Uundaji na Uchaguzi wa Vipengele vya Kielelezo cha Nguvu ya Jua ya PV: Mfumo wa Kujifunza kwa Mashine

Orodha ya Yaliyomo

1. Utangulizi & Muhtasari

Ujumuishaji wa nguvu ya jua ya fotovoltik (PV) katika michakato ya viwanda ni mkakati muhimu wa kupunguza uzalishaji wa gesi chafu na kuimarisha uendelevu. Hata hivyo, kutokuwa thabiti na kutofautiana kwa asili kwa nishati ya jua husababisha changamoto kubwa kwa uthabiti wa mtandao na usambazaji thabiti wa nishati. Kwa hivyo, utabiri sahihi wa muda mfupi wa uzalishaji wa nguvu ya PV ni muhimu sana kwa usimamizi bora wa nishati, usawa wa mzigo, na upangaji wa uendeshaji.

Makala hii inawasilisha mfumo mpya wa kujifunza kwa mashine kwa utabiri wa nguvu ya jua saa moja mbele. Uvumbuzi wa msingi upo katika mbinu yake ya hatua mbili: kwanza, kupanua seti ya asili ya vipengele hadi kwenye nafasi yenye mwelekeo wa juu kwa kutumia Chebyshev polynomials na kazi za trigonometri; pili, kutumia mpango maalum wa kuchagua vipengele pamoja na urejeshaji wa mstari wenye vikwazo ili kujenga miundo ya utabiri maalum ya hali ya hewa. Mbinu inayopendekezwa inalenga kukamata uhusiano tata, usio na mstari kati ya vigezo vya hali ya hewa na pato la nguvu kwa ufanisi zaidi kuliko miundo ya kawaida.

2. Mbinu

2.1 Data & Vipengele vya Ingizo

Mfumo huu hutumia data ya mfululizo wa wakati wa kihistoria inayojumuisha pato la mfumo wa PV na mambo ya mazingira yanayohusiana. Vipengele muhimu vya ingizo ni pamoja na:

Neno la Kujirejelea: Uzalishaji wa nguvu ya jua kutoka kipindi cha dakika 15 kilichopita.
Hali ya Hewa: Data ya kategoria (mfano, wazi, mawingu, mvua).
Vigezo vya Hali ya Hewa: Joto, kiwango cha umande, unyevu, na kasi ya upepo.
Vipengele vya Wakati: Vinazingatiwa kwa njia ya asili ya mfululizo wa wakati wa data.

2.2 Uundaji wa Kipengele kwa kutumia Chebyshev Polynomials

Ili kuiga uwezekano wa kutokuwa na mstari, vekta ya kipengele cha asili $\mathbf{x}$ hubadilishwa kuwa nafasi yenye mwelekeo wa juu. Kwa kila kipengele cha ingizo kinachoendelea $x_i$, seti ya Chebyshev polynomials ya aina ya kwanza $T_k(x_i)$ hutengenezwa hadi kiwango maalum $K$. Chebyshev polynomial ya kiwango $k$ inafafanuliwa kwa njia ya kurudia:

$T_0(x) = 1$

$T_1(x) = x$

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

Kazi za trigonometri (sine na cosine) za vipengele pia huongezwa ili kukamata muundo wa mara kwa mara. Uundaji huu huunda nafasi tajiri na ya kuelezea kipengele $\Phi(\mathbf{x})$ inayoweza kuwakilisha uhusiano tata wa kazi.

2.3 Uchaguzi wa Kipengele & Urejeshaji wenye Vikwazo

Si vipengele vyote vilivyoundwa vinahusiana. Njia ya kuchagua kipengele inayotegemea wrapper hutumiwa kutambua sehemu ndogo inayotabiri zaidi kwa hali tofauti za hewa. Kisha, muundo wa urejeshaji wa mstari wenye vikwazo hufungwa:

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

chini ya vikwazo kwenye mgawo $\beta$ (mfano, vikwazo visivyo hasi ikiwa uhusiano wa kimwili unadai kwamba ingizo fulani linapaswa kuathiri pato kwa njia chanya tu). Hatua hii inahakikisha urahisi wa muundo na uwezo wa kufafanuliwa kimwili huku ukidumisha usahihi.

3. Matokeo ya Majaribio & Uchambuzi

3.1 Vipimo vya Utendaji

Kipimo kikuu cha tathmini ni Kosa la Wastani la Mraba (MSE) kati ya utabiri na pato halisi la nguvu ya PV saa moja mbele. MSE ya chini inaonyesha usahihi wa juu wa utabiri.

Muhtasari wa Utendaji

Mbinu Iliyopendekezwa: Ilifikia MSE ya chini kabisa katika hali zote za majaribio.

Faida Kuu: Utendaji bora chini ya hali mbalimbali za hewa, haswa wakati wa vipindi vya mpito (mfano, mawingu yanayopita).

3.2 Ulinganisho na Miundo ya Msingi

Mfumo uliopendekezwa ulilinganishwa na miundo kadhaa ya kawaida ya kujifunza kwa mashine:

Support Vector Machine (SVM) / Support Vector Regression (SVR)
Random Forest (RF)
Gradient Boosting Decision Tree (GBDT)

Matokeo: Mbinu ya uundaji na uchaguzi wa kipengele inayotegemea Chebyshev ilitoa MSE ya chini kuliko miundo yote ya msingi. Hii inaonyesha ufanisi wa kuunda kwa makusudi nafasi ya kipengele yenye mwelekeo wa juu iliyoboreshwa kwa tatizo la utabiri wa jua, ikilinganishwa na kutegemea tu uwezo wa asili wa kuchanganya vipengele wa njia za miti ya jumuiya au hila za kernel katika SVM.

4. Maelezo ya Kiufundi & Mfumo wa Hisabati

Muundo unaweza kufupishwa kama kazi $f$ inayopeleka ingizo hadi utabiri wa saa moja mbele $\hat{P}_{t+1}$:

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

ambapo:

$\mathbf{x}_t$ ni vekta ya kipengele kwa wakati $t$.
$\{\phi_j\}$ ni kazi za msingi zilizochaguliwa kutoka kwa upanuzi wa Chebyshev/trigonometri.
$S$ ni seti ya fahirisi zilizochaguliwa na algoriti ya kuchagua kipengele.
$\beta$ ni mgawo uliokadiriwa kupitia vikwazo vya miraba ya chini.

Kikwazo $\beta_j \geq 0$ kwa baadhi ya $j$ kinaweza kujumuishwa ili kuakisi ujuzi wa kimwili (mfano, mnururisho unahusiana chanya na nguvu).

5. Mfumo wa Uchambuzi: Mfano usio na Msimbo

Fikiria hali rahisi ya kutabiri nguvu saa sita mchana siku yenye mawingu kidogo. Mpangilio wa kazi wa mfumo ni:

Ingizo: Vipengele saa 11:45 asubuhi: Nguvu=150 kW, Joto=25°C, Unyevu=60%, Kielelezo cha Mfuniko wa Mawingu=0.5 (mawingu kidogo).
Uundaji wa Kipengele: Unda vipengele vipya: $T_2(Joto)=2*(25)^2 -1$, $sin(Unyevu)$, $Mfuniko wa Mawingu * T_1(Joto)$, n.k. Hii inaweza kutoa vipengele zaidi ya 20 vilivyotokana.
Uchaguzi wa Kipengele (kwa muundo wa "Mawingu Kidogo"): Njia ya wrapper hutambua kwamba vipengele 5 tu kati ya hivi ndivyo muhimu kwa utabiri chini ya hali hizi, mfano, $Nguvu_{t-1}$, $T_2(Joto)$, $Mfuniko wa Mawingu$, $sin(Unyevu)$, na neno la mwingiliano.
Utabiri wenye Vikwazo: Muundo maalum wa urejeshaji wa "Mawingu Kidogo", ukitumia vipengele 5 vilivyochaguliwa tu na mgawo wao uliojifunza mapema (kwa kikwazo kwamba mgawo wa mfuniko wa mawingu sio chanya), huhesabu utabiri: $\hat{P}_{12:00 PM} = 165 kW$.

6. Matumizi ya Baadaye & Mwelekeo wa Utafiti

Miundo ya Mseto ya Fizikia-ML: Kujumuisha mbinu inayopendekezwa inayotegemea data na miundo ya utendaji wa kimwili ya PV (kama ile ya NREL's System Advisor Model) inaweza kuimarisha uthabiti na uwezo wa kupanua.
Utabiri wa Uwezekano: Kupanua mfumo ili kutoa vipindi vya utabiri (mfano, kupitia urejeshaji wa quantile kwenye vipengele vilivyochaguliwa) ni muhimu sana kwa uendeshaji wa mtandao unaotambua hatari.
Kompyuta ya Ukingo kwa PV Iliyosambazwa: Kuweka toleo nyepesi zaidi ya miundo ya kuchagua kipengele na urejeshaji kwenye vifaa vya ukingo kwenye mashamba ya jua binafsi kwa utabiri wa papo hapo na wa ndani.
Uhamishaji wa Ujifunzaji Katika Hali ya Hewa: Kuchunguza jinsi seti za vipengele zilizochaguliwa kwa eneo moja la kijiografia zinaweza kubadilishwa au kuboreshwa kwa eneo lingine lenye muundo tofauti wa hali ya hewa.
Ujumuishaji na Kujifunza Kina: Kutumia vipengele vilivyochaguliwa vya Chebyshev kama ingizo lenye taarifa kwenye mtandao wa neva unaorudia (RNN) au muundo wa kibadilishaji ili kukamata utegemezi wa muda mrefu zaidi ya saa moja.

7. Marejeo

Yang, Y., Mao, J., Nguyen, R., Tohmeh, A., & Yeh, H. G. (Mwaka). Feature Construction and Selection for PV Solar Power Modeling. Jina la Jarida/Mkutano.
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.
National Renewable Energy Laboratory (NREL). (2023). Solar Forecasting. https://www.nrel.gov/grid/solar-forecasting.html
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. Springer. (Kwa misingi ya upanuzi wa kipengele na udhibiti).
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). (Imetajwa kama mfano wa mfumo wa kubadilisha katika nyanja nyingine ya ML, sawa na mbinu ya uundaji wa kipengele hapa).

8. Mtazamo wa Mchambuzi: Uelewa wa Msingi & Ukosoaji

Uelewa wa Msingi: Mchango wa kweli wa makala hii sio muundo mwingine tu wa utabiri wa jua; ni itifaki ya udhibiti, ya hatua mbili ya uhandisi wa kipengele inayotenganisha ujifunzaji wa uwakilishi na kufaa kwa muundo. Kwa kuunda kwa makusudi nafasi ya Chebyshev yenye mwelekeo wa juu, inalazimisha muundo kuzingatia maneno maalum yasiyo ya mstari na ya mwingiliano ambayo miundo ya sanduku jeusi kama GBDT inaweza kukutana nayo kwa ufanisi duni au hata kabisa. Ni hatua kutoka "tumaini algoriti ipate" hadi "buni nafasi ambayo ishara iko." Hii inakumbusha falsafa nyuma ya mifumo iliyofanikiwa katika nyanja nyingine, kama usanifu wa kigenereta/kigunduzi uliobuniwa kwa uangalifu katika CycleGAN unaounda muundo wa tatizo la kujifunza kwa tafsiri ya picha isiyo na jozi.

Mpangilio wa Mantiki: Mantiki ni sahihi na nzuri: 1) Kubali fizikia tata, isiyo na mstari ya uzalishaji wa jua. 2) Usitupie tu data ghafi kwenye muundo usio na mstari; badala yake, panua nafasi ya ingizo kwa utaratibu na kazi za msingi zilizothibitishwa kihisabati (Chebyshev polynomials ni bora kwa makadirio). 3) Tumia njia ya wrapper kwa uchaguzi wa kipengele—njia yenye gharama ya hesabu lakini inayolenga—ili kupunguza nafasi hii hadi sehemu ndogo maalum ya hali ya hewa, inayoweza kufafanuliwa. 4) Tumia urejeshaji wenye vikwazo ili kuingiza ujuzi wa awali wa kimwili (mfano, "mawingu zaidi hayawezi kutoa nguvu zaidi"). Mfuatano huu una kanuni zaidi kuliko mbinu ya kawaida ya "utafutaji-gridi-juu-ya-vipeo" inayotumika kwa miundo ya ML ya kukodisha.

Nguvu & Kasoro:
Nguvu: Njia hufikia MSE bora, ikithibitisha thamani yake ya kimajaribio. Uundaji maalum wa hali ya hewa ni wa vitendo. Matumizi ya vikwazo yanaongeza safu ya uthabiti na uwezo wa kufafanuliwa ambao mara nyingi haupo katika mbinu safi za ML. Ni mfano mzuri wa ML ya "sanduku la kioo" kwa mifumo ya uhandisi.
Kasoro: Gharama ya hesabu ya uchaguzi wa kipengele unaotegemea wrapper kwa kila aina ya hali ya hewa ni kikwazo kikuu cha kukabiliana na mabadiliko ya papo hapo au utekelezaji wa kiwango kikubwa. Makala haina mjadala kuhusu uthabiti wa seti za vipengele vilivyochaguliwa—je, zinabadilika sana na data tofauti kidogo ya mafunzo? Zaidi ya hayo, ingawa kushinda SVR, RF, na GBDT ni jema, kulinganisha na muundo ulioboreshwa vizuri wa kujifunza kina (mfano, LSTM au Temporal Fusion Transformer) au utekelezaji wa hali ya juu wa gradient boosting kama XGBoost na uwezo wake wa mwingiliano wa kipengele ni ukosefu dhahiri katika utafiti wa 2023+.

Uelewa Unaoweza Kutekelezwa: Kwa watendaji wa tasnia, makala hii ni mchoro wa kujenga miundo ya utabiri ya eneo maalum iliyoaminika zaidi. Ujumbe wa papo hapo ni kuwekeza katika miundombinu ya uhandisi wa kipengele kabla ya kuruka kwenye algoriti tata. Anza kwa kutekeleza mfuatano huu wa upanuzi wa Chebyshev kwenye data yako ya kihistoria. Hata hivyo, kwa mifumo ya uendeshaji, badilisha njia ya wrapper na njia ya kuchuja inayoweza kuongezeka zaidi (kama habari ya pamoja) au njia iliyojumuishwa (kama urejeshaji wa LASSO) kwa uchaguzi wa kipengele ili kupunguza mzigo wa hesabu. Shirikiana na wataalamu wa nyanja ili kufafanua vikwazo muhimu zaidi vya kimwili kwa urejeshaji. Mbinu hii ya mseto, yenye kufikirika kwa uangalifu kwa uwezekano mkubwa itatoa faida bora kuliko kukodisha tu kikoa kikubwa cha wingu ili kufundisha mtandao mkubwa wa neva.