পিভি সৌরশক্তি মডেলিংয়ের জন্য বৈশিষ্ট্য নির্মাণ ও নির্বাচন: একটি মেশিন লার্নিং কাঠামো

সূচিপত্র

1. ভূমিকা ও সারসংক্ষেপ

শিল্প প্রক্রিয়ায় ফটোভোলটাইক (পিভি) সৌরশক্তির সংযোজন গ্রিনহাউস গ্যাস নির্গমন হ্রাস এবং টেকসইতা বৃদ্ধির একটি মূল কৌশল। তবে, সৌরশক্তির অন্তর্নিহিত অনিয়মিততা ও পরিবর্তনশীলতা গ্রিডের স্থিতিশীলতা এবং নির্ভরযোগ্য শক্তি সরবরাহের জন্য উল্লেখযোগ্য চ্যালেঞ্জ তৈরি করে। তাই, কার্যকর শক্তি ব্যবস্থাপনা, লোড ব্যালেন্সিং এবং কার্যক্রম পরিকল্পনার জন্য পিভি বিদ্যুৎ উৎপাদনের সঠিক স্বল্পমেয়াদী পূর্বাভাস অত্যন্ত গুরুত্বপূর্ণ।

এই গবেষণাপত্রটি ১-ঘন্টা আগাম সৌরশক্তি পূর্বাভাসের জন্য একটি অভিনব মেশিন লার্নিং কাঠামো উপস্থাপন করে। এর মূল উদ্ভাবনটি দুটি ধাপের পদ্ধতিতে নিহিত: প্রথমত, চেবিশেভ বহুপদী এবং ত্রিকোণমিতিক ফাংশন ব্যবহার করে মূল বৈশিষ্ট্য সেটকে একটি উচ্চ-মাত্রিক স্থানে সম্প্রসারিত করা; দ্বিতীয়ত, আবহাওয়া-নির্দিষ্ট পূর্বাভাসমূলক মডেল তৈরি করতে একটি কাস্টমাইজড বৈশিষ্ট্য নির্বাচন স্কিমের সাথে সীমাবদ্ধ লিনিয়ার রিগ্রেশন প্রয়োগ করা। প্রস্তাবিত পদ্ধতিটি মানক মডেলগুলোর তুলনায় আবহাওয়া সংক্রান্ত চলক এবং বিদ্যুৎ উৎপাদনের মধ্যকার জটিল, অ-রৈখিক সম্পর্কগুলো আরও কার্যকরভাবে ধরার লক্ষ্য রাখে।

2. পদ্ধতি

2.1 ডেটা ও ইনপুট বৈশিষ্ট্য

মডেলটি পিভি সিস্টেম আউটপুট এবং প্রাসঙ্গিক পরিবেশগত উভয় ফ্যাক্টরকে অন্তর্ভুক্ত করে এমন ঐতিহাসিক সময়-সিরিজ ডেটা ব্যবহার করে। মূল ইনপুট বৈশিষ্ট্যগুলোর মধ্যে রয়েছে:

• অটোরিগ্রেসিভ টার্ম: পূর্ববর্তী ১৫-মিনিটের ব্যবধান থেকে সৌরবিদ্যুৎ উৎপাদন।
• আবহাওয়ার অবস্থা: শ্রেণিবদ্ধ ডেটা (যেমন: পরিষ্কার, মেঘলা, বৃষ্টি)।
• আবহাওয়া সংক্রান্ত চলক: তাপমাত্রা, শিশিরাঙ্ক, আর্দ্রতা এবং বাতাসের গতি।
• কালানুক্রমিক বৈশিষ্ট্য: ডেটার সময়-সিরিজ প্রকৃতির মাধ্যমে অন্তর্নিহিতভাবে বিবেচনা করা হয়।

2.2 চেবিশেভ বহুপদী সহ বৈশিষ্ট্য নির্মাণ

সম্ভাব্য অ-রৈখিকতা মডেল করার জন্য, মূল বৈশিষ্ট্য ভেক্টর $\mathbf{x}$ কে একটি উচ্চ-মাত্রিক স্থানে রূপান্তরিত করা হয়। প্রতিটি অবিচ্ছিন্ন ইনপুট বৈশিষ্ট্য $x_i$ এর জন্য, প্রথম প্রকারের চেবিশেভ বহুপদী $T_k(x_i)$ এর একটি সেট একটি নির্দিষ্ট ডিগ্রি $K$ পর্যন্ত তৈরি করা হয়। $k$ ডিগ্রির চেবিশেভ বহুপদীকে পুনরাবৃত্তভাবে সংজ্ঞায়িত করা হয়:

$T_0(x) = 1$

$T_1(x) = x$

$T_{k+1}(x) = 2xT_k(x) - T_{k-1}(x)$

পর্যায়ক্রমিক প্যাটার্ন ধরার জন্য বৈশিষ্ট্যগুলোর ত্রিকোণমিতিক ফাংশন (সাইন এবং কোসাইন) যোগ করা হয়। এই নির্মাণ একটি সমৃদ্ধ, অভিব্যক্তিপূর্ণ বৈশিষ্ট্য স্থান $\Phi(\mathbf{x})$ তৈরি করে যা জটিল কার্যকরী সম্পর্ক উপস্থাপন করতে সক্ষম।

2.3 বৈশিষ্ট্য নির্বাচন ও সীমাবদ্ধ রিগ্রেশন

নির্মিত সমস্ত বৈশিষ্ট্য প্রাসঙ্গিক নয়। বিভিন্ন আবহাওয়ার অবস্থার জন্য সবচেয়ে বেশি পূর্বাভাসমূলক উপসেট চিহ্নিত করতে একটি র্যাপার-ভিত্তিক বৈশিষ্ট্য নির্বাচন পদ্ধতি প্রয়োগ করা হয়। এরপর, একটি সীমাবদ্ধ লিনিয়ার রিগ্রেশন মডেল ফিট করা হয়:

$\min_{\beta} \| \mathbf{y} - \Phi(\mathbf{X})\beta \|_2^2$

সহগ $\beta$ এর উপর সীমাবদ্ধতার সাপেক্ষে (যেমন, অ-নেতিবাচক সীমাবদ্ধতা যদি শারীরিক সম্পর্ক নির্দেশ করে যে নির্দিষ্ট ইনপুটগুলোর কেবল আউটপুটের উপর ইতিবাচক প্রভাব থাকা উচিত)। এই ধাপটি নির্ভুলতা বজায় রাখার পাশাপাশি মডেলের সংক্ষিপ্ততা এবং শারীরিক ব্যাখ্যাযোগ্যতা নিশ্চিত করে।

3. পরীক্ষামূলক ফলাফল ও বিশ্লেষণ

3.1 কর্মদক্ষতা মেট্রিক্স

মূল্যায়নের প্রাথমিক মেট্রিক হল পূর্বাভাসিত এবং প্রকৃত ১-ঘন্টা আগাম পিভি বিদ্যুৎ আউটপুটের মধ্যকার গড় বর্গ ত্রুটি (এমএসই)। কম এমএসই উচ্চতর পূর্বাভাসমূলক নির্ভুলতা নির্দেশ করে।

3.2 বেসলাইন মডেলের সাথে তুলনা

প্রস্তাবিত কাঠামোর সাথে বেশ কয়েকটি ক্লাসিক্যাল মেশিন লার্নিং মডেলের তুলনা করা হয়েছিল:

• সাপোর্ট ভেক্টর মেশিন (এসভিএম) / সাপোর্ট ভেক্টর রিগ্রেশন (এসভিআর)
• র‍্যান্ডম ফরেস্ট (আরএফ)
• গ্রেডিয়েন্ট বুস্টিং ডিসিশন ট্রি (জিবিডিটি)

ফলাফল: চেবিশেভ-ভিত্তিক বৈশিষ্ট্য নির্মাণ ও নির্বাচন পদ্ধতি ধারাবাহিকভাবে সমস্ত বেসলাইন মডেলের তুলনায় কম এমএসই প্রদান করেছে। এটি প্রমাণ করে যে, এনসেম্বল ট্রি পদ্ধতিগুলোর অন্তর্নিহিত বৈশিষ্ট্য সমন্বয় ক্ষমতা বা এসভিএম-এর কার্নেল ট্রিকের উপর এককভাবে নির্ভর করার তুলনায়, সৌর পূর্বাভাস সমস্যার জন্য কাস্টমাইজড একটি উচ্চ-মাত্রিক বৈশিষ্ট্য স্থান স্পষ্টভাবে ডিজাইন করার কার্যকারিতা।

4. প্রযুক্তিগত বিবরণ ও গাণিতিক কাঠামো

মডেলটিকে একটি ফাংশন $f$ হিসাবে সংক্ষিপ্ত করা যেতে পারে যা ইনপুটগুলিকে ১-ঘন্টা আগাম পূর্বাভাস $\hat{P}_{t+1}$ এ ম্যাপ করে:

$\hat{P}_{t+1} = f(\mathbf{x}_t) = \beta_0 + \sum_{j \in S} \beta_j \phi_j(\mathbf{x}_t)$

যেখানে:

• $\mathbf{x}_t$ হল সময় $t$ এ বৈশিষ্ট্য ভেক্টর।
• $\{\phi_j\}$ হল চেবিশেভ/ত্রিকোণমিতিক সম্প্রসারণ থেকে নির্বাচিত ভিত্তি ফাংশন।
• $S$ হল বৈশিষ্ট্য নির্বাচন অ্যালগরিদম দ্বারা নির্বাচিত সূচকের সেট।
• $\beta$ হল সীমাবদ্ধ সর্বনিম্ন বর্গ পদ্ধতি দ্বারা অনুমানকৃত সহগ।

কিছু $j$ এর জন্য $\beta_j \geq 0$ সীমাবদ্ধতা শারীরিক জ্ঞান প্রতিফলিত করতে অন্তর্ভুক্ত করা যেতে পারে (যেমন: সৌর বিকিরণ বিদ্যুতের সাথে ইতিবাচকভাবে সম্পর্কিত)।

5. বিশ্লেষণ কাঠামো: একটি নন-কোড উদাহরণ

আংশিক মেঘলা দিনে দুপুরে বিদ্যুতের পূর্বাভাস দেওয়ার জন্য একটি সরলীকৃত দৃশ্যকল্প বিবেচনা করুন। কাঠামোর কার্যপ্রবাহটি হল:

1. ইনপুট: সকাল ১১:৪৫ এ বৈশিষ্ট্য: বিদ্যুৎ=১৫০ কিলোওয়াট, তাপমাত্রা=২৫°সে, আর্দ্রতা=৬০%, মেঘাচ্ছন্নতা সূচক=০.৫ (আংশিক মেঘলা)।
2. বৈশিষ্ট্য নির্মাণ: নতুন বৈশিষ্ট্য তৈরি করুন: $T_2(Temp)=2*(25)^2 -1$, $sin(Humidity)$, $Cloud Cover * T_1(Temp)$, ইত্যাদি। এটি ২০+ এর বেশি উদ্ভূত বৈশিষ্ট্য তৈরি করতে পারে।
3. বৈশিষ্ট্য নির্বাচন ("আংশিক মেঘলা" মডেলের জন্য): র্যাপার পদ্ধতি চিহ্নিত করে যে এই অবস্থার অধীনে পূর্বাভাসের জন্য এই বৈশিষ্ট্যগুলোর মধ্যে মাত্র ৫টি গুরুত্বপূর্ণ, যেমন: $Power_{t-1}$, $T_2(Temp)$, $Cloud Cover$, $sin(Humidity)$, এবং একটি ইন্টারঅ্যাকশন টার্ম।
4. সীমাবদ্ধ পূর্বাভাস: "আংশিক মেঘলা" নির্দিষ্ট রিগ্রেশন মডেল, শুধুমাত্র ৫টি নির্বাচিত বৈশিষ্ট্য এবং তাদের পূর্ব-শেখা সহগ ব্যবহার করে (একটি সীমাবদ্ধতা সহ যে মেঘাচ্ছন্নতা সহগ অ-ইতিবাচক), পূর্বাভাস গণনা করে: $\hat{P}_{12:00 PM} = 165 kW$।

6. ভবিষ্যতের প্রয়োগ ও গবেষণার দিকনির্দেশনা

• হাইব্রিড ফিজিক্স-এমএল মডেল: প্রস্তাবিত ডেটা-চালিত পদ্ধতিকে শারীরিক পিভি কর্মদক্ষতা মডেলের (যেমন এনআরইএল-এর সিস্টেম অ্যাডভাইজার মডেল থেকে) সাথে একীভূত করা দৃঢ়তা এবং এক্সট্রাপোলেশন ক্ষমতা বাড়াতে পারে।
• সম্ভাব্যতা-ভিত্তিক পূর্বাভাস: নির্বাচিত বৈশিষ্ট্যগুলোর উপর কোয়ান্টাইল রিগ্রেশনের মাধ্যমে পূর্বাভাস ব্যবধান আউটপুট করার জন্য কাঠামোটি প্রসারিত করা ঝুঁকি-সচেতন গ্রিড অপারেশনের জন্য গুরুত্বপূর্ণ।
• বিতরণকৃত পিভির জন্য এজ কম্পিউটিং: রিয়েল-টাইম, স্থানীয়কৃত পূর্বাভাসের জন্য পৃথক সৌর খামারে এজ ডিভাইসে বৈশিষ্ট্য নির্বাচন এবং রিগ্রেশন মডেলের হালকা সংস্করণ স্থাপন করা।
• জলবায়ু জুড়ে ট্রান্সফার লার্নিং: একটি ভৌগোলিক অঞ্চলের জন্য নির্বাচিত বৈশিষ্ট্য সেটগুলি কীভাবে ভিন্ন আবহাওয়ার ধরণ সহ অন্য অঞ্চলের জন্য অভিযোজিত বা ফাইন-টিউন করা যায় তা তদন্ত করা।
• ডিপ লার্নিংয়ের সাথে একীকরণ: এক ঘন্টার বাইরে দীর্ঘমেয়াদী সময়গত নির্ভরতা ধরার জন্য একটি রিকারেন্ট নিউরাল নেটওয়ার্ক (আরএনএন) বা ট্রান্সফরমার মডেলের জন্য তথ্যপূর্ণ ইনপুট হিসাবে নির্বাচিত চেবিশেভ বৈশিষ্ট্যগুলো ব্যবহার করা।

7. তথ্যসূত্র

1. Yang, Y., Mao, J., Nguyen, R., Tohmeh, A., & Yeh, H. G. (Year). Feature Construction and Selection for PV Solar Power Modeling. Journal/Conference Name.
2. Mellit, A., & Pavan, A. M. (2010). A 24-h forecast of solar irradiance using artificial neural network: Application for performance prediction of a grid-connected PV plant at Trieste, Italy. Solar Energy, 84(5), 807-821.
3. National Renewable Energy Laboratory (NREL). (2023). Solar Forecasting. https://www.nrel.gov/grid/solar-forecasting.html
4. Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. Springer. (বৈশিষ্ট্য সম্প্রসারণ এবং নিয়মিতকরণের ভিত্তির জন্য)।
5. Isola, P., Zhu, J. Y., Zhou, T., & Efros, A. A. (2017). Image-to-image translation with conditional adversarial networks. Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 1125-1134). (এখানে বৈশিষ্ট্য নির্মাণ পদ্ধতির অনুরূপ, অন্য একটি এমএল ডোমেনে একটি রূপান্তরমূলক কাঠামোর উদাহরণ হিসাবে উদ্ধৃত)।

8. বিশ্লেষকের দৃষ্টিভঙ্গি: মূল অন্তর্দৃষ্টি ও সমালোচনা

মূল অন্তর্দৃষ্টি: এই গবেষণাপত্রের প্রকৃত অবদান শুধু আরেকটি সৌর পূর্বাভাস মডেল নয়; এটি একটি শৃঙ্খলাবদ্ধ, দুই-ধাপের বৈশিষ্ট্য প্রকৌশল প্রোটোকল যা উপস্থাপনা শেখাকে মডেল ফিটিং থেকে আলাদা করে। একটি উচ্চ-মাত্রিক চেবিশেভ স্থান স্পষ্টভাবে নির্মাণ করে, এটি মডেলটিকে নির্দিষ্ট অ-রৈখিক এবং ইন্টারঅ্যাকশন পদগুলি বিবেচনা করতে বাধ্য করে যা জিবিডিটির মতো ব্ল্যাক-বক্স মডেলগুলি অদক্ষভাবে বা একেবারেই খুঁজে নাও পেতে পারে। এটি "আশা করুন অ্যালগরিদম এটি খুঁজে পাবে" থেকে "যে স্থানে সংকেত বাস করে সেই স্থানটি স্থাপত্য করুন"-এ একটি পদক্ষেপ। এটি অন্যান্য ক্ষেত্রে সফল কাঠামোর দর্শনের কথা স্মরণ করিয়ে দেয়, যেমন CycleGAN-এ সাবধানে ডিজাইন করা জেনারেটর/ডিসক্রিমিনেটর আর্কিটেকচার যা জোড়াবিহীন ইমেজ অনুবাদের জন্য শেখার সমস্যাটিকে কাঠামোগত করে।

যুক্তিসঙ্গত প্রবাহ: যুক্তিটি শব্দবদ্ধ এবং মার্জিত: ১) সৌর উৎপাদনের জটিল, অ-রৈখিক পদার্থবিজ্ঞান স্বীকার করুন। ২) শুধু কাঁচা ডেটা একটি অ-রৈখিক মডেলে ছুঁড়ে দেবেন না; বরং, গাণিতিকভাবে ন্যায়সঙ্গত ভিত্তি ফাংশন (চেবিশেভ বহুপদী আনুমানিকতার জন্য চমৎকার) দিয়ে ইনপুট স্থানকে পদ্ধতিগতভাবে সম্প্রসারিত করুন। ৩) এই স্থানটিকে একটি আবহাওয়া-শর্ত-নির্দিষ্ট, ব্যাখ্যাযোগ্য উপসেটে ছাঁটাই করার জন্য বৈশিষ্ট্য নির্বাচনের জন্য একটি র্যাপার পদ্ধতি ব্যবহার করুন—একটি গণনীয়ভাবে ব্যয়বহুল কিন্তু লক্ষ্যযুক্ত পদ্ধতি। ৪) শারীরিক পূর্ব জ্ঞান ইনজেক্ট করতে সীমাবদ্ধ রিগ্রেশন প্রয়োগ করুন (যেমন: "আরও মেঘ আরও বিদ্যুৎ উৎপাদন করতে পারে না")। এই পাইপলাইনটি রেডিমেড এমএল মডেলগুলিতে প্রয়োগ করা সাধারণ "হাইপারপ্যারামিটারগুলির উপর গ্রিড-সার্চ" পদ্ধতির চেয়ে বেশি নীতিগত।

শক্তি ও ত্রুটি:
শক্তি: পদ্ধতিটি উচ্চতর এমএসই অর্জন করে, এর অভিজ্ঞতামূলক মূল্য প্রমাণ করে। আবহাওয়া-নির্দিষ্ট মডেলিং বাস্তবসম্মত। সীমাবদ্ধতার ব্যবহার দৃঢ়তা এবং ব্যাখ্যাযোগ্যতার একটি স্তর যোগ করে যা বিশুদ্ধ এমএল পদ্ধতিতে প্রায়ই অনুপস্থিত থাকে। এটি প্রকৌশল সিস্টেমের জন্য "গ্লাস-বক্স" এমএল-এর একটি দুর্দান্ত উদাহরণ।
ত্রুটি: প্রতিটি আবহাওয়ার ধরনের জন্য র্যাপার-ভিত্তিক বৈশিষ্ট্য নির্বাচনের গণনীয় ব্যয় রিয়েল-টাইম অভিযোজন বা বৃহৎ-স্কেল স্থাপনার জন্য একটি প্রধান বাধা। গবেষণাপত্রে নির্বাচিত বৈশিষ্ট্য সেটগুলির স্থিতিশীলতা নিয়ে আলোচনার অভাব রয়েছে—সেগুলি সামান্য ভিন্ন প্রশিক্ষণ ডেটা দিয়ে কি মারাত্মকভাবে পরিবর্তিত হয়? তদুপরি, এসভিআর, আরএফ এবং জিবিডিটিকে হারানো ভালো হলেও, একটি ভালভাবে টিউন করা ডিপ লার্নিং মডেলের (যেমন: একটি এলএসটিএম বা টেম্পোরাল ফিউশন ট্রান্সফরমার) বা জিবিডিটির মতো একটি পরিশীলিত গ্রেডিয়েন্ট বুস্টিং বাস্তবায়নের (যেমন: এক্সজিবুস্ট যার নিজস্ব বৈশিষ্ট্য ইন্টারঅ্যাকশন ক্ষমতা সহ) সাথে তুলনা ২০২৩+ গবেষণায় একটি স্পষ্ট বাদ পড়েছে।

কার্যকরী অন্তর্দৃষ্টি: শিল্প অনুশীলনকারীদের জন্য, এই গবেষণাপত্রটি আরও নির্ভরযোগ্য, সাইট-নির্দিষ্ট পূর্বাভাস মডেল তৈরির একটি নীলনকশা। তাৎক্ষণিক টেকঅ্যাওয়ে হল জটিল অ্যালগরিদমে ঝাঁপ দেওয়ার আগে বৈশিষ্ট্য প্রকৌশল অবকাঠামো-তে বিনিয়োগ করা। আপনার ঐতিহাসিক ডেটাতে এই চেবিশেভ সম্প্রসারণ পাইপলাইন বাস্তবায়ন করে শুরু করুন। তবে, অপারেশনাল সিস্টেমের জন্য, গণনীয় ওভারহেড কমানোর জন্য বৈশিষ্ট্য নির্বাচনের জন্য র্যাপার পদ্ধতিকে আরও স্কেলযোগ্য ফিল্টার পদ্ধতি (যেমন: পারস্পরিক তথ্য) বা এমবেডেড পদ্ধতি (যেমন: লাসো রিগ্রেশন) দিয়ে প্রতিস্থাপন করুন। রিগ্রেশনের জন্য সবচেয়ে গুরুত্বপূর্ণ শারীরিক সীমাবদ্ধতা সংজ্ঞায়িত করতে ডোমেন বিশেষজ্ঞদের সাথে অংশীদারিত্ব করুন। এই হাইব্রিড, চিন্তাশীল পদ্ধতিটি সম্ভবত একটি বড় নিউরাল নেটওয়ার্ক প্রশিক্ষণের জন্য একটি বড় ক্লাউড ইন্সট্যান্স ভাড়া নেওয়ার চেয়ে ভাল রিটার্ন দেবে।