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

Yaliyomo

1. Utangulizi na Muhtasari

Ujumuishaji wa nguvu ya jua ya photovoltaic (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 haya yanawasilisha mfumo mpya wa kujifunza kwa mashine kwa utabiri wa nguvu ya jua saa 1 mbele. Uvumbuzi wa msingi upo katika njia yake ya uhandisi wa vipengele. Badala ya kutegemea tu data ya kihistoria ghafi na vigezo vya hali ya hewa, njia hii huunda nafasi ya kipengele yenye mwelekeo wa juu kwa kutumia polynomial za Chebyshev na kazi za trigonometric. Kisha, mpango wa uchaguzi wa kipengele unaounganishwa na urejeshaji wa mstari wenye vikwazo hutumiwa kujenga kielelezo thabiti na kinachoweza kufafanuliwa cha kutabiri kilichoboreshwa kwa aina tofauti za hali ya hewa.

2. Njia

2.1 Data na Vipengele vya Ingizo

Kielelezo hutumia mchanganyiko wa ingizo za kitampo, kihali ya hewa, na zinazojirejesha:

• Vigezo vya Hali ya Hewa: Mnururisho, joto, kiwango cha umande, unyevu, kasi ya upepo.
• Uainishaji wa Aina ya Hali ya Hewa: Ingizo zinaainishwa kulingana na hali ya hewa inayotawala (k.m., wazi, mawingu, mvua).
• Neno la Kujirejesha: Uzalishaji wa nguvu ya jua kutoka kwa hatua ya wakati uliopita (k.m., dakika 15 zilizopita) imejumuishwa ili kukamata utegemezi wa kitampo.

2.2 Uundaji wa Kipengele kwa Polynomial za Chebyshev

Vipengele vya ingizo ghafi hubadilishwa kuwa nafasi tajiri zaidi yenye mwelekeo wa juu. Kwa kigezo cha ingizo kilichopewa $x$, polynomial za Chebyshev za aina ya kwanza, $T_n(x)$, hutumiwa. Polynomial hizi zinafafanuliwa na uhusiano wa kurudia:

$T_0(x) = 1$

$T_1(x) = x$

$T_{n+1}(x) = 2xT_n(x) - T_{n-1}(x)$

Vipengele vinaundwa kama $T_n(x)$ kwa $n$ hadi mpangilio maalum, na vinaweza pia kujumuisha maneno ya kuvuka (k.m., $T_i(x) \cdot T_j(y)$) na kazi za trigonometric (k.m., $\sin(\omega t)$, $\cos(\omega t)$) ili kukamata muundo wa mara kwa mara.

2.3 Mpango wa Uchaguzi wa Kipengele

Njia ya kufunga hutumiwa kuchagua vipengele muhimu zaidi kutoka kwa seti iliyopanuliwa. Mchakato huu unafanywa kwa kila aina ya hali ya hewa kando ili kuzingatia ushawishi tofauti wa mambo chini ya hali tofauti. Uchaguzi unalenga kusawazisha utata wa kielelezo na uwezo wa kutabiri, na kuepuka kufanya kielelezo kiwe ngumu kupita kiasi.

2.4 Kielelezo cha Urejeshaji wa Mstari wenye Vikwazo

Baada ya uchaguzi wa kipengele, kielelezo cha urejeshaji wa mstari kinajengwa: $\hat{y} = \mathbf{w}^T \mathbf{x} + b$, ambapo $\mathbf{x}$ ni vekta ya vipengele vilivyochaguliwa. Ili kuimarisha uwezekano wa kifizikia na uthabiti, urejeshaji huundwa kama tatizo la miraba ya chini yenye vikwazo. Vikwazo vinaweza kujumuisha kutokuwa hasi kwa viwango fulani (k.m., mnururisho unapaswa kuwa na athari isiyo hasi kwenye pato la nguvu) au mipaka kwenye ukubwa wa viwango.

3. Matokeo ya Majaribio & Utendaji

3.1 Usanidi wa Majaribio

Mfumo uliopendekezwa ulijaribiwa kwenye data ya kihistoria ya kiwanda cha PV. Seti ya data iligawanywa katika seti za mafunzo na majaribio, na utendaji ulikadiriwa kwa kutumia Kosa la Wastani la Mraba (MSE) na kipimo kingine kinachowezekana kama Kosa la Wastani la Thamani Kamili (MAE).

3.2 Ulinganisho na Miundo ya Msingi

Makala yanalinganisha njia yake na viwango kadhaa vilivyothibitishwa vya kujifunza kwa mashine:

• Mashine ya Vekta ya Usaidizi (SVM)/Urejeshaji wa Vekta ya Usaidizi (SVR)
• Msitu wa Nasibu (RF)
• Mti wa Uamuzi wa Kuongeza Gradient (GBDT)

Uvumbuzi Muhimu: Kielelezo kilichopendekezwa cha urejeshaji kinachotegemea polynomial za Chebyshev na uchaguzi wa kipengele kilipata MSE ya chini kuliko njia zote za kawaida zilizolinganishwa.

3.3 Utendaji Katika Hali Mbalimbali za Hali ya Hewa

Njia ya kielelezo maalum ya aina ya hali ya hewa inaonekana kuonyesha uwezo bora wa kukabiliana. Kwa mfano, chini ya hali ya mawingu inayobadilika sana, vipengele vilivyochaguliwa vya kielelezo (labda maneno ya polynomial ya mpangilio wa juu yanayokamata athari zisizo za mstari za mnururisho) yangekuwa tofauti na yale yaliyochaguliwa kwa hali thabiti ya anga wazi, na kusababisha utabiri sahihi zaidi kwa ujumla.

4. Maelezo ya Kiufundi & Uundaji wa Kihisabati

Tatizo la msingi la uboreshaji linaweza kufupishwa kama ifuatavyo:

1. Upanuzi wa Kipengele: Unda vekta ya kipengele iliyopanuliwa $\mathbf{\Phi}(\mathbf{z}) = [T_0(z_1), T_1(z_1), ..., T_n(z_m), \text{ maneno ya kuvuka}, \text{ maneno ya trig}]$ kutoka kwa vekta ya asili ya ingizo $\mathbf{z}$.
2. Uchaguzi wa Kipengele: Tafuta sehemu ndogo $\mathbf{x} \subset \mathbf{\Phi}(\mathbf{z})$ ambayo inapunguza kosa la utabiri kwa aina maalum ya hali ya hewa $k$.
3. Urejeshaji wenye Vikwazo: Tatua kwa uzito $\mathbf{w}$:
   $\min_{\mathbf{w}} ||\mathbf{y} - \mathbf{X}\mathbf{w}||^2_2$
   chini ya: $\mathbf{A}\mathbf{w} \leq \mathbf{b}$ (vikwazo vya usawa wa mstari, k.m., $w_i \geq 0$).

5. Mfumo wa Uchambuzi: Mfano Usio na Msimbo

Fikiria hali iliyorahisishwa ya kutabiri nguvu saa sita mchana siku yenye mawingu kidogo. Ingizo ghafi ni: Mnururisho ($I=600 W/m^2$), Joto ($T=25^\circ C$), na nguvu ya awali ($P_{t-1}=300 kW$).

1. Uundaji wa Kipengele: Kwa mnururisho $I$, toa maneno ya Chebyshev hadi mpangilio 2: $T_0(I)=1$, $T_1(I)=600$, $T_2(I)=2*600*600 - 1 = 719,999$. Upanaaji sawa unafanywa kwa $T$ na $P_{t-1}$. Maneno ya kuvuka kama $T_1(I)*T_1(T)$ pia huundwa.
2. Uchaguzi wa Kipengele (kwa kielelezo cha "Mawingu Kidogo"): Algorithm ya uchaguzi inaweza kuhifadhi $T_1(I)$ (mnururisho wa mstari), $T_2(I)$ (inayokamata athari isiyo ya mstari ya kujaa), $T_1(T)$, na $P_{t-1}$, huku ikitupa vipengele vingine vilivyoundwa kama visivyofaa kwa aina hii ya hali ya hewa.
3. Utabiri: Utabiri wa mwisho ni mchanganyiko wa mstari: $\hat{P} = w_1*600 + w_2*719,999 + w_3*25 + w_4*300 + b$, ambapo $w_1, w_2 \geq 0$ kutokana na vikwazo.

6. Uelewa wa Msingi & Mtazamo wa Mchambuzi

Uelewa wa Msingi: Uvumbuzi wa kweli wa makala haya sio algorithm mpya ya kisanduku nyeusi, bali ni mfereji wa uhandisi wa vipengele wenye nidhamu na unaotambua fizikia. Inatambua kwamba uhusiano kati ya hali ya hewa na pato la PV sio wa mstari tu au unaoweza kukamatwa kwa urahisi na miti ya uamuzi ya kawaida. Kwa kuunda wazi nafasi ya msingi (polynomial za Chebyshev) zinazojulikana kwa sifa bora za ukadiriaji wa kazi na kisha kutumia uchaguzi unaosababisha uchache, njia hii hujenga miundo inayoweza kufafanuliwa na yenye utendaji wa juu iliyoboreshwa kwa hali maalum za uendeshaji (aina za hali ya hewa). Hii ni matumizi makini zaidi ya ML kuliko matumizi ya nguvu ya kujifunza kwa kina, haswa katika mazingira ya viwanda yenye data ndogo.

Mtiririko wa Mantiki: Mantiki ni sahihi: 1) Kubali utata wa tatizo (sio la mstari, linategemea hali ya hewa). 2) Panua nafasi ya ingizo kwa utaratibu ili kuwakilisha uhusiano tata unaowezekana. 3) Kata kwa nguvu na uchaguzi ulioongozwa na eneo (aina ya hali ya hewa) ili kuepuka kufanya kielelezo kiwe ngumu kupita kiasi. 4) Tumia miundo rahisi ya mstari yenye vikwazo kwenye vipengele vilivyoboreshwa kwa uthabiti na ufahamu. Mfereji huu unaonyesha mazoea bora katika ML ya kisasa, kukumbusha falsafa nyuma ya upanuzi wa msingi katika miundo ya nyongeza ya jumla au ujifunzaji wa kipengele katika nyanja zilizoundwa.

Nguvu & Kasoro:
Nguvu: Njia hii ni inayoweza kufafanuliwa—unaweza kuona maneno gani ya polynomial yanafaa kwa hali gani ya hewa. Ni nyepesi zaidi kwa hesabu kuliko kufundisha makundi makubwa au mitandao ya neva kwa kila aina ya hali ya hewa. Vikwazo vinashinikiza ukweli wa kifizikia, hatua ambayo mara nyingi haipo katika miundo ya kusukumwa na data pekee. Kufanya vizuri kuliko RF na GBDT kwenye seti yake ya data ni matokeo yenye nguvu, kwani hizi ni viwango vikali.
Kasoro: Kikomo kikuu ni kutegemea uainishaji sahihi wa hali ya hewa wa wakati halisi, ambayo yenyewe ni tatizo la utabiri. Njia hii inaweza kukosa uwezo na hali ya hali ya hewa inayobadilika haraka au iliyochanganywa ambayo haijakamatwa vizuri katika kategoria za mafunzo. Zaidi ya hayo, ingawa ni bora kuliko viwango hapa, kiwango cha juu cha utendaji wa mwisho wa kielelezo cha mstari kwenye vipengele vilivyochaguliwa kunaweza kuwa cha chini kuliko kielelezo kamili kilichosanidiwa, chenye utata mkubwa kwa seti kubwa za data, kama inavyoonekana katika nyanja kama vile taswira ya kompyuta ambapo miundo kama CycleGAN (Zhu et al., 2017) hufanikiwa kwenye data ya pikseli ghafi bila uundaji wa kipengele wa mikono.

Ufahamu Unaoweza Kutekelezwa: Kwa watendaji wa tasnia, hitimisho ni wazi: Wekeza katika uhandisi wa kipengele kabla ya utata wa kielelezo. Kabla ya kuweka mtandao wa neva, jaribu upanuzi wa utaratibu wa ingizo zako kwa polynomial za orthogonal au maneno ya Fourier. Tekeleza miundo maalum ya hali ya hewa au hali maalum. Daima fikiria kuongeza vikwazo rahisi ili kusawazisha miundo na ujuzi wa eneo. Kwa watafiti, hatua inayofuata ni kuunganisha njia hii: tumia uundaji/uchaguzi wa kiotomatiki wa kipengele kama kichakataji cha ingizo kwa miundo iliyoboreshwa zaidi (k.m., vipengele vilivyochaguliwa vinakuwa ingizo kwa mtandao wa neva wa kurudia kwa uundaji wa mlolongo), au jumuisha hatua ya uainishaji wa hali ya hewa moja kwa moja katika mfumo wa kujifunza wa mwisho-hadi-mwisho.

7. Matumizi ya Baadaye & Mwelekeo wa Utafiti

• Ujumuishaji na Kujifunza kwa Kina: Tabaka la uundaji wa kipengele linaweza kujumuishwa kama tabaka maalum katika mtandao wa neva, na kuruhusu kielelezo kujifunza mchanganyiko bora wa kazi za msingi.
• Utabiri wa Uwezekano: Panua mfumo wa urejeshaji wenye vikwazo ili kutoa vipindi vya utabiri, muhimu kwa usimamizi wa mtandao unaotambua hatari. Mbinu kama urejeshaji wa Mchakato wa Gaussian na viini maalum vilivyochochewa na polynomial za Chebyshev vinaweza kuchunguzwa.
• Uhamishaji wa Ujifunzaji Katika Tovuti: Chunguza ikiwa muundo wa uchaguzi wa kipengele (polynomial gani ni muhimu kwa hali ya hewa ya "mawingu") unaweza kuhamishwa kati ya maeneo tofauti ya kijiografia yenye hali ya hewa sawa, na hivyo kupunguza mahitaji ya data kwa ufungaji mpya wa PV.
• Uchaguzi wa Kubadilika wa Wakati Halisi: Unda toleo la kujifunza mtandaoni la algorithm ambayo inaweza kubadilisha seti ya kipengele kwa nguvu kadri muundo wa hali ya hewa unavyobadilika, na kuacha vikundi vya aina ya hali ya hewa thabiti.
• Matumizi Mapana zaidi ya Nishati: Tumia falsafa sawa ya uundaji/uchaguzi wa kipengele kwa utabiri mwingine wa nishati endelevu isiyo thabiti, kama nguvu ya upepo, au kwa matatizo yanayohusiana kama utabiri wa mzigo wa nishati wa jengo.

8. Marejeo

1. Yang, Y., Mao, J., Nguyen, R., Tohmeh, A., & Yeh, H. (Mwaka). Feature Construction and Selection for PV Solar Power Modeling. Jina la Jarida/Mkutano.
2. Zhu, J., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. Proceedings of the IEEE International Conference on Computer Vision (ICCV).
3. Shirika la Kimataifa la Nishati (IEA). (2023). Renewables 2023: Uchambuzi na utabiri hadi 2028. Machapisho ya IEA. [Chanzo cha nje kuhusu ukuaji wa nishati endelevu]
4. Mason, K., & Ghanem, R. (2021). Kujifunza Kihisabati kwa Utabiri wa Nishati Endelevu. Wiley.
5. Maabara ya Kitaifa ya Nishati Endelevu (NREL). (n.d.). Utabiri wa Jua. Imepatikana kutoka https://www.nrel.gov/grid/solar-forecasting.html [Chanzo cha nje chenye mamlaka kuhusu utafiti wa utabiri wa jua]