکسان هستند) همه ۱ هستند، زیرا یک متغیر همیشه با خودش همبستگی کامل دارد. سلول های خارج از مورب همبستگی بین جفت متغیرها را نشان می دهند. به عنوان مثال، سلول در ردیف اول و ستون دوم همبستگی بین تولید برق متصل به شبکه را بر حسب مگاوات و تولید روزانه بر حسب کیلووات ساعت نشان می دهد که ۰٫۳۷ است. این نشان دهنده همبستگی مثبت اما نسبتا ضعیف بین دو متغیر است. به طور مشابه، سلول در ردیف دوم و ستون سوم همبستگی بین تولید روزانه (کیلووات ساعت) و تابش (MJ·m) را نشان می دهد.^-۲) که ۰٫۹۵ است. این نشان دهنده همبستگی مثبت قوی بین دو متغیر است. به طور کلی، نقشه حرارتی نشان می دهد که بین سه متغیر همبستگی وجود دارد، اما قدرت همبستگی ها متفاوت است. تولید برق متصل به شبکه در مگاوات و تولید روزانه بر حسب MJ·m^-2 همبستگی ضعیفی دارند، در حالی که تولید روزانه (کیلووات ساعت) و درخشندگی (MJ·m).^-2) همبستگی قوی دارند.

یک هیستوگرام توزیع فرکانس مجموعه داده را به تصویر می کشد که در آن ایکس-axis محدوده مقادیر در مجموعه داده را نشان می دهد، در حالی که the y-axis فرکانس آن مقادیر را نشان می دهد. که در شکل ۷، yمحور فرکانس وقوع مقادیر تولید برق متصل به شبکه را از ۰٫۰۰ تا ۰٫۰۶، احتمالاً در واحد مگاوات (MW) اندازه گیری می کند.

را ایکس-axis مقادیر تولید برق متصل به شبکه را از ۰ تا ۱۰۰ مگاوات اندازه گیری می کند و برای ایجاد هیستوگرام به سطل های مساوی تقسیم می شود. با شمارش مقادیر تولید برق متصل به شبکه در هر سطل و رسم فرکانس ها در y-axis، هیستوگرام حاصل توزیع مقادیر تولید برق را در یک دوره زمانی مشخص نشان می دهد. بخش دوم هیستوگرام با عنوان “تولید روزانه (کیلووات ساعت)”، توزیع تعداد واحدهای تولید شده توسط یک نیروگاه خورشیدی را به صورت روزانه نشان می دهد. را yمحدوده محور ۰٫۰۰-۷٫۰۰ است که نشان دهنده فراوانی وقوع تعداد واحدهای تولید شده است. را ایکسمحدوده محور ۰ تا ۶۰۰۰۰۰ واحد است که به فواصل یا سطل های مساوی تقسیم می شود که نشان دهنده محدوده مقادیر تعداد واحدهای تولید شده است. به طور مشابه، هیستوگرام “درخشندگی” دارای یک است yمحدوده محوری ۰٫۰۰-۰٫۱۰ و an ایکسمحدوده محوری ۰-۳۰٫ را y-axis فراوانی یا تعداد داده ها را در هر بازه نشان می دهد که بیشترین تعداد ۰٫۱۰ و کمترین تعداد ۰٫۰۰ است. را ایکس-axis محدوده مقادیر درخشندگی را نشان می دهد که در بازه های عرض ۱ گروه بندی شده اند و آخرین بازه ۲۹-۳۰ است. هیستوگرام توزیع مقادیر درخشندگی را نشان می دهد، جایی که شکل هیستوگرام می تواند بینشی در مورد توزیع مقادیر درخشندگی ارائه دهد. اگر هیستوگرام به سمت راست منحرف شود، مقادیر تشعشع کم بیشتری دارد و اگر به سمت چپ انحراف داشته باشد، مقادیر تشعشع زیاد بیشتری دارد. یک هیستوگرام متقارن توزیع یکنواخت مقادیر درخشندگی را نشان می دهد.

۴٫ نتایج و بحث

در این مطالعه، یک مجموعه داده یک ساله از یک نیروگاه خورشیدی جمع‌آوری شده است که تولید برق متصل به شبکه (MW)، تولید روزانه (کیلووات ساعت) و تابش (MJ·m) را می‌گیرد.^-۲) پارامترها در زمان واقعی. این سه پارامتر برای پیش‌بینی تولید برق متصل به شبکه، تولید روزانه و تابش سال بعد استفاده می‌شوند. این پیش‌بینی با استفاده از دو مدل متمایز انجام می‌شود: میانگین متحرک یکپارچه اتورگرسیو (ARIMA) و یک مدل حافظه کوتاه‌مدت دو جهته یادگیری ماشین (Bi-LSTM). انتخاب این مدل ها بر اساس بررسی ادبیات جامع انجام شد که آنها را به عنوان دقیق ترین و دقیق ترین رویکردها برای این منظور شناسایی کرد. در حالی که نتایج هر دو مدل پیش‌بینی‌هایی را نشان می‌دهند که بسیار نزدیک به مقادیر واقعی داده‌های زمان واقعی هستند، مدل یادگیری ماشینی Bi-LSTM (حافظه کوتاه‌مدت دو جهته) بهتر از مدل ARIMA (میانگین متحرک یکپارچه رگرسیون خودکار) عمل می‌کند. در این بخش، نتایج و تجسم‌های گرافیکی هر دو مدل را به همراه تحلیل دقیق میانگین خطای مطلق و میانگین مربعات خطا مورد بحث قرار می‌دهیم.

تحلیل اول با استفاده از مدل ARIMA (میانگین متحرک یکپارچه رگرسیون خودکار) انجام می شود که یک رویکرد آماری برای پیش بینی است. برای این منظور، تجزیه و تحلیل داده ها بین داده های واقعی و پیش بینی شده از طریق چهار نمودار آماری که معمولاً در تجزیه و تحلیل داده ها استفاده می شود، انجام شد. شکل ۸، شکل ۹ و شکل ۱۰. این شکل ها شامل چهار تصویر گرافیکی است. اولین مورد، نمودار توزیع استاندارد است که یک متغیر را برای مقایسه با سایر متغیرهایی که ممکن است مقیاس ها یا واحدهای متفاوتی داشته باشند، استاندارد می کند. دومی یک هیستوگرام است که توزیع یک متغیر را به تصویر می کشد، شکل آن و هر گونه پرت را شناسایی می کند. سومین نمودار Q-Q نرمال است که ارزیابی می کند که آیا توزیع نمونه نرمال است یا خیر. در نهایت، چهارم یک همبستگی است که به شناسایی همبستگی بین یک متغیر و مقادیر عقب مانده آن کمک می کند و همچنین در تحلیل سری های زمانی مفید است. هر نمودار هدف خاصی را در تجزیه و تحلیل داده ها انجام می دهد و می تواند بینش های ارزشمندی در مورد الگوها و روندهای اساسی داده ها ارائه دهد.

شکل ۸a نمودار باقیمانده استاندارد شده است که نموداری از باقیمانده ها در برابر مقادیر استاندارد شده متغیر مستقل داده های تولید برق متصل به شبکه نیروگاه خورشیدی است. در مورد داده های تولید برق متصل به شبکه، yمحدوده محور ۸- تا ۶ است و ایکسمحدوده محور ۰-۳۵۰ است. سه قله منفی اول در -۶، -۵٫۲ و -۷ ظاهر می شوند، که نشان دهنده انحراف قابل توجهی از مقادیر پیش بینی شده است. با این حال، پس از پیک سوم، باقیمانده ها در محدوده ۲- تا ۴ تا روز ۳۵۰ قرار دارند، که نشان می دهد مدل به خوبی با داده ها مطابقت دارد. نمودار باقیمانده استاندارد شده می‌تواند به شناسایی نقاط پرت یا داده‌های غیرعادی که ممکن است به بررسی بیشتر نیاز داشته باشد کمک کند. شکل ۸b یک هیستوگرام است که توزیع برق تولید شده از یک نیروگاه خورشیدی متصل به شبکه را نشان می دهد. را yمحور نشان دهنده فرکانس توان تولیدی است که از ۰٫۰ مگاوات تا ۰٫۷ مگاوات متغیر است، در حالی که ایکسمحور انحراف توان تولید شده از مقدار میانگین آن را نشان می دهد. بالاترین پیک نوار هیستوگرام نشان می دهد که بیشترین تولید برق بین ۰ تا ۰٫۵۵ مگاوات است. منحنی‌های چگالی KDE و N (0، ۱) تابع چگالی احتمال را تخمین می‌زنند و بالاترین پیک آنها نشان می‌دهد که محتمل‌ترین تولید برق به ترتیب در محدوده ۰٫۶ مگاوات و ۰٫۴ مگاوات قرار دارد. این نمودار یک نمایش بصری از توزیع برق تولید شده توسط یک نیروگاه خورشیدی ارائه می دهد. نمودار Q-Q معمولی در شکل ۸c برای ارزیابی نرمال بودن باقیمانده ها در مدل های آماری، مانند مدل ARIMA (میانگین متحرک یکپارچه رگرسیون خودکار) برای پیش بینی تولید برق (MW) در یک نیروگاه خورشیدی استفاده می شود. را y-axis باقیمانده های مشاهده شده و ایکسمحور، باقیمانده های مورد انتظار را بر اساس توزیع نرمال نشان می دهد. خط قرمز مستقیم نشان دهنده خط نرمال بودن و انحراف از این خط نشان دهنده غیر عادی بودن است. در نمودار داده شده، باقیمانده ها دارای یک انحراف مثبت هستند، اما بیش از ۹۰٪ از داده ها نزدیک به خط قرمز مستقیم قرار می گیرند، که نشان می دهد که باقی مانده ها تقریباً به طور معمول توزیع شده اند. نمودار Q-Q نرمال ابزار مفیدی برای ارزیابی دقت پیش‌بینی‌های مدل ARIMA (میانگین متحرک یکپارچه رگرسیون خودکار) است. شکل ۸d یک همبستگی است که برای تابع همبستگی (ACF) یک سری زمانی در وقفه های مختلف در مدل سازی ARIMA (میانگین متحرک یکپارچه رگرسیون خودکار) استفاده می شود تا با بررسی فروپاشی ACF، ترتیب مناسب مدل را شناسایی کند. بسیاری از نقاط داده در همبستگی نشان دهنده هیچ همبستگی معنی داری بین سری زمانی و نسخه های عقب افتاده آن هستند، اما چند نقطه داده از خط ۰٫۰ منحرف می شوند که ممکن است وجود برخی از همبستگی های خودکار را نشان دهد. بررسی بیشتر برای تعیین ترتیب مدل ARIMA (میانگین متحرک یکپارچه خودکار رگرسیون) مناسب مورد نیاز است.

به همین ترتیب، شکل ۹a نمودار باقیمانده استاندارد شده است که باقیمانده ها را در برابر مقادیر استاندارد شده متغیر مستقل رسم می کند. در مورد تولید روزانه نیروگاه خورشیدی (کیلووات ساعت)، yمحدوده محور ۵- تا ۳ است و ایکسمحدوده محور ۰-۳۵۰ است. بالاترین قله منفی در ۴٫۲- و بالاترین قله مثبت در ۲٫۹ ظاهر می شود که نشان دهنده انحراف قابل توجهی از مقادیر پیش بینی شده در آن روزها است. پس از بالاترین قله ها، همه باقیمانده ها در محدوده ۴٫۲- تا ۲٫۸ تا روز ۳۵۰ قرار دارند، که نشان می دهد مدل به خوبی با داده ها مطابقت دارد. نمودار باقیمانده استاندارد شده می‌تواند به شناسایی نقاط پرت یا داده‌های غیرعادی که ممکن است به بررسی بیشتر نیاز داشته باشد کمک کند. نمودار در شکل ۹b توزیع تولید روزانه شبکه (کیلووات ساعت) یک نیروگاه خورشیدی را با استفاده از یک هیستوگرام، یک نمودار تخمین چگالی هسته (KDE) و یک نمودار توزیع نرمال نشان می دهد. هیستوگرام نشان می دهد که بالاترین پیک میله هیستوگرام تقریباً برابر با ۰٫۶ است، که نشان می دهد نیروگاه خورشیدی در اکثر مواقع نزدیک به ۰٫۶ برق تولید می کند. نمودار KDE تابع چگالی احتمال داده ها را نشان می دهد که بالاترین پیک مثبت در ۰٫۵۵ در خط قرمز ظاهر می شود. خط زرد نشان دهنده توزیع نرمال است که بالاترین قله مثبت در ۰٫۴ ظاهر می شود. مقایسه توزیع نیروگاه خورشیدی با توزیع معمولی بینشی در مورد نحوه رفتار تولید نیروگاه خورشیدی نسبت به توزیع استاندارد ارائه می دهد. نمودار Q-Q معمولی در شکل ۹c یک روش گرافیکی است که برای ارزیابی فرض نرمال بودن خطاها در پیاده سازی مدل ARIMA (میانگین متحرک یکپارچه رگرسیون خودکار) بر روی داده های زمان واقعی تولید برق متصل به شبکه (MW) یک نیروگاه خورشیدی استفاده می شود. را y-axis نشان دهنده پنجک های نمونه است ایکس-axis نشان دهنده پنجک های نظری و یک خط قرمز نشان دهنده خط توافق کامل است. در ابتدا، مقداری پراکندگی داده ها وجود دارد که نشان می دهد داده ها ممکن است از توزیع نرمال پیروی نکنند. با این حال، از نقطه (۲٫۵-، ۲٫۵-)، نقاط داده نزدیک تر با خط قرمز قرار می گیرند، که نشان می دهد خطاهای مدل ARIMA (میانگین متحرک یکپارچه رگرسیون خودکار) از یک توزیع نرمال از این نقطه به بعد پیروی می کند. به همین ترتیب، شکل ۹d یک همبستگی است که نشان می دهد هر مشاهده گذشته یک سری زمانی چقدر با مشاهده فعلی مرتبط است. هنگام استفاده از مدل ARIMA (میانگین متحرک یکپارچه رگرسیون خودکار) روی داده های نیروگاه خورشیدی، همبستگی به تعیین همبستگی بین مقادیر تولید برق فعلی و گذشته کمک می کند. را yمحور، قدرت و جهت همبستگی را نشان می دهد، در حالی که ایکس-axis تعداد مقادیر عقب افتاده را نشان می دهد. اکثر نقاط داده نزدیک به خط ۰٫۰ هستند، اما انحرافات نشان دهنده همبستگی در تاخیرهای خاص هستند و می توانند پارامترهای مدل ARIMA (میانگین متحرک یکپارچه رگرسیون خودکار) را انتخاب کنند.

در مورد نیروگاه خورشیدی، می توان از نمودار باقیمانده استاندارد برای پیش بینی تابش (MJ·m) استفاده کرد.^-۲) که کارخانه بر اساس عوامل مختلف دریافت خواهد کرد. که در شکل ۱۰الف، y– محور از ۵- تا ۴ متغیر است، که نشان می دهد باقیمانده های استاندارد شده از ۵- انحراف استاندارد زیر میانگین تا ۴ انحراف استاندارد بالاتر از میانگین متغیر است. را ایکس-axis بین ۰ تا ۳۵۰ است که مقادیر تابش پیش بینی شده را نشان می دهد. این واقعیت که بالاترین قله منفی در ۴٫۵- و بالاترین قله مثبت در ۳ ظاهر می شود نشان می دهد که مدل کار خوبی در پیش بینی مقادیر تابش انجام می دهد. یک مدل مناسب دارای باقیمانده هایی است که به طور تصادفی در اطراف صفر بدون الگوی ظاهری توزیع شده اند و هیچ گونه پرت یا خوشه های پرت شدیدی نخواهد داشت. به طور مشابه، در شکل ۱۰ب، نمودار توزیع تابش یک نیروگاه خورشیدی را با استفاده از هیستوگرام، نمودار تخمین چگالی هسته (KDE) و نمودار توزیع نرمال نشان می دهد. را ایکس-axis از -۳ تا ۳ متغیر است، در حالی که y-محور از ۰٫۰ تا ۰٫۶ است. هیستوگرام نشان می دهد که بالاترین پیک نوار هیستوگرام در طول ۰ تا ۱ تقریباً برابر با ۰٫۵۵ است، که نشان می دهد بیشتر مقادیر درخشندگی بین ۰ و ۱ قرار می گیرند. نمودار KDE تابع چگالی احتمال داده ها را با بالاترین مثبت نشان می دهد. اوج در ۰٫۵۳ در خط قرمز ظاهر می شود. این بدان معنی است که چگالی احتمال در حدود ۰٫۵۳ بالاتر است، که نشان می دهد که مقادیر درخشندگی حول این مقدار متمرکز شده است. خط زرد نشان دهنده توزیع نرمال است که بالاترین قله مثبت در ۰٫۴ ظاهر می شود. مقایسه توزیع تابش نیروگاه خورشیدی با توزیع نرمال نشان می‌دهد که مقادیر تشعشع به سمت راست منحرف می‌شوند و مقادیر بیشتری در محدوده بالاتر قرار می‌گیرند. به طور کلی، نمودار بینشی در مورد توزیع مقادیر تشعشع نیروگاه خورشیدی ارائه می دهد، با هیستوگرام فراوانی وقوع هر مقدار و نمودار KDE و نمودار توزیع نرمال که تابع چگالی احتمال داده ها را نشان می دهد. فرض نرمال بودن خطاها در پیاده سازی مدل ARIMA (میانگین متحرک یکپارچه رگرسیون خودکار) بر روی داده های زمان واقعی تولید برق متصل به شبکه یک نیروگاه خورشیدی ارزیابی شده با استفاده از نمودار Q-Q معمولی در نشان داده شده است. شکل ۱۰ج

را y-axis نشان دهنده چندک های نمونه است ایکس– محور نشان دهنده چندک های نظری و یک خط قرمز نشان دهنده خط توافق کامل است. در ابتدا، مقداری پراکندگی داده ها وجود دارد که نشان می دهد داده ها ممکن است از توزیع نرمال پیروی نکنند. با این حال، از نقطه (۲٫۵-، ۲٫۵-)، نقاط داده نزدیک تر با خط قرمز قرار می گیرند، که نشان می دهد خطاهای مدل ARIMA (میانگین متحرک یکپارچه رگرسیون خودکار) از یک توزیع نرمال از این نقطه به بعد پیروی می کند. به همین ترتیب، همبستگی به‌دست‌آمده از اجرای یک مدل ARIMA (میانگین متحرک یکپارچه رگرسیون خودکار) بر روی داده‌های سری زمان واقعی تولید برق متصل به شبکه (MW) یک نیروگاه خورشیدی، ضرایب همبستگی بین مقادیر تاخیری را نشان می‌دهد. سری زمانی در شکل ۱۰د را yمحدوده محور ۱- تا ۱ است که ۰ نشان دهنده عدم همبستگی و -۱ و ۱ نشان دهنده همبستگی منفی و مثبت کامل است. را ایکسمحدوده محور ۰ تا ۱۰ است که نشان دهنده تعداد مقادیر عقب افتاده در مقایسه با مقدار فعلی است. نقاط داده عمدتاً حول خط ۰٫۰ خوشه‌بندی شده‌اند، که نشان‌دهنده همبستگی اندک بین تولید برق فعلی و مقادیر گذشته است، با تنها چند انحراف که نشان‌دهنده همبستگی در تاخیرهای خاص است. از این انحرافات می توان برای اطلاع رسانی انتخاب پارامترها برای مدل ARIMA (میانگین متحرک یکپارچه رگرسیون خودکار) استفاده کرد.

ثانیاً، معماری مدل Bi-LSTM (حافظه کوتاه‌مدت دو جهته) یک مدل متوالی است، با چندین لایه دو طرفه و لایه‌های متراکم و حذفی. نتایج پیش‌بینی، از دست دادن MAE و از دست دادن RMSE از این مدل نیز در این بخش مورد بحث قرار می‌گیرند و در تجسم‌های گرافیکی نشان داده می‌شوند. میز ۱ ساختار مدل Bi-LSTM (حافظه کوتاه مدت دو جهته) را توصیف می کند که در آن لایه های دو طرفه هر کدام ۲۰۰ واحد دارند و روی هم قرار گرفته اند. لایه دو طرفه نهایی یک تانسور شکل (هیچ، ۲۰۰) را خروجی می دهد، که سپس از یک لایه حذفی با نرخ ۰٫۵ عبور می کند. سپس خروجی لایه حذف شده به یک لایه متراکم با یک واحد خروجی تغذیه می شود که پیش بینی نهایی است. جدول خلاصه شکل خروجی و تعداد پارامترهای قابل تعیین موجود در هر لایه از مدل شبیه سازی شده را ارائه می دهد. مدل شبیه سازی شده در مجموع دارای ۱,۰۴۵,۰۰۱ پارامتر قابل آموزش است. قسمت دوم خروجی کلیدهای شی history را نشان می دهد که توسط متد model.fit() در طول آموزش برگردانده شده است. این موارد شامل از دست دادن آموزش، میانگین مربعات خطا (MSE) و میانگین خطای مطلق (MAE) و همچنین از دست دادن اعتبارسنجی، MSE و MAE است.

نتایج آموزش و اعتبارسنجی مدل Bi-LSTM (حافظه کوتاه مدت دو جهته) در مقایسه شده است شکل ۱۱a-c با استفاده از پارامترهای داده های جمع آوری شده از یک نیروگاه خورشیدی. همانطور که می توان در جدول ۲این مدل کمترین تلفات را در «تولید برق متصل به شبکه (MW)» با ۰٫۰۰۸۷۲، پس از «تولید روزانه (کیلووات ساعت)» در ۰٫۰۱۹۵۱ و «تابش (MJ·m) دارد.^-۲)” در ۰٫۰۲۰۴۱٫ به نظر می رسد تولید برق متصل به شبکه قابل اطمینان ترین متغیر پیش بینی شده در مدل ما باشد. الگوهای مشابهی ممکن است در مقادیر تلفات اعتبارسنجی دیده شود، که برای ارزیابی سازگاری مدل با ورودی‌های تازه استفاده می‌شود. علاوه بر این، افت اعتبار مدل برای پارامتر «تولید برق متصل به شبکه (MW)» در ۰٫۰۰۸۲۲، به دنبال «تولید روزانه (کیلووات ساعت)» در ۰٫۰۱۸۷ و «تابش (MJ·m) کمتر است.^-۲)” در ۰٫۰۲۰۶۷٫ بر اساس این یافته‌ها، به نظر می‌رسد «تولید برق متصل به شبکه» از نظر تعمیم‌پذیری به داده‌های تازه نقطه شیرین مدل باشد. دقت پیش‌بینی و تعمیم‌پذیری به داده‌های جدید بهترین هستند، همانطور که با از دست دادن اعتبار کمتر مدل نسبت به ضرر واقعی آن نشان داده شده است. تلفات و تلفات اعتبارسنجی برای “تولید روزانه (MW)” و “تابش (MJ·m^-2)” نیز چندان دور از پارامترهای با بهترین عملکرد نیستند، که نشان می دهد مدل برای این دو سناریو نسبتاً خوب عمل می کند.

جدول ۲ نتایج مقایسه بین میانگین خطاهای مطلق آموزش و اعتبارسنجی (MAEs) را برای مدل Bi-LSTM (حافظه کوتاه مدت دو جهته) آموزش داده شده با داده‌های سه پارامتر اصلی نیروگاه خورشیدی نشان می‌دهد. مقادیر تلفات MAE برای «تولید برق متصل به شبکه (MW)»، «تولید روزانه (کیلووات ساعت)»، و «تابش (MJ·m^-2)» در نشان داده شده اند شکل ۱۲a-c، به ترتیب، و نشان می دهد که مدل Bi-LSTM (حافظه کوتاه مدت دو جهته) بهترین عملکرد را در “تولید برق متصل به شبکه (MW)” با از دست دادن ۰٫۰۵۹۳۲ دارد. این یافته ها حاکی از آن است که “تولید برق متصل به شبکه (MW)” پارامتری است که پیش بینی های مدل برای آن دقیق ترین هستند. به طور مشابه، مدل دارای میانگین خطای مطلق کمتر (MAE) برای «تولید برق متصل به شبکه (MW)» (۰٫۰۶۰۲۷)، «تولید روزانه (کیلووات ساعت)» (۰٫۰۸۹۰۶)، و «تابش (MJ·m) است.^-۲)” (۰٫۰۹۲۵) نسبت به معیارهای مربوطه خود. این نشان می‌دهد که از بین سه عامل، «تولید برق متصل به شبکه (MW)» بیشتر از ظرفیت مدل برای تعمیم به داده‌های جدید سود می‌برد. عملکرد مدل در پیش‌بینی این پارامتر نسبت به دو پارامتر دیگر بر اساس مقایسه از دست دادن MAE و ارزش‌گذاری MAE بهتر است.

شکل ۱۳a-c ریشه میانگین مربعات خطا (RMSE) از دست دادن و اعتبار سنجی مقادیر RMSE را برای یک مدل یادگیری ماشینی Bi-LSTM که بر روی سه پارامتر مجزا از یک نیروگاه خورشیدی آموزش داده شده است، مقایسه کنید. این مدل با اعتبار RMSE 0.0073 و از دست دادن RMSE 0.00872 در “تولید برق متصل به شبکه (MW)” بهتر عمل می کند. پس از «درخشش (MJ·m^-2)” که دارای اتلاف RMSE 0.02041 است، “تولید روزانه (کیلووات ساعت)” دارای تلفات RMSE 0.01951 و RMSE اعتبارسنجی ۰٫۰۱۸۸۴ است. این یافته‌ها نشان می‌دهد که از بین سه عامل، «تولید برق متصل به شبکه (MW)» بهترین پیش‌بینی‌های مدل را از نظر آموزش و تعمیم به داده‌های جدید دارد. هر دو ارزش RMSE از دست دادن و اعتبارسنجی RMSE برای “تولید روزانه (کیلووات ساعت)” و “تابش (MJ·m^-2)” شبیه به پارامتر با بهترین عملکرد هستند، که نشان می دهد عملکرد مدل در این زمینه ها نیز بسیار عالی است.

جدول ۲ تمام مقادیر تلفات واقعی و تایید شده به دست آمده از پیاده سازی مدل Bi-LSTM بر روی داده های یک نیروگاه خورشیدی را ارائه می دهد.

نتایج پیش‌بینی یک پروژه تجزیه و تحلیل داده‌ها که در یک نیروگاه خورشیدی ۱۰۰ مگاواتی انجام شده است به صورت بصری در شکل ۱۴، شکل ۱۵ و شکل ۱۶. این مطالعه شامل آموزش دو مدل یادگیری ماشین، یعنی ARIMA (میانگین متحرک یکپارچه رگرسیون خودکار) و Bi-LSTM (حافظه کوتاه‌مدت دو جهته)، با استفاده از ۸۰ درصد از داده‌های بلادرنگ یک ساله بر روی سه پارامتر حیاتی: متصل به شبکه بود. تولید برق (MW)، تولید برق روزانه (کیلووات ساعت) و تشعشع (MJ·m^-2). 20 درصد باقی مانده از داده ها برای اهداف آزمایش و اعتبار سنجی استفاده شد. عملکرد دو مدل با تجزیه و تحلیل داده های آموزش ۱۰ ماهه در برابر داده های آزمون ۲ ماهه مقایسه شد. علاوه بر این، پیش‌بینی‌های آینده یک ساله برای هر سه پارامتر با استفاده از هر دو مدل ایجاد شد. تجسم های گرافیکی در شکل ۱۴، شکل ۱۵ و شکل ۱۶ یک تجزیه و تحلیل مقایسه ای از نتایج دو مدل و پیش بینی های آینده برای هر سه پارامتر در یک نمودار ارائه می دهد. بخش اول تجسم ها مقایسه بین مجموعه داده های پیش بینی واقعی و مجموعه داده آزمایشی ۶۰ روزه نیروگاه خورشیدی را به تصویر می کشد. بخش دوم نمودار پیش بینی های یک ساله آینده نیروگاه خورشیدی را بر اساس هر پارامتر نشان می دهد.

شکل ۱۴ محدوده پارامتر “تولید برق متصل به شبکه (MW)” از ۴۰ مگاوات تا ۱۰۰ مگاوات را در yمحور، با تعداد روزهای روی ایکس-محور. مقایسه داده‌های پیش‌بینی‌شده با استفاده از ARIMA (میانگین متحرک یکپارچه رگرسیون خودکار) و Bi-LSTM (حافظه کوتاه‌مدت دو جهته) و داده‌های آزمون واقعی ۶۰ روزه باقی‌مانده نشان می‌دهد که پیش‌بینی Bi-LSTM تقریباً با نتایج آزمایش همگام است. ، در حالی که نتایج ARIMA دارای یک انحراف جزئی است. پس از این مقایسه، هر دو مدل پیش‌بینی آموزش دیده برای دستکاری داده‌های تولید برق متصل به شبکه برای ۱۲ ماه آینده (۳۶۵ روز) استفاده می‌شوند. مشهود است در شکل ۱۴ که Bi-LSTM (حافظه کوتاه مدت دو جهته) در ابتدا کاهش ناگهانی را نشان می دهد و سپس به یک الگوی پیوسته دست می یابد، که نشان می دهد تولید برق متصل به شبکه در بیشتر مواقع برای سال آینده روان و ارتقاء خواهد یافت. در همین حال، افزایش جزئی در تولید برق متصل به شبکه در پیش‌بینی آریما با روند تداومی مشاهده می‌شود.

شکل ۱۵ محدوده پارامتر “تولید روزانه (کیلووات ساعت)” از ۱۰۰۰۰۰ تا ۵۰۰۰۰۰ واحد را نشان می دهد. yمحور، با تعداد روزهای روی ایکس-محور. مقایسه داده‌های پیش‌بینی‌شده با استفاده از ARIMA (میانگین متحرک یکپارچه رگرسیون خودکار) و Bi-LSTM (حافظه کوتاه‌مدت دو جهته) و داده‌های آزمون واقعی ۶۰ روزه باقی‌مانده نشان می‌دهد که پیش‌بینی Bi-LSTM تقریباً با نتایج آزمایش همگام است. با انحرافات جزئی در نقاط خاص. با این حال، نتایج ARIMA عمدتا ناسازگار هستند. پس از این مقایسه، داده های تولید روزانه برای ۱۲ ماه آینده (۳۶۵ روز) با استفاده از هر دو مدل پیش بینی آموزش دیده دستکاری می شوند. مشهود است در شکل ۱۵ که Bi-LSTM (حافظه کوتاه مدت دو جهته) در ابتدا کاهش نشان می دهد و سپس به یک الگوی پیوسته تا ۱۶۰ روز دست می یابد. پس از روز ۶۰، پیش بینی ARIMA به طور مداوم در حال افزایش است.

شکل ۱۶ “درخشش (MJ/

{متر}^{- ۲}

)” محدوده پارامتر از ۰ تا ۳۰ در yمحور، با تعداد روزهای روی ایکس-محور. مقایسه داده‌های پیش‌بینی‌شده با استفاده از ARIMA (میانگین متحرک یکپارچه رگرسیون خودکار) و Bi-LSTM (حافظه کوتاه‌مدت دو جهته) و داده‌های آزمون واقعی ۶۰ روزه باقی‌مانده نشان می‌دهد که پیش‌بینی Bi-LSTM تقریباً با نتایج آزمایش همگام است. اما نتایج ARIMA ناسازگار است. پس از این مقایسه، داده های درخشندگی برای ۱۲ ماه آینده (۳۶۵ روز) با استفاده از هر دو مدل پیش بینی آموزش دیده دستکاری می شوند. Bi-LSTM (حافظه کوتاه مدت دو جهته) ابتدا تا روز ۸۰ کاهش می یابد و سپس تا روز ۲۲۰ به یک الگوی پیوسته دست می یابد. پس از آن، یک الگوی بالا و پایین مشاهده می شود. در مقابل، مدل ARIMA (میانگین متحرک یکپارچه رگرسیون خودکار) از ابتدا تا انتها پیوسته باقی ماند.

۵٫ نرم افزار و جزئیات سیستم

این تحقیق از مجموعه خاصی از تنظیمات سخت افزاری و نرم افزاری برای آزمایش خود استفاده کرد. اجزای سخت افزاری مورد استفاده شامل پردازنده Intel(R) Core (TM) i7-10875H با فرکانس پایه ۲٫۳۰ گیگاهرتز، کارت گرافیک NVIDIA GeForce RTX 2060 با ۶ گیگابایت حافظه GUP و ۱۶ گیگابایت رم بود. این سیستم بر روی نسخه ۶۴ بیتی سیستم عامل ویندوز کار می کرد. نرم افزار مورد استفاده برای تحقیق شامل زبان برنامه نویسی Python 3.7 به همراه کتابخانه Keras و TensorFlow نسخه ۲٫۳٫۱ برای مدل سازی یادگیری عمیق بود. انتخاب این تنظیمات سخت افزاری و نرم افزاری اهمیت آنها را در حصول اطمینان از کارایی و دقت تحقیق برجسته می کند.

۶٫ نتیجه گیری

نتایج این مطالعه نشان می‌دهد که مدل Bi-LSTM (حافظه کوتاه‌مدت دو جهته) از مدل ARIMA (میانگین متحرک یکپارچه رگرسیون خودکار) از نظر دقت و معیارهای عملکرد برای هر سه پارامتر بهتر عمل می‌کند. توانایی مدل Bi-LSTM برای ثبت دقیق روابط و الگوهای پیچیده پنهان در داده ها، که بر روابط غیر خطی متکی است، برتر از اتکای مدل ARIMA به روابط خطی است. به طور خاص، برای پارامتر تولید برق متصل به شبکه، مدل Bi-LSTM به میانگین خطای مطلق (MAE) 0.012 دست یافت، در حالی که مدل ARIMA دارای MAE 0.016 بود. به طور مشابه، برای پارامتر تولید روزانه، مدل Bi-LSTM MAE 0.019 را تولید کرد، در حالی که مدل ARIMA دارای MAE 0.024 بود. در نهایت، برای پارامتر درخشندگی، مدل Bi-LSTM دارای MAE 0.027 بود، در حالی که MAE مدل ARIMA 0.032 بود. این نتایج نشان می‌دهد که مدل Bi-LSTM می‌تواند پیش‌بینی‌های دقیق‌تر و قابل اعتمادتری برای این پارامترها ارائه دهد، که برای مدیریت موثر تاسیسات انرژی خورشیدی بسیار مهم هستند. در تحقیقات آینده، بررسی اثربخشی سایر مدل‌های یادگیری عمیق، مانند شبکه‌های عصبی کانولوشن (CNN) و مدل‌های مبتنی بر ترانسفورماتور، برای پیش‌بینی سری‌های زمانی در انرژی‌های تجدیدپذیر ارزشمند خواهد بود. علاوه بر این، ترکیب ویژگی‌های مرتبط‌تر، مانند داده‌های آب و هوا و اطلاعات بار شبکه، می‌تواند دقت پیش‌بینی‌های مدل‌ها را بهبود بخشد.

مشارکت های نویسنده

مفهوم سازی، YC و DX. روش شناسی، MSB; نرم افزار، HN; اعتبار سنجی، MSB، MA و HN. تجزیه و تحلیل رسمی، FMA; تحقیق، YC; منابع، DX; مدیریت داده، YC; نوشتن – آماده سازی پیش نویس اصلی، MSB. نوشتن – بررسی و ویرایش، YC; تجسم، HN; نظارت، MF; مدیریت پروژه، YC; کسب بودجه، MSB همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و با آن موافقت کرده اند.

منابع مالی

این کار توسط وزارت آموزش منطقه خودمختار گوانگشی با شماره کمک مالی ۲۰۲۳KY0826 پشتیبانی شد.

بیانیه هیئت بررسی نهادی

قابل اجرا نیست.

بیانیه رضایت آگاهانه

قابل اجرا نیست.

بیانیه در دسترس بودن داده ها

نویسنده مسئول می تواند در صورت درخواست، دسترسی به داده هایی را که برای این تحقیق مورد تجزیه و تحلیل قرار گرفته است، فراهم کند.

قدردانی

نویسندگان از دانشگاه ها و موسسات وابسته به خود برای ارائه امکانات تحقیقاتی بسیار سپاسگزار هستند.

تضاد علاقه

نویسندگان هیچ تضاد منافع را اعلام نمی کنند.

منابع

لیو، جی. وانگ، ی. لو، ال. لی، جی. Qiu, Y. مروری بر یکپارچه سازی سیستم ذخیره سازی انرژی الکتریکی و مدیریت انرژی در تولید برق انرژی تجدیدپذیر. J. Mod. سیستم پاور انرژی پاک ۲۰۱۹، ۷، ۱۰۰۵-۱۰۲۰٫ [Google Scholar]
اصغر، ر. سلیمان، م.ح. سعید، س. ودود، اچ. مهماند، تی.ک. Ullah, Z. کاربرد طرح‌های کنترل خطی و غیرخطی برای پایداری شبکه هوشمند. در مجموعه مقالات کنفرانس بین المللی ۲۰۲۲ در مورد فناوری های نوظهور در الکترونیک، محاسبات و ارتباطات (ICETECC)، آنلاین، ۷ تا ۹ دسامبر ۲۰۲۲؛ صص ۱-۶٫ [Google Scholar]
سعید، س. اصغر، ر. محمود، ف. سلیم، اچ. عظیم، بی. Ullah, Z. ارزیابی یک توپولوژی مدار ترکیبی برای عبور از خطا در توربین‌های بادی مبتنی بر DFIG. حسگرها ۲۰۲۲، ۲۲، ۹۳۱۴٫ [Google Scholar] [CrossRef]
عظیم، بی. الله، ز. رحمان، ف. علی، س.م. حیدر، ع. سعید، س. حسین، من. محمود، کالیفرنیا؛ Khan, B. Levenberg-marquardt SMC کنترل ژنراتور القایی دو بار تغذیه شده با شبکه (DFIG) با استفاده از طرح‌های FRT تحت خطای متقارن. در مجموعه مقالات اولین کنفرانس بین المللی برق، انرژی و شبکه هوشمند ۲۰۱۸ (ICPESG)، میرپور، پاکستان، ۱۲ تا ۱۳ آوریل ۲۰۱۸؛ صص ۱-۶٫ [Google Scholar]
عظیم، بی. رحمان، ف. محمود، کالیفرنیا؛ علی، س.م. خان، بی. سعید، س. خطی سازی دقیق بازخورد (EFL) و کنترل جداسازی توربین بادی مبتنی بر ژنراتور القایی دوبار تغذیه. در مجموعه مقالات کنفرانس بین المللی ۲۰۱۶ مرزهای فناوری اطلاعات (FIT)، اسلام آباد، پاکستان، ۱۹ تا ۲۱ دسامبر ۲۰۱۶؛ صص ۳۳۰-۳۳۵٫ [Google Scholar]
اصغر، ر. الله، ز. عظیم، بی. اسلم، س. هاشمی، م.ح. رسول، ا. شاکر، بی. انور، ام جی; مصطفی، ک. پتانسیل انرژی بادی در پاکستان: مطالعه امکان سنجی در استان سند. انرژی ها ۲۰۲۲، ۱۵، ۸۳۳۳٫ [Google Scholar] [CrossRef]
فراگ، ع. الخولی، ش. AlDabbagh، RE ادغام تکنیک های هوش مصنوعی برای کنترل و مدیریت شبکه هوشمند: بررسی. انرژی ها ۲۰۲۱، ۱۴، ۱۰۷۹٫ [Google Scholar]
احمد، SU; عفان، م. رضا، MI; هاشمی، ام‌اچ در حال بازرسی نیروگاه‌های خورشیدی بزرگ از طریق فناوری‌های بینایی کامپیوتری و هواپیماهای بدون سرنشین. در مجموعه مقالات کنفرانس بین المللی ۲۰۲۲ مرزهای فناوری اطلاعات (FIT)، اسلام آباد، پاکستان، ۱۲ تا ۱۳ دسامبر ۲۰۲۲؛ ص ۱۸-۲۳٫ [Google Scholar]
السلیمان، FA; المثیری، پتانسیل انرژی تجدیدپذیر NF در عربستان سعودی: بررسی جامع. تمدید کنید. انرژی ۲۰۲۱، ۱۶۷، ۸۷-۱۰۳٫ [Google Scholar]
ژانگ، جی. Hu, J. مروری بر پیش‌بینی کوتاه‌مدت انرژی خورشیدی. Appl. انرژی ۲۰۱۹، ۲۳۳، ۴۴۷-۴۵۷٫ [Google Scholar]
نور، م. لابریک، آ. Labban، R. پیش بینی انرژی خورشیدی: یک بررسی. تمدید کنید. حفظ کنید. انرژی Rev. 2020، ۱۳۴، ۱۱۰۳۲۱٫ [Google Scholar]
پراجاپاتی، س. تیواری، الف. تحلیل تجربی تکنیک‌های یادگیری ماشین برای پیش‌بینی انرژی خورشیدی. بین المللی جی. انرژی سبز ۲۰۲۱، ۱۸، ۱۲۱۷-۱۲۳۲٫ [Google Scholar]
ابوبکر، م. چه، ی. ایواسکو، ال. الماسعودی، اف.ام. جمیل، اول. تحلیل عملکرد تولید انرژی نیروگاه های خورشیدی در مقیاس بزرگ بر اساس تکنیک هوش مصنوعی (یادگیری ماشین). فرآیندها ۲۰۲۲، ۱۰، ۱۸۴۳٫ [Google Scholar] [CrossRef]
زو، اچ. ژانگ، ی. لی، ایکس. وانگ، ال. چن، X. پیش‌بینی کوتاه‌مدت توان نیروگاه‌های فتوولتائیک با استفاده از مدل ترکیبی ARIMA و LSTM. Appl. انرژی ۲۰۲۱، ۲۸۸، ۱۱۶۵۴۵٫ [Google Scholar]
گوپتا، ا. سینگ، AK; Pandey، A. پیش بینی تولید برق نیروگاه PV خورشیدی با استفاده از مدل Bi-LSTM. نماینده انرژی ۲۰۲۱، ۷، ۳۰۳-۳۰۹٫ [Google Scholar]
Tran، TTH; Kim, Y. پیش بینی تولید برق نیروگاه فتوولتائیک خورشیدی با استفاده از شبکه عصبی LSTM. Appl. علمی ۲۰۲۰، ۱۰، ۳۲۱۲٫ [Google Scholar]
داس، اس. موهانتی، اس آر. پرادان، اس. تحلیل عملکرد مدل‌های ARIMA و LSTM برای پیش‌بینی تولید برق یک نیروگاه خورشیدی. J. تجدید. انرژی ۲۰۲۰، ۱۵۶، ۱۰۵۷-۱۰۷۲٫ [Google Scholar]
بودیا، MA; محمد، ع. حدو، ب. بنبوزید، MEH پیش بینی کوتاه مدت توان خروجی PV با استفاده از مدل هیبریدی ARIMA و LSTM. دسترسی IEEE 2020، ۸، ۱۹۲۵۲۶–۱۹۲۵۳۴٫ [Google Scholar]
گائو، دبلیو. خو، جی. یانگ، جی. وو، دبلیو. لیو، اچ. مقایسه مدل‌های ARIMA، LSTM و ELM برای پیش‌بینی کوتاه‌مدت انرژی باد. جی. پاک. تولید ۲۰۲۲، ۳۱۸، ۱۲۸۴۲۱٫ [Google Scholar] [CrossRef]
ژنگ، م. لیو، ی. ژانگ، ی. چن، ال. مطالعه تطبیقی مدل‌های ARIMA، LSTM و جنگل تصادفی برای پیش‌بینی نیروی باد. نماینده انرژی ۲۰۲۱، ۷، ۲۳۱۴–۲۳۲۴٫ [Google Scholar] [CrossRef]
چن، ایکس. رن، ی. Wang, Y. مقایسه مدل‌های ARIMA، LSTM و SVR برای پیش‌بینی تقاضای برق. دسترسی IEEE 2021، ۹، ۱۴۶۱۷۲–۱۴۶۱۸۰٫ [Google Scholar] [CrossRef]
خورشیدیان، ف. پروانیا، م. فتوحی فیروزآباد، م. مقایسه مدل‌های ARIMA، LSTM و MLP برای پیش‌بینی انرژی خورشیدی. مبدل انرژی مدیریت ۲۰۲۱، ۲۴۲، ۱۱۴۲۳۱٫ [Google Scholar] [CrossRef]
وانگ، اس. گوو، ام. لی، ز. ژنگ، دبلیو. پیش بینی تقاضای برق کوتاه مدت: مطالعه مقایسه ای مدل های ARIMA، LSTM، و LSTM-ATT. پیچیدگی ۲۰۲۱، ۲۰۲۱، ۶۶۲۹۸۶۵٫ [Google Scholar]
ژانگ، ی. لیو، ایکس. وانگ، ی. چن، ز. وانگ، ی. رویکرد Bi-LSTM برای پیش‌بینی کوتاه‌مدت انرژی باد بر اساس تجزیه موجک و تجزیه و تحلیل خوشه‌بندی. تمدید کنید. انرژی ۲۰۲۲، ۱۸۴، ۶۰۱–۶۱۴٫ [Google Scholar] [CrossRef]
لی، اس. ما، اف. لی، ایکس. ژائو، ز. Liu, Y. Bi-LSTM با مکانیسم توجه برای پیش‌بینی بار الکتریکی. IEEE Trans. شبکه هوشمند ۲۰۲۲، ۱۳، ۸۹۹–۹۰۹٫ [Google Scholar]
ژانگ، جی. ژانگ، ی. لیو، ی. Yuan, Y. مدل Bi-LSTM با مکانیسم توجه برای پیش‌بینی کوتاه‌مدت توان فتوولتائیک. انرژی ۲۰۲۲، ۲۳۹، ۱۲۱۳۲۰٫ [Google Scholar] [CrossRef]
خو، ک. ژانگ، ز. یانگ، ایکس. یک مدل جدید مبتنی بر توجه با LSTM برای طبقه‌بندی جملات. جی. کامپیوتر. علمی ۲۰۲۱، ۵۳، ۱۰۱۴۷۰٫ [Google Scholar] [CrossRef]
انجم، ع. سلیم، کارشناسی ارشد، تحلیل تجربی مدل‌های تحلیل احساسات مبتنی بر یادگیری عمیق. در مجموعه مقالات سی و چهارمین کنفرانس بین المللی میکروالکترونیک IEEE 2021 (ICM)، آنلاین، ۲۵ تا ۲۹ ژانویه ۲۰۲۱؛ صص ۱-۴٫ [Google Scholar]
القریشی، م. Chaczko، Z. تشخیص ناهنجاری در جریان داده های اینترنت اشیا با استفاده از Bi-LSTM و شبکه عصبی کانولوشنال. IEEE Internet Things J. 2021، ۸، ۳۶۹۴–۳۷۰۴٫ [Google Scholar]
لی، جی. لی، دی. کیم، جی اچ. Kim, GJ تحلیل احساسات در سطح سند از طریق سلسله مراتبی Bi-LSTM با توجه درون جمله ای. در مجموعه مقالات هفتمین کنفرانس بین المللی محاسبات و ارتباطات کلان داده، هوژو، چین، ۱۳ تا ۱۵ اوت ۲۰۲۱؛ صص ۱۰۴-۱۰۹٫ [Google Scholar]
لی، کیو. چن، ی. ژانگ، ز. لیو، ال. یک سیستم ترکیبی از LSTM و FCN برای پیش‌بینی سری‌های زمانی چند متغیره قابل تفسیر. IEEE Trans. شبکه عصبی فرا گرفتن. سیستم ۲۰۲۲، ۳۳، ۲۴-۳۶٫ [Google Scholar]

شکل ۱٫
فرآیند تجسم نتایج از طریق ARIMA و Bi-LSTM.

شکل ۲٫
توضیح اختصارات مدل ARIMA.

شکل ۳٫
فرآیند پیش‌بینی/پیش‌بینی مدل ARIMA.

شکل ۴٫
ساختار داخلی Bi-LSTM.

شکل ۵٫
نمودارهای جعبه ای پارامترهای داده نیروگاه تولید برق خورشیدی.

شکل ۶٫
نقشه حرارتی نشان دهنده همبستگی بین پارامترهای داده نیروگاه خورشیدی است.

شکل ۷٫
تجسم هیستوگرام توزیع فرکانس مجموعه داده یک نیروگاه تولید برق خورشیدی در مقیاس بزرگ.

شکل ۸٫
(آ) نمودار توزیع استاندارد برای داده های تولید برق متصل به شبکه، (ب) توزیع از طریق هیستوگرام برای داده های تولید برق متصل به شبکه، (جتجزیه و تحلیل توزیع از طریق نمودار Q-Q معمولی برای داده های تولید برق متصل به شبکه، و (د) همبستگی بین متغیرها و مقادیر تاخیری داده های تولید برق متصل به شبکه.

شکل ۹٫
(آ) نمودار توزیع استاندارد برای داده های تولید برق روزانه یک نیروگاه خورشیدی، (ب) توزیع از طریق هیستوگرام برای داده های تولید برق روزانه یک نیروگاه خورشیدی، (جتجزیه و تحلیل توزیع از طریق نمودار عادی Q-Q داده های تولید برق روزانه یک نیروگاه خورشیدی، و (د) همبستگی بین متغیرها و مقادیر تاخیر داده های تولید برق روزانه یک نیروگاه خورشیدی.

شکل ۱۰٫
(آ) نمودار توزیع استاندارد برای داده های درخشندگی یک نیروگاه خورشیدی، (ب(جتجزیه و تحلیل توزیع از طریق نمودار معمولی Q-Q داده های درخشندگی یک نیروگاه خورشیدی، و (د) همبستگی بین متغیرها و مقادیر تاخیری داده های درخشندگی یک نیروگاه خورشیدی.

شکل ۱۱٫
(آ) از دست دادن واقعی در مقابل اعتبارسنجی تولید برق متصل به شبکه یک نیروگاه خورشیدی. (ب) از دست دادن واقعی در مقابل اعتبار سنجی تولید برق روزانه یک نیروگاه خورشیدی. و (ج) از دست دادن واقعی در مقابل اعتبارسنجی درخشندگی یک نیروگاه خورشیدی.

شکل ۱۲٫
(آ) از دست دادن MAE واقعی در مقابل اعتبارسنجی MAE در تولید برق متصل به شبکه یک نیروگاه خورشیدی. (ب) از دست دادن MAE واقعی در مقابل اعتبارسنجی MAE تولید برق روزانه یک نیروگاه خورشیدی. و (ج) MAE واقعی در مقابل اعتبارسنجی MAE از دست دادن درخشندگی یک نیروگاه خورشیدی.

شکل ۱۳٫
(آ) MSE واقعی در مقابل اعتبارسنجی از دست دادن MSE تولید برق متصل به شبکه یک نیروگاه خورشیدی. (ب) MSE واقعی در مقابل اعتبارسنجی از دست دادن MSE تولید برق روزانه یک نیروگاه خورشیدی. (ج) از دست دادن واقعی در مقابل اعتبارسنجی درخشندگی یک نیروگاه خورشیدی.

شکل ۱۴٫
تجسم گرافیکی مقایسه بین داده های آزمایش شده و پیش بینی شده و پیش بینی یک ساله تولید برق متصل به شبکه یک نیروگاه خورشیدی.

شکل ۱۵٫
تجسم گرافیکی مقایسه بین داده های آزمایش شده و پیش بینی شده و پیش بینی یک ساله شبکه تولید روزانه یک نیروگاه خورشیدی.

شکل ۱۶٫
تجسم گرافیکی مقایسه بین داده های آزمایش شده و پیش بینی شده و پیش بینی یک ساله شبکه تولید روزانه یک نیروگاه خورشیدی.

میز ۱٫
روش مدل Bi-LSTM برای پیش بینی.

مدل: “Sequential_7”
لایه (نوع)	شکل خروجی	پارامتر #
bidirectional_35 (دو جهته)	(هیچ، ۱، ۲۰۰)	۸۱۶۰۰
dropout_14 (ترک تحصیل)	(هیچ، ۱، ۲۰۰)	۰
bidirectional_36 (دو طرفه)	(هیچ، ۱، ۲۰۰)	۲۴۰,۸۰۰
bidirectional_37 (دو جهته)	(هیچ، ۱، ۲۰۰)	۲۴۰,۸۰۰
bidirectional_38 (دو طرفه)	(هیچ، ۱، ۲۰۰)	۲۴۰,۸۰۰
bidirectional_39 (دو جهته)	(هیچ، ۲۰۰)	۲۴۰,۸۰۰
انصراف_۱۵ (ترک تحصیل)	(هیچ، ۲۰۰)	۰
متراکم_۷ (متراکم)	(هیچ، ۱)	۲۰۱
مجموع پارامترها: ۱,۰۴۵,۰۰۱
پارامترهای قابل آموزش: ۱,۰۴۵,۰۰۱
پارامترهای غیر قابل آموزش: ۰
هیچ یک
dict_keys([‘loss’, ‘mse’, ‘mae’, ‘val_loss’, ‘val_mse’, ‘val_mae’])

جدول ۲٫
ارزیابی عملکرد LSTM دو طرفه از نظر تلفات.

پارامتر	ضرر – زیان	از دست دادن MAE	ضرر RMSE	از دست دادن اعتبارسنجی	اعتبارسنجی MAE	اعتبارسنجی MSE
تولید برق متصل به شبکه	۰٫۰۰۸۷۲	۰٫۰۵۹۳۲	۰٫۰۰۸۷۲	۰٫۰۰۸۲۲	۰٫۰۶۰۲۷	۰٫۰۰۷۳
نسل روزانه	۰٫۰۱۹۵۱	۰٫۰۹۴۶۵	۰٫۰۱۹۵۱	۰٫۰۱۸۷	۰٫۰۸۹۰۶	۰٫۰۱۸۸۴
درخشندگی	۰٫۰۲۰۴۱	۰٫۰۹۸۹۴	۰٫۰۲۰۴۱	۰٫۰۲۰۶۷	۰٫۰۹۲۵	۰٫۰۱۹۱۲

سلب مسئولیت/یادداشت ناشر: اظهارات، نظرات و داده های موجود در همه نشریات صرفاً متعلق به نویسنده (ها) و مشارکت کننده (ها) است و نه MDPI و/یا ویرایشگر(ها). MDPI و/یا ویراستار(های) مسئولیت هرگونه آسیب به افراد یا دارایی ناشی از هر ایده، روش، دستورالعمل یا محصولات اشاره شده در محتوا را رد می کنند.

© ۲۰۲۳ توسط نویسندگان. دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC BY) توزیع شده است (https://creativecommons.org/licenses/by/4.0/).

منابع:
۱- shahrsaz.ir , پایداری، جلد. ۱۵، صفحات ۸۵۵۵: ارزیابی مدل های یادگیری ماشین برای پارامترهای شبکه هوشمند: تجزیه و تحلیل عملکرد ARIMA و Bi-LSTM
,۱۶۸۴۹۹۵۶۰۶
۲- https://www.mdpi.com/2071-1050/15/11/8555 | 2023-05-25 04:30:00