Chagua Lugha

Utabiri wa Kina wa Nguvu za Jua: Kutabiri Pato la Nguvu za Jua kwa Kujifunza kwa Kina

Mbinu ya kujifunza kwa kina kwa utabiri wa muda mfupi wa nguvu za jua kwa kutumia picha za anga na data za kihistoria, ikilinganisha usanifu wa MLP, CNN, na LSTM.
solarledlight.org | PDF Size: 2.9 MB
Ukadiriaji: 4.5/5
★ ★ ★ ★ ★
Ukadiriaji Wako
Umekadiria waraka huu tayari
Kifuniko cha Waraka PDF - Utabiri wa Kina wa Nguvu za Jua: Kutabiri Pato la Nguvu za Jua kwa Kujifunza kwa Kina
Tazama Waraka PDF Pakua PDF Tafsiri PDF
Nyumbani » Nyaraka » Utabiri wa Kina wa Nguvu za Jua: Kutabiri Pato la Nguvu za Jua kwa Kujifunza kwa Kina

Jedwali la Yaliyomo

1. Utangulizi

Uzalishaji wa nguvu za jua (PV) kwa asili yake hubadilika kutokana na utegemezi wake kwa hali ya hewa kama vile mawingu, nafasi ya jua, na erosoli za anga. Utabiri sahihi wa muda mfupi, au utabiri wa papo hapo, kwa kipimo cha dakika ni muhimu kwa usimamizi wa gridi mahiri, kuhakikisha mwendelezo wa nguvu, na kudhibiti viwango vya mabadiliko. Mbinu za jadi zinazotegemea utabiri wa namba za hali ya hewa (NWP) au data za satelaiti mara nyingi hukabiliwa na ubora wa chini wa anga na wakati, na kuzifanya zisifae kwa utabiri wa ndani, wa kiwango cha dakika. Kazi hii inapendekeza mbinu ya kujifunza kwa kina inayotumia picha za anga zilizopigwa na kamera ya ardhini na data ya kihistoria ya nguvu za PV kutabiri pato la nguvu la baadaye.

2. Mbinu

2.1 Uundaji wa Tatizo

Lengo ni kutabiri pato la nguvu za PV $P_{t+\Delta t}$ kwa wakati wa baadaye $t+\Delta t$ (kwa mfano, dakika 1 mbele) kwa kutumia thamani za nguvu za kihistoria $\{P_{t}, P_{t-1}, ..., P_{t-N}\}$ na mfuatano wa picha za anga $\{I_{t}, I_{t-1}, ..., I_{t-M}\}$. Upeo wa utabiri $\Delta t$ kwa kawaida ni mfupi (dakika 1-10).

2.2 Seti ya Data na Usindikaji wa Awali

Seti ya data ilikusanywa huko Kyoto, Japani, na inajumuisha vipimo vya nguvu za PV na picha za anga zinazolingana zilizopigwa kwa vipindi vya dakika 1. Picha husindikwa awali kwa kukatwa hadi eneo maalum la kupendeza (ROI) kuzunguka jua, kubadilisha ukubwa hadi saizi 224x224, na kuhalalisha thamani za saizi. Thamani za nguvu hurekebishwa hadi safu ya [0,1] kwa kutumia kipimo cha chini-juu.

2.3 Usanifu wa Mtandao

Usanifu tatu wa kujifunza kwa kina unalinganishwa:

3. Majaribio na Matokeo

3.1 Vipimo vya Tathmini

Utendaji unatathminiwa kwa kutumia Kosa la Mzizi wa Wastani wa Mraba (RMSE) na alama ya ustadi ya RMSE, iliyofafanuliwa kama:

$\text{Alama ya Ustadi} = 1 - \frac{\text{RMSE}_{model}}{\text{RMSE}_{udumu}}$

ambapo msingi wa udumu unadhania $P_{t+\Delta t} = P_t$.

3.2 Matokeo ya Kiasi

Jedwali hapa chini linafupisha alama za ustadi za RMSE kwa utabiri wa dakika 1 mbele:

MfanoAlama ya Ustadi wa RMSE (%)
Msingi wa Udumu0
MLP7
CNN12
LSTM21

Mfano wa LSTM unafikia alama ya juu zaidi ya ustadi ya 21%, ikishinda kwa kiasi kikubwa mifano ya msingi ya MLP na CNN. Hii inaonyesha umuhimu wa kuiga utegemezi wa muda kwa utabiri wa papo hapo.

3.3 Masomo ya Kuondoa Sehemu

Majaribio ya kuondoa sehemu yanaonyesha kuwa kutumia thamani za nguvu za kihistoria na picha za anga kwa pamoja kunatoa utendaji bora kuliko kutumia moja pekee. Mfano wa LSTM pia unafaidika na mfuatano mrefu wa pembejeo (hadi dakika 10 za historia).

4. Maelezo ya Kiufundi

4.1 Uundaji wa Hisabati

Seli ya LSTM inakokotoa hali iliyofichwa $h_t$ na hali ya seli $c_t$ kama:

$f_t = \sigma(W_f \cdot [h_{t-1}, x_t] + b_f)$

$i_t = \sigma(W_i \cdot [h_{t-1}, x_t] + b_i)$

$\tilde{c}_t = \tanh(W_c \cdot [h_{t-1}, x_t] + b_c)$

$c_t = f_t \odot c_{t-1} + i_t \odot \tilde{c}_t$

$o_t = \sigma(W_o \cdot [h_{t-1}, x_t] + b_o)$

$h_t = o_t \odot \tanh(c_t)$

ambapo $x_t$ ni pembejeo kwa wakati $t$, $\sigma$ ni kazi ya sigmoid, na $\odot$ inaashiria kuzidisha kwa kipengele.

4.2 Kazi ya Hasara na Uboreshaji

Mifano inafunzwa ili kupunguza hasara ya Wastani wa Kosa la Mraba (MSE):

$\mathcal{L} = \frac{1}{N} \sum_{i=1}^{N} (P_i - \hat{P}_i)^2$

Uboreshaji unafanywa kwa kutumia kiboreshaji cha Adam na kiwango cha kujifunza cha $10^{-4}$ na ukubwa wa kundi la 32. Kusimamishwa mapema kunatumika kulingana na hasara ya uthibitishaji.

5. Mfano wa Mfumo wa Uchambuzi

Fikiria hali ambapo meneja wa shamba la jua anataka kutabiri pato la PV dakika 5 mbele. Kwa kutumia mfano wa LSTM, pembejeo itakuwa mfuatano wa vipimo 10 vya mwisho vya nguvu na picha 10 za anga. Mfano unachakata picha kupitia CNN kutoa vipengele, kisha LSTM inakamata mifumo ya muda. Pato ni thamani moja ya nguvu iliyorekebishwa, ambayo inaweza kurejeshwa hadi kW halisi. Utabiri huu unamwezesha meneja kurekebisha shughuli za gridi, kama vile kuwezesha jenereta za akiba au kudhibiti uhifadhi wa nishati, ili kudumisha utulivu.

6. Matumizi ya Baadaye na Mtazamo

Mfumo uliopendekezwa wa kujifunza kwa kina una mwelekeo kadhaa wa kuahidi wa siku zijazo:

7. Maoni ya Wataalamu

Ufahamu wa Msingi: Karatasi hii inaonyesha kuwa kujifunza kwa kina, hasa mitandao ya LSTM, kunaweza kuboresha kwa kiasi kikubwa utabiri wa muda mfupi wa nguvu za PV kwa kuiga kwa ufanisi utegemezi wa muda katika picha za anga na data za nguvu.

Mtiririko wa Mantiki: Waandishi wanaelezea wazi tatizo, wanawasilisha usanifu tatu unaozidi kuwa changamano, na wanawatathmini kwa utaratibu kwenye seti ya data halisi. Masomo ya kuondoa sehemu yanathibitisha mchango wa kila sehemu.

Nguvu na Udhaifu: Nguvu kuu ni ulinganisho mkali wa usanifu na onyesho wazi la ubora wa LSTM. Hata hivyo, seti ya data imepunguzwa kwa eneo moja (Kyoto), na utendaji wa mfano chini ya hali ya hewa kali (kwa mfano, mvua nzito, theluji) haujachunguzwa. Zaidi ya hayo, gharama ya hesabu ya mfano wa LSTM haijajadiliwa.

Ufahamu Unaotekelezeka: Kwa watendaji, mfano wa LSTM unatoa uboreshaji wa 21% juu ya udumu, ambao ni mkubwa kwa usimamizi wa gridi. Ili kupeleka hili, mtu anapaswa kuwekeza katika ukusanyaji wa data wa masafa ya juu (kamera za anga na mita za nguvu) na kuzingatia kompyuta ya makali kwa uelekezaji wa wakati halisi. Kazi ya baadaye inapaswa kuzingatia uthibitishaji wa maeneo mengi na uimara kwa mifumo mbalimbali ya hali ya hewa.

8. Uchambuzi wa Asili

Karatasi hii inatoa mchango mkubwa katika uwanja wa utabiri wa nishati ya jua kwa kuonyesha ufanisi wa kujifunza kwa kina kwa utabiri wa papo hapo wa dakika. Ubunifu mkuu upo katika matumizi ya mtandao wa LSTM kunasa utegemezi wa muda katika picha za anga na data za nguvu, kufikia alama ya ustadi ya RMSE ya 21% juu ya msingi wa udumu. Matokeo haya yanalingana na mwelekeo mpana katika utabiri wa mfululizo wa wakati, ambapo usanifu wa kujirudia umeonyesha utendaji bora katika kazi kama vile utabiri wa hali ya hewa na utabiri wa mzigo wa nishati (Hochreiter & Schmidhuber, 1997).

Kwa mtazamo wa kiufundi, ulinganisho wa usanifu wa MLP, CNN, na LSTM unatoa ufahamu muhimu. MLP, ambayo inategemea tu thamani za nguvu za kihistoria, hutumika kama msingi imara lakini inashindwa kunasa vidokezo vya kuona vya harakati za mawingu. CNN inaboresha hili kwa kujumuisha picha za anga, lakini inachukulia kila hatua ya wakati kwa kujitegemea. Uwezo wa LSTM wa kuiga mfuatano ni muhimu, kwani mienendo ya mawingu kwa asili ni ya muda. Matokeo haya yanalingana na utafiti katika uelewa wa video, ambapo 3D CNN na LSTM hutumiwa kuiga mwendo (Tran et al., 2015).

Hata hivyo, utafiti una mapungufu. Seti ya data ilikusanywa katika eneo moja huko Kyoto, Japani, ambalo lina muundo maalum wa hali ya hewa (joto na misimu tofauti). Ujanibishaji wa mfano kwa hali nyingine za hewa (kwa mfano, kitropiki, kavu) haujajaribiwa. Zaidi ya hayo, karatasi haijashughulikia gharama ya hesabu ya mfano wa LSTM, ambayo inaweza kuwa kikwazo kwa upelekaji wa wakati halisi kwenye vifaa vya nguvu ndogo. Maendeleo ya hivi karibuni katika usanifu mwepesi, kama vile MobileNets (Howard et al., 2017), yanaweza kuchunguzwa ili kupunguza muda wa uelekezaji.

Kipengele kingine muhimu ni ubora wa picha za anga. Karatasi inatumia ROI iliyowekwa kuzunguka jua, ambayo inaweza isikamate mawingu yanayotoka pembeni. Kazi ya baadaye inaweza kujumuisha mbinu za umakini ili kuzingatia kwa nguvu maeneo muhimu, kama inavyofanywa katika maelezo ya picha (Xu et al., 2015). Zaidi ya hayo, utendaji wa mfano chini ya hali zinazobadilika haraka (kwa mfano, mawingu ya cumulus) unaweza kuboreshwa kwa kutumia ubora wa juu wa muda (kwa mfano, vipindi vya sekunde 10).

Kwa kumalizia, karatasi hii inatoa msingi imara kwa utabiri wa PV wa kujifunza kwa kina. Mfano wa LSTM ni mshindi wazi, lakini upelekaji wa vitendo unahitaji kushughulikia ufanisi wa hesabu na ujanibishaji. Ushirikiano wa mbinu hii na mifumo ya gridi mahiri unaweza kusababisha usimamizi wa nishati mbadala wenye uthabiti na ufanisi zaidi.

9. Marejeleo