۱٫ معرفی
همانطور که اقتصاد به سرعت در حال توسعه است، بنادر به گره های حیاتی برای لجستیک داخلی و تجارت بین المللی تبدیل شده اند که منجر به افزایش تقاضا برای انرژی می شود. سوخت های فسیلی سنتی باعث آلودگی شدید محیط زیست می شوند. نیاز مبرمی به حرکت به سمت تکنیک‌های مدیریت انرژی پایدارتر وجود دارد، زیرا بنادر باید با ادغام ملاحظات پایدار در فعالیت‌های بهره‌برداری بندر به منظور ترویج گذار سبز به فشارهای زیست‌محیطی پاسخ دهند. [
۱]. بنادر بزرگ در سراسر جهان به درجات مختلفی از نظر انرژی الکتریکی شده اند. تعداد زیادی از مطالعات نشان داده‌اند که برق‌رسانی تأثیر بسزایی در بهبود بهره‌وری انرژی در بنادر دارد. [
۲]. الکتریسیته سهم فزاینده ای از مصرف انرژی در بنادر را به خود اختصاص می دهد و مدیریت انرژی و بهینه سازی در بنادر را از اهمیت ویژه ای برخوردار می سازد. در سال‌های اخیر، استفاده روزافزون از منابع انرژی تجدیدپذیر مانند نیروی باد و خورشید در بنادر، توسعه فناوری‌های جایگزینی انرژی، نیروگاه‌های مجازی و فناوری‌های ذخیره‌سازی انرژی، نیاز به پیش‌بینی دقیق کوتاه‌مدت بار بندر را ضروری کرده است. [
۳,
۴]. فناوری های ذخیره سازی انرژی در ساعات اوج بار در بنادر و با تخلیه در زمان پیک تقاضا و شارژ در زمان تقاضای کم نقش مهمی ایفا می کنند که می تواند عرضه و تقاضای انرژی را متعادل کند و پایداری سیستم را حفظ کند. [
۵]. پیش‌بینی دقیق بار پورت و قابلیت‌های پاسخ سریع، سیستم‌های ذخیره‌سازی انرژی را قادر می‌سازد تا ارسال را بهینه کرده و قابلیت اطمینان و اقتصادی سیستم‌های قدرت منطقه بندر را بهبود بخشند.
روش های سنتی پیش بینی بار شامل تجزیه و تحلیل سری های زمانی است [
۶] و تحلیل رگرسیون [
۷]. مدل پیش‌بینی سری زمانی میانگین متحرک یکپارچه اتورگرسیو (ARIMA) به دلیل توانایی استثنایی آن در مدیریت سری‌های صاف و غیر هموار محبوبیت پیدا کرده است. نانو و همکاران [
۸] از الگوریتم جستجوی فاخته (CS) برای بهینه‌سازی پارامترهای مدل ARIMA برای پیش‌بینی داده‌های بار قدرت واقعی استفاده کرد و نتایج ثابت کرد که ARIMA دقت بالایی در پیش‌بینی بار قدرت کوتاه‌مدت نشان داد. جونگ و همکاران [
۹] دقت خوبی را در پیش‌بینی سری‌های زمانی چند متغیره نشان داد در حالی که از مدل خودرگرسیون برداری (VAR) برای پیش‌بینی بارهای الکتریکی ساختمان استفاده می‌کرد. با در نظر گرفتن تحلیل داده ها و انتخاب رگرسیون لجستیک به عنوان مدل پایه، فنگ و همکاران. [
۱۰] یک روش پیش‌بینی بار مبتنی بر ترکیب خوشه‌بندی و رگرسیون لجستیک تکراری را پیشنهاد و توسعه داد. وو و همکاران [
۱۱] یک مدل رگرسیون بهبودیافته مبتنی بر نزول گرادیان تصادفی مینی دسته ای برای رسیدگی به مسائل مربوط به سرعت پیش‌بینی کند و دقت پیش‌بینی پایین در مدل‌های تحلیل رگرسیون پیشنهاد کرد. نتایج نشان داد که الگوریتم اصلاح شده به بهبود قابل توجهی در سرعت پیش‌بینی دست می‌یابد. سیستم نظری روش‌های پیش‌بینی بار سنتی نسبتاً بالغ است و محاسبه ساده است. با این حال، اثر پیش‌بینی ناپایدار است، و دقت در هنگام برخورد با داده‌های پیچیده و غیرخطی بالا، مانند داده‌های بار پورت، ضعیف است. [
۱۲,
۱۳]. از آنجایی که جمع‌آوری داده‌های قابل اعتماد مورد نیاز برای پیش‌بینی بارهای توان در مناطق بندری دشوار است، مدل‌های سنتی سازگاری با عوامل محیطی به سرعت در حال تغییر و عملیات پیچیده بندر دشوار است.
در سال‌های اخیر، مدل‌های یادگیری عمیق به دلیل توانایی عالی برازش غیرخطی و سازگاری، به ابزاری قدرتمند برای رسیدگی به چنین مشکلاتی تبدیل شده‌اند. نمایندگان معمولی شبکه حافظه کوتاه مدت بلند مدت (LSTM) هستند [
۱۴,
۱۵]واحد بازگشتی دروازه ای (GRU) [
16]، DeepAR [
17]N-BEATS [
18]، مبدل ها [
۱۹]و غیره. این روش‌ها در مدل‌سازی دینامیک بار غیرخطی پیچیده مهارت نشان می‌دهند، که سازگاری پیشرفته‌تری با نوسانات غیرخطی و توانایی بهبود یافته برای ثبت دقیق الگوهای داده‌های بار را نشان می‌دهد. LSTM به دلیل عملکرد استثنایی خود در پیش بینی سری های زمانی بار قدرت توجه گسترده ای را به خود جلب کرده است و بسیاری از محققان مدل پایه LSTM را بهبود بخشیده اند. بوراتو و همکاران [
۲۰] یک مدل Seq2Seq-LSTM را بر اساس مکانیزم توجه برای پیش‌بینی بار الکتریکی برزیل پیشنهاد کرد و به درک بهتر وابستگی‌های دوربرد در توالی بار دست یافت. شنگ و همکاران [
۲۱] یک چارچوب بهبود یافته مبتنی بر LSTM باقیمانده برای حل مشکل پیش‌بینی بار کوتاه‌مدت، که از مشکل ناپدید شدن گرادیان هنگام آموزش شبکه‌های عصبی عمیق جلوگیری می‌کند، پیشنهاد کرد. GRU نسخه ساده شده LSTM است که پیچیدگی و سربار محاسباتی مدل را کاهش می دهد. وانگ و همکاران [
۲۲] از GRU با بهینه ساز نیروهای گوریل (GTO) برای پیش بینی و بهینه سازی مصرف انرژی در سیستم های HVAC ساختمان های هوشمند استفاده کرد. GTO برای تنظیم پارامترهای مدل GRU استفاده می شود و پیش بینی های دقت را افزایش می دهد. علاوه بر این، برخی از محققان [
۲۳] LSTM را با شبکه‌های عصبی کانولوشنال (CNN) ترکیب کرد تا یک مدل ترکیبی CNN-LSTM متقابل برای پیش‌بینی بار شبکه هوشمند ایجاد کند، که کارایی و دقت پیش‌بینی را در مقایسه با یک مدل واحد بهبود بخشید. به طور کلی، این مدل های ترکیبی، که مزایای چندین مدل را ادغام می کنند، معمولا دقت بالاتری را نشان می دهند. شبکه‌های کانولوشنال موقت (TCNs) ویژگی‌های محلی داده‌های دنباله را از طریق لایه‌های انباشته جمع‌آوری می‌کنند و پیچیدگی‌های گشاد شده برای افزایش مؤثر میدان گیرنده استفاده می‌شوند و شبکه را قادر می‌سازد تا وابستگی‌های دوربرد را بگیرد. [
۲۴]ژنگ و همکاران [
۲۵] از TCNها و مکانیسم توجه جهانی (GAT) برای مدل‌سازی و پردازش داده‌های سری زمانی بار استفاده کرد و دقت پیش‌بینی مدل را با فیلتر کردن متغیرهای ورودی با استفاده از مقادیر توضیح افزودنی Shapley (SHAP) بهبود بخشید.
برای رسیدگی بیشتر به نوسانات قوی داده های بار و بررسی کامل ویژگی های داخلی، برخی از محققان از الگوریتم های تجزیه مودال مانند تجزیه حالت تجربی (EMD) استفاده می کنند. [
۲۶]، تجزیه حالت تجربی گروهی (EEMD) [
27]، تجزیه موجک [
۲۸]و تجزیه حالت متغیر (VMD) [
29] برای تجزیه و صاف کردن داده های بار قبل از آموزش مدل یادگیری عمیق. با این حال، EMD و EEMD مستعد مشکل اختلاط حالت هستند، که می تواند منجر به خطاهای قابل توجهی در تجزیه شود. [
۳۰]. VMD می تواند به طور موثر از مشکل اختلاط حالت از طریق بهینه سازی متغیر جلوگیری کند. در عین حال، توانایی انطباق با اجزای پیچیده دنباله نسبت به تجزیه موجک را دارد و ویژگی‌های غنی‌تری برای پیش‌بینی مدل یادگیری عمیق ارائه می‌کند. [
۳۱].
تقاضای انرژی در بنادر به طور قابل توجهی تحت تأثیر تقاضای ترافیک است، که تفاوت های قابل توجهی را در دوره های مختلف نشان می دهد و نظم زمانی قوی را نشان می دهد. علاوه بر این، تحت تأثیر عوامل مختلف محیطی، به ویژه عناصر هواشناسی مانند سرعت باد و دما قرار می گیرد. سرعت باد زیاد می تواند عملکرد جرثقیل ها و سایر تجهیزات بارگیری و تخلیه را محدود کند و در نتیجه کارایی حمل و نقل محموله را تحت تأثیر قرار دهد. [
۳۲]. از سوی دیگر، نوسانات دما به طور مستقیم بر مصرف انرژی در منطقه بندر تأثیر می گذارد، مانند نیازهای سرمایش یا گرمایش. برای پرداختن به مسائل غیرخطی و تاثیرات پیچیده چند وجهی در پیش‌بینی بار بندر، الگوریتم‌های یادگیری عمیق موثر ثابت شده‌اند. ادغام الگوریتم‌های تجزیه مودال، به نام VMD، با یادگیری عمیق راه‌حلی امیدوارکننده برای مدیریت کارآمد انرژی در عملیات بندری ارائه می‌دهد. در پیگیری توسعه یک مدل دقیق و کارآمد پیش‌بینی بار بندر کوتاه‌مدت، این مقاله کمک‌های زیر را ارائه می‌کند:
-
یک مدل VMD-TCN-LSTM برای پیش بینی بار پورت پیشنهاد شده است. با استفاده از VMD برای کاهش نوسانات داده‌ها و استخراج ویژگی‌های فرکانس‌های مختلف، همراه با ادغام TCN و LSTM، این مدل می‌تواند به طور موثر الگوهای زمانی و وابستگی‌های بلندمدت را ثبت کند.
-
با استفاده از مدل‌سازی چند ویژگی، دقت پیش‌بینی مدل پیش‌بینی بار توان پورت را با در نظر گرفتن متغیرهای ویژگی مختلف مانند دما، سرعت باد ۱۰ متری، ربع و ساعت به عنوان ورودی مدل افزایش می‌دهیم.
-
با استفاده از داده های بار پورت واقعی، یک مطالعه موردی انجام شد. برتری مدل پیشنهادی از طریق آزمایش‌های مقایسه‌ای با سایر مدل‌های پیش‌بینی بار پرکاربرد تأیید شد.
ساختار مقاله به شرح زیر است:
بخش ۱ مقدمه ای بر پیشینه تحقیق و ادبیات مرتبط در مورد پیش بینی کوتاه مدت بار بندر ارائه می دهد.
بخش ۲ هدف تحقیق و روش های نظری اتخاذ شده برای پیش بینی کوتاه مدت بار بندر را توصیف می کند.
بخش ۳ بر پیش پردازش داده ها، انتخاب ویژگی، و اعمال تجزیه VMD به داده های بار اصلی تمرکز دارد.
بخش ۴ داده ها را تجزیه و تحلیل می کند و مدل های مختلف را با موارد خاص مقایسه می کند تا اثربخشی مدل پیش بینی پیشنهادی را تأیید کند.
بخش ۵ محدودیت های این مطالعه را مورد بحث قرار می دهد و مسیرهای تحقیقاتی آتی را پیشنهاد می کند. در نهایت، بخش نتیجه‌گیری، مشارکت‌های اصلی این مطالعه را خلاصه می‌کند.
۴٫ مطالعه موردی
۴٫۱٫ پردازش مجموعه داده
مجموعه داده تجربی شامل داده‌های بار ثبت‌شده توسط کنتورهای هوشمند در یک بندر ساحلی در چین برای کل منطقه بندر از ۱ ژانویه ۲۰۲۱ تا ۳۱ مارس ۲۰۲۲ است. علاوه بر این، داده‌های دمای هواشناسی بندر، داده‌های سرعت باد ۱۰ متر، داده‌های شاخص شفافیت آفتاب همراه با بار زمان نمونه برداری داده ها از وب سایت ناسا جمع آوری شد.
ابتدا مجموعه داده به یک مجموعه آموزشی و یک مجموعه آزمایشی تقسیم شد که ۸۰٪ از داده ها برای آموزش و ۲۰٪ برای آزمایش اختصاص داده شد. در مرحله بعد، متغیرهای پیوسته در هر دو مجموعه آموزش و آزمایش با استفاده از روش z-score برای حذف تفاوت در واحدهای اندازه گیری در بین متغیرهای ویژگی، همانطور که در معادله (۲۰) نشان داده شده است، استاندارد شدند. داده های گسسته، مانند فاکتورهای ویژگی زمانی، با استفاده از رمزگذاری یک داغ پردازش شدند تا از تداخل روابط بزرگی بین ویژگی ها در آموزش مدل جلوگیری شود. روش رمزگذاری در نشان داده شده است
جدول ۵. در نهایت، پنجره های کشویی زمان برای هر دو مجموعه آموزش و تست تنظیم شد. سپس مجموعه آموزشی برای آموزش به مدل TCN-LSTM وارد شد. پس از آموزش وزن های مدل، مدل بر روی مجموعه تست اعتبار سنجی شد و معیارهای ارزیابی مربوطه محاسبه شد.
۴٫۲٫ تنظیم فراپارامتر مدل پیش بینی
در این مطالعه از الگوریتم جستجوی تصادفی (RS) برای بهینه سازی فراپارامترهای مدل TCN-LSTM استفاده شد. برخلاف جستجوی شبکه ای، جستجوی تصادفی به طور کامل فضای پارامترهای از پیش تعریف شده را بررسی نمی کند. در عوض، به‌طور تصادفی از فضای پارامتر بر اساس معیارهای عملکرد پیش‌بینی‌شده در مجموعه اعتبارسنجی نمونه‌برداری می‌کند تا ترکیب فراپارامتر بهینه را پیدا کند. مزیت اصلی این روش این است که می تواند به طور کارآمد طیف وسیعی از فضاهای پارامتر را کشف کند و هزینه های محاسباتی را کاهش دهد.
مدل TCN-LSTM نیاز به تنظیم ابرپارامترهای ساختاری و فراپارامترهای آموزشی دارد. این مطالعه از مزایای RS برای بهینه‌سازی برخی فراپارامترهای کلیدی برای کاهش پیچیدگی تنظیم مدل و بهبود سرعت تمرین استفاده کرد. فراپارامترهای ساختاری TCN شامل اندازه پنجره زمانی، تعداد لایه های کانولوشنال و اندازه هسته است. برای LSTM، هایپرپارامترها شامل تعداد لایه های LSTM و تعداد واحدها در هر لایه است. فراپارامترهای آموزشی شامل میزان یادگیری اولیه و نرخ ترک تحصیل می شود. Dropout یک تکنیک منظم‌سازی است که در طول آموزش شبکه‌های عصبی عمیق مورد استفاده قرار می‌گیرد، که به‌طور تصادفی بخشی از خروجی‌های نورون را صفر می‌کند تا وابستگی بین نورونی را کاهش دهد و در نتیجه تا حدودی از برازش بیش از حد جلوگیری می‌کند. استراتژی کاهش نرخ یادگیری اتخاذ شده، روش بازپخت کسینوس است، تابع فعال سازی و بهینه ساز ReLU و Adam هستند، با عملکرد عالی، تابع ضرر MSE است، و فرآیند آموزش از روش توقف زودهنگام برای جلوگیری از برازش بیش از حد مدل، با تلورانس استفاده می کند. روی ۱۰ تنظیم کنید. روش توقف زودهنگام با نظارت بر عملکرد مجموعه اعتبار سنجی در طول آموزش مدل و توقف زودهنگام آموزش زمانی که عملکرد اعتبارسنجی بهبود نمی یابد یا شروع به بدتر شدن می کند، از برازش بیش از حد مدل جلوگیری می کند.
به طور خلاصه، این مطالعه از الگوریتم RS برای بهینه سازی فراپارامترهای ساختاری و آموزشی فوق مدل TCN-LSTM استفاده کرد. در نهایت از مدلی با ترکیب بهینه فراپارامترها برای پیش‌بینی بار استفاده شد.
۴٫۳٫ مقایسه اثرات پیش بینی بر اساس چند ویژگی
برای تأیید بهبود عملکرد پیش‌بینی مدل با ترکیب ویژگی‌های متعدد، مدل TCN-LSTM برای انجام پیش‌بینی‌ها تحت دو سناریو زیر استفاده شد: (۱) یک پیش‌بینی تک متغیره تنها بر اساس داده‌های بار تاریخی، بدون استفاده از الگوریتم VMD برای تجزیه. (۲) یک پیش‌بینی چند متغیره بر اساس ویژگی‌های چندگانه (دما، سرعت باد ۱۰ متر، شاخص شفافیت آفتاب، چهارم، ساعت)، اما بدون تجزیه داده‌های بار تاریخی از طریق الگوریتم VMD.
مدل‌های دو سناریو با استفاده از الگوریتم جستجوی تصادفی و روش توقف اولیه برای فراپارامترها تنظیم شدند. ترکیب فراپارامتر که بهترین عملکرد را در مجموعه اعتبارسنجی داشت برای پیش‌بینی در مجموعه آزمون انتخاب شد. نتایج بهینه سازی هایپرپارامتر در نشان داده شده است
جدول ۶. با ترکیب منحنی‌های کاهش یادگیری مدل‌ها با ترکیب‌های فراپارامتر بهینه تحت دو سناریو در
شکل ۱۲، مشخص شد که منحنی های از دست دادن یادگیری مجموعه اعتبار سنجی روند صعودی قابل توجهی ندارند که مدل آموزش را خاتمه می دهد و بیش از حد برازش را نشان نمی دهد.
پس از اتمام آموزش، از مدل ها برای پیش بینی بار روی مجموعه آزمون استفاده شد. پیش‌بینی‌های بارگذاری یک بندر خاص در طول دو روز، شامل ۲۴ نقطه نمونه‌برداری، در زیر نشان داده شده است.
شکل ۱۳. معیارهای ارزیابی کلی برای پیش‌بینی‌های مجموعه آزمون در ارائه شده است
جدول ۷. پس از بهینه سازی هایپرپارامتر از طریق جستجوی تصادفی و جلوگیری از برازش بیش از حد مدل از طریق روش توقف اولیه، مدل TCN-LSTM با ورودی چند ویژگی بهتر با مقادیر بار واقعی و روندهای مجموعه آزمایشی مطابقت دارد. علاوه بر این، همه شاخص‌های عملکرد از شاخص‌های به‌دست‌آمده در سناریوی پیش‌بینی (۱) فراتر می‌روند و نشان می‌دهد که معرفی متغیرهای ویژگی متعدد می‌تواند به طور موثر دقت مدل TCN-LSTM را در پیش‌بینی بار برق بندر افزایش دهد، همانطور که در نشان داده شده است.
جدول ۷.
۴٫۴٫ ارزیابی مقایسه ای الگوریتم های تجزیه
همانطور که مشاهده شد از
شکل ۱۳، نوسانات بالا و غیرقابل پیش بینی بودن توالی بار می تواند منجر به خطاهای قابل توجهی در دوره های اوج و پایین شود. این مطالعه از الگوریتم‌های تجزیه برای استخراج اطلاعات ویژگی‌های عمیق در توالی بار استفاده کرد تا دقت پیش‌بینی را افزایش دهد، در نتیجه سازگاری مدل با نوسانات بار را بهبود بخشید. برای تعیین اینکه کدام الگوریتم تجزیه برای کشف ویژگی‌های داخلی توالی‌های بار پورت مناسب‌تر است، این مطالعه پیش‌بینی‌هایی را با استفاده از مدل TCN-LSTM همراه با الگوریتم‌های تجزیه VMD، EEMD و CEEMDAN انجام داد. نتایج پیش‌بینی هر مدل در مجموعه آزمون پس از آموزش در نشان داده شده است
شکل ۱۴، با معیارهای ارزیابی ارائه شده در
جدول ۸.
در مقایسه با معیارهای ارزیابی مدل TCN-LSTM ارائه شده در
جدول ۷، هر سه الگوریتم تجزیه مودال دقت پیش‌بینی مدل TCN-LSTM را بهبود بخشیده‌اند. با این حال، به دلیل ناتوانی EEMD برای جلوگیری از مشکل اختلاط حالت در طول تجزیه، در استخراج ویژگی‌های کافی از داده‌های دنباله کوتاهی می‌کند، که منجر به دقت پیش‌بینی پایین‌تر می‌شود. در مقابل، مدل VMD-TCN-LSTM به طور قابل توجهی از هر دو مدل EEMD-TCN-LSTM و CEEMDAN-TCN-LSTM از نظر R عملکرد بهتری دارد.
۲، MSE و MAPE. علاوه بر این، با مقادیر واقعی بار در دوره‌های اوج و پایین تناسب بهتری دارد، که نشان می‌دهد فناوری تجزیه VMD، نسبت به EEMD و CEEMDAN، می‌تواند به طور موثرتری نوسانات تصادفی سیگنال‌های بار را کاهش دهد. این کار عملکرد پیش‌بینی مدل را بهبود می‌بخشد و استخراج کارآمد اطلاعات ویژگی داخلی داده‌های بار را امکان‌پذیر می‌سازد.
۴٫۵٫ مقایسه مدل های مختلف پیش بینی
مدل VMD-TCN-LSTM پیشنهاد شده در این مطالعه همچنین با سایر مدل‌های پیش‌بینی سری زمانی رایج، از جمله GRU، LSTM، XGBoost، و VMD-LSTM مقایسه می‌شود تا عملکرد پیش‌بینی آنها را تحلیل کند. روش ورودی چند ویژگی برای همه مدل ها استفاده شد. نتایج در نشان داده شده است
شکل ۱۵، با معیارهای ارزیابی به تفصیل در
جدول ۹.
مقایسه مزایای قابل توجهی از مدل ارائه شده در این مطالعه را در بین معیارهای ارزیابی کلیدی، از جمله R، نشان می‌دهد۲، MSE و MAPE. هنگام مدیریت داده های بار واقعی، مدل VMD-TCN-LSTM، در مقایسه با مدل تک LSTM، کاهش MAPE را تا ۴٫۹۹٪، کاهش در MSE تا ۳۳٫۳۸، و R را نشان می دهد.۲ ۰٫۴۳ بهبود یافته است. این کارایی مدل TCN را در استخراج ویژگی‌های زمانی بالقوه توالی بار تأیید می‌کند. علاوه بر این، فرآیند تثبیت توالی بار از طریق VMD می‌تواند عملکرد پیش‌بینی مدل را بیشتر افزایش دهد و نقش مهم اجرای تجزیه VMD را در تقویت قابلیت پیش‌بینی مدل تأیید کند. بنابراین، روش پیش‌بینی بار بندر کوتاه‌مدت پیشنهاد شده در این مطالعه، عملکرد پیش‌بینی برتر را نشان می‌دهد.
۵٫ بحث
این مطالعه مدل پیش‌بینی پیشنهادی را از طریق تحلیل موردی عملی تأیید می‌کند. نتایج نشان می‌دهد که این مدل می‌تواند به طور موثر روند بارگذاری کوتاه‌مدت در بنادر را پیش‌بینی کند، که برای مدیریت انرژی پایدار و برنامه‌ریزی در این مناطق بسیار مهم است.
با استخراج ویژگی های کلیدی در فرکانس های مختلف از داده های بار اصلی، روش VMD ثابت کرده است که در پردازش داده های بار پورت موثر است. علاوه بر این، در حالی که مطالعات قبلی با استفاده از مدل‌های پیش‌بینی منفرد به نتایج قابل قبولی دست یافته‌اند، ترکیب نقاط قوت مدل‌های متعدد ممکن است پتانسیل بیشتری را در تحقیقات آینده نشان دهد. بررسی چگونگی ادغام موثر مدل‌های پیش‌بینی‌کننده مختلف، یک جهت مهم برای تحقیقات پیش‌بینی بار آینده خواهد بود. علاوه بر این، تجزیه و تحلیل ویژگی‌های کلیدی که بر بار پورت تأثیر می‌گذارند نیز برای پیش‌بینی بار پورت حیاتی است. انتخاب ورودی های ویژگی مناسب و بسیار مرتبط می تواند به طور موثری دقت مدل را افزایش دهد.
در نهایت این مطالعه دارای کاستی هایی نیز می باشد. معمولاً برای اطمینان از توانایی تعمیم مدل، یادگیری عمیق به حجم نمونه آموزشی نسبتاً بزرگی نیاز دارد. داده‌های بار واقعی بندر مورد استفاده در این مطالعه ممکن است ناکافی باشد. بنابراین، جمع‌آوری داده‌های سری بار طولانی‌تر برای اعتبارسنجی بیشتر و بهینه‌سازی مدل در مطالعات آتی ضروری است. با این حال، برتری روش پیش‌بینی پیشنهادی در این مطالعه را می‌توان با مقایسه نتایج تجربی با سایر مدل‌های پیش‌بینی رایج در مطالعه موردی نیز نشان داد. علاوه بر این، داده های بار این مطالعه از بنادر ساحلی چین است. با توجه به تفاوت‌های عملکرد بین بنادر ساحلی و داخلی، اینکه آیا این مدل می‌تواند مستقیماً در بنادر داخلی اعمال شود، هنوز نیاز به تأیید بیشتر دارد. مطالعات آینده باید به انواع مختلف پورت ها گسترش یابد تا کاربرد آن افزایش یابد.
۶٫ نتیجه گیری
برای افزایش دقت پیش‌بینی بار بندر کوتاه‌مدت و پشتیبانی از برنامه‌ریزی و مدیریت انرژی بندر، این مطالعه مدل VMD-TCN-LSTM را بر اساس ویژگی‌های چندگانه پیشنهاد می‌کند. از طریق تحلیل نظری و مطالعات موردی، نتایج زیر حاصل می شود:
-
با اعمال تجزیه VMD به داده های توالی بار پورت، مدل در مدیریت نوسانات بالا و غیرخطی بودن توالی بار پورت برتری می یابد. این به طور قابل توجهی دقت پیش بینی بار کوتاه مدت را افزایش می دهد.
-
علاوه بر داده های بار، عوامل هواشناسی و ویژگی های زمانی نیز به عنوان ورودی های پیش بینی گنجانده شده اند که دقت مدل پیش بینی را بیشتر بهبود می بخشد.
-
مدل TCN-LSTM به طور موثر محدودیت‌های مدل تک LSTM را در استخراج ناکافی ویژگی‌های محلی از داده‌های دنباله برطرف می‌کند، مدل را قادر می‌سازد تا وابستگی‌های زمانی را در محدوده‌های مختلف ثبت کند و درک و قابلیت‌های پیش‌بینی خود را برای داده‌های سری زمانی بیشتر بهینه کند.
با بهبود دقت پیش‌بینی بار کوتاه‌مدت از طریق روش پیشنهادی در این مطالعه، بنادر می‌توانند منابع انرژی خود را بهتر مدیریت کنند و در نتیجه مصرف انرژی، کاهش هزینه‌های عملیاتی و به حداقل رساندن اثرات زیست‌محیطی را بهینه کنند. این مدل پیش‌بینی بینش‌های پیش‌بینی‌کننده لازم را به مقامات و اپراتورهای بندر ارائه می‌کند و آنها را قادر می‌سازد تا تصمیمات آگاهانه در مورد خرید انرژی، سرمایه‌گذاری‌های زیرساختی و تنظیمات عملیاتی روزانه بگیرند.
