Mkusanyiko wa Msitu wa Nasibu wa Mifano ya Urejeshaji wa Vekta ya Usaidizi kwa Utabiri wa Nguvu ya Jua

Yaliyomo

1. Utangulizi & Muhtasari

Karatasi hii, "Mkusanyiko wa Msitu wa Nasibu wa Mifano ya Urejeshaji wa Vekta ya Usaidizi kwa Utabiri wa Nguvu ya Jua," inakabiliana na changamoto muhimu katika mifumo ya kisasa ya umeme: kutokuwa na uhakika na kutokuwa thabiti kwa uzalishaji wa nishati ya jua (PV). Kadiri ushirikishwaji wa nishati mbadala kwenye mtandao wa umeme unavyoongezeka, utabiri sahihi unakuwa muhimu sana kwa kudumisha utulivu, kuboresha hifadhi ya uendeshaji, na kuwezesha shughuli bora za soko. Waandishi wanapendekeza mfano mseto mpya wa hatua mbili unaotumia uwezo wa mbinu mbili zilizothibitishwa za kujifunza mashine: Urejeshaji wa Vekta ya Usaidizi (SVR) kwa kutoa utabiri wa awali, na Msitu wa Nasibu (RF) kama mtaalamu-mtaalamu wa mkusanyiko ili kuunganisha na kuboresha utabiri huu.

Ubunifu mkuu upo katika kutumia RF si kwa kuchakata data ya hali ya hewa ya awali, bali kufanya usindikaji wa baadae au muunganiko wa utabiri. Mkusanyiko wa RF huingiza utabiri kutoka kwa mifano mbalimbali ya SVR (kwa kutumia utabiri wa sasa na uliopita) pamoja na data muhimu ya hali ya hewa ili kutoa utabiri bora, uliojumuishwa wa nguvu ya jua wa siku inayofuata. Mbinu hii inapita zaidi ya wastani rahisi au kuchanganya data ya hali ya hewa, ikilenga kukamata mwingiliano tata, usio na mstari kati ya mtiririko tofauti wa utabiri.

2. Mbinu & Mfumo wa Kiufundi

2.1 Mifano ya Msingi ya Kujifunza Mashine

Urejeshaji wa Vekta ya Usaidizi (SVR): SVR inatumika kama mtabiri wa msingi. Inafanya kazi kwa kupata kitendakazi $f(x) = w^T \phi(x) + b$ kinachotofautiana na malengo halisi $y_i$ kwa zaidi ya thamani $\epsilon$ (bomba lisilohisi epsilon), huku kikiwa bapa iwezekanavyo. Hii imeundwa kama shida bora ya mseto, na kufanya iwe imara dhidi ya kufundishwa kupita kiasi, hasa kwa data yenye mwelekeo mwingi kama vipengele vya hali ya hewa na nguvu ya kihistoria vilivyounganishwa.

Msitu wa Nasibu (RF): RF inatumika kama kichanganyaji cha mkusanyiko. Inafanya kazi kwa kujenga idadi kubwa ya miti ya uamuzi wakati wa mafunzo na kutoa utabiri wa wastani (kwa urejeshaji) wa miti ya mtu binafsi. Uwezo wake wa asili wa kushughulikia uhusiano usio na mstari, kupanga umuhimu wa kipengele, na kutoa uthabiti dhidi ya kelele, hufanya kuwa bora kwa kutambua ni utabiri upi wa SVR (na chini ya hali gani) unaaminika zaidi.

2.2 Usanifu wa Mkusanyiko Mseto

Usanifu uliopendekezwa ni mkusanyiko uliokusanywa:

1. Kiwango cha 1 (Watabiri wa Msingi): Mifano mbalimbali ya SVR hufundishwa, kwa uwezekano kwa kutumia vigezo tofauti vya juu, seti za vipengele vya ingizo (mfano, nguvu iliyochelewa, joto, mnururisho), au dirisha la mafunzo. Kila moja hutoa utabiri wa siku inayofuata.
2. Kiwango cha 2 (Mtaalamu-Mtaalamu): Mfano wa Msitu wa Nasibu hufundishwa. Ingizo lake (vipengele) ni utabiri kutoka kwa mifano yote ya SVR ya Kiwango-1 kwa hatua ya wakati lengwa, pamoja na data halisi ya hali ya hewa (matokeo ya NWP) kwa kipindi hicho. Matokeo yake (lengo) ni nguvu halisi ya jua iliyozingatiwa. RF hujifunza kupima na kuunganisha utabiri wa SVR kwa njia bora kulingana na muktadha wa hali ya hewa uliopo.

Mbinu hii ni ya kisasa zaidi kuliko wastani wa kawaida wa mfano, kwani RF inaweza kujifunza uzani unaotegemea muktadha, na kufanya kwa ufanani uteuzi na urekebishaji mwerevu wa utabiri.

3. Usanidi wa Majaribio & Matokeo

3.1 Seti ya Data na Vipimo vya Tathmini

Utafiti uwezekano hutumia data ya kihistoria ya mwaka mmoja kutoka kwa mfumo wa PV ya jua, ikijumuisha pato la nguvu na vigezo vinavyolingana vya hali ya hewa (mnururisho wa jua, joto, funga la mawingu). Data ya Utabiri wa Hali ya Hewa ya Nambari (NWP) hutumika kama ingizo la msingi kwa utabiri wa siku inayofuata. Utendaji hutathminiwa kwa kutumia vipimo vya kawaida vya makosa kama Kosa la Mzizi wa Mraba wa Wastani (RMSE), Kosa la Wastani la Thamani Kamili (MAE), na uwezekano wa Kosa la Wastani la Asilimia ya Thamani Kamili (MAPE), ikilinganisha mfano mseto dhidi ya mifano ya mtu binafsi ya SVR na mbinu nyingine za kuchanganya za kiwango cha kulinganisha (mfano, wastani rahisi, urejeshaji wa mstari wenye uzani).

3.2 Uchambuzi wa Utendaji na Ulinganisho

Karatasi huripoti kuwa mkusanyiko wa RF-SVR unafanya vizuri zaidi kuliko mifano yake ya SVR na mbinu nyingine za kuchanganya katika kipindi cha tathmini cha mwaka. Hii inaonyesha kuwa mkakati wa muunganiko usio na mstari wa RF unafanikiwa kukamata mwingiliano ambao wachanganyaji wa mstari wanaukosa. Matokeo yanathibitisha dhana kwamba muunganiko wa utabiri kupitia mtaalamu-mtaalamu mwenye nguvu unaweza kutoa ishara ya ziada ya utabiri kutoka kwa mkusanyiko wa utabiri tofauti lakini yanayohusiana.

Maelezo ya Chati (Dhana): Chati ya baa ingeonyesha thamani za RMSE/MAE kwa: a) Mfano wa Kudumu, b) Mfano bora wa SVR mmoja, c) Wastani wa mifano ya SVR, d) Muunganiko wa urejeshaji wa mstari, e) Mkusanyiko uliopendekezwa wa RF-SVR. Baa ya RF-SVR ingekuwa fupi zaidi, ikionyesha usahihi bora. Chati ya mstari ya ziada inaweza kuonyesha utabiri dhidi ya nguvu halisi kwa wiki inayowakilisha, ikionyesha wapi mkusanyiko unarekebisha makosa yaliyofanywa na mifano ya mtu binafsi.

4. Uchambuzi Muhimu na Mtazamo wa Sekta

Ufahamu Mkuu: Kazi ya Abuella na Chowdhury ni jitihada ya vitendo, inayolenga uhandisi, sio uvumbuzi wa kinadharia. Inatambua kuwa katika ulimwengu halisi wenye utata wa utabiri wa jua, hakuna mfano mmoja "bora". Badala ya kutafuta "farasi wa ajabu", wanaweka "kamati ya wataalamu" (SVR nyingi) na "mwenyekiti mwerevu" (Msitu wa Nasibu) ili kutoa jibu bora iwezekanavyo. Hii siyo kuhusu kuunda AI mpya, bali ni kuhusu kuongoza kwa werevu zana zilizopo, zilizojaribiwa—ishara ya ukomavu katika ML inayotumika kwa mifumo ya nishati.

Mtiririko wa Mantiki na Nguvu: Mantiki ni sahihi na inafanana na mazoea bora katika mashindano ya ML (kama GEFCom2014 iliyotajwa). Nguvu yake iko katika urahisi na uwezekano wa kurudiwa. SVR na RF zinapatikana kwa upana, zinaeleweka vizuri, na ni rahisi kurekebisha ikilinganishwa na njia mbadala za kujifunza kina. Mchakato wa hatua mbili pia hutoa ufafanuzi: umuhimu wa kipengele cha RF unaweza kufunua ni mfano upi wa SVR (au kigezo cha hali ya hewa) kina ushawishi mkubwa chini ya hali maalum, na kutoa ufahamu wa thamani wa uendeshaji zaidi ya nambari ya utabiri ya kisanduku nyeusi.

Kasoro na Vikwazo: Tuwe wazi: huu ni mbinu ya 2017. Usanifu kwa asili ni wa mfululizo na tuli. Mifano ya SVR imewekwa kabla ya RF kufundishwa, na hivyo kupoteza fursa ya urekebishaji wa mwisho-hadi-mwisho ambao mkusanyiko wa kisasa wa kujifunza kina (mfano, kutumia mitandao ya neva kama wanafunzi wa msingi na wataalamu-mtaalamu) unaweza kutoa. Pia uwezekano unahitaji uhandisi mkubwa wa vipengele na inaweza kukabiliana na data ya mzunguko wa juu sana au kukamata utegemezi tata wa nafasi na wakati kwenye makundi ya PV yaliyosambazwa—changamoto ambapo Mitandao ya Neva ya Grafu (GNN) sasa inaonyesha ahadi, kama inavyoonekana katika fasihi ya hivi karibuni kutoka taasisi kama Maabara ya Kitaifa ya Nishati Mbadala (NREL).

Ufahamu Unaoweza Kutekelezwa: Kwa timu za utabiri za huduma, karatasi hii bado ni mchoro wa ushindi wa haraka. Kabla ya kuzama katika kujifunza kina changamano, tekeleza mkusanyiko huu wa RF-juu-ya-SVR. Ni mradi wenye hatari ndogo na uwezekano mkubwa wa kurudi. Ufahamu halisi ni kuchukulia safu ya "muunganiko wa utabiri" kama sehemu muhimu ya mfumo. Wekeza katika kuunda seti tofauti ya utabiri wa msingi (kwa kutumia algoriti tofauti, vyanzo vya data, na mifano yenye maelezo ya fizikia) na kisha tumia kichanganyaji kisicho na mstari chenye nguvu kama RF au Uboreshaji wa Mwinuko. Mbinu hii ya moduli inalinda mfumo wako wa siku zijazo; unaweza kubadilisha mifano mipya ya msingi (kama LSTM au Transformer) kadri inavyothibitisha thamani yake, huku ukibaki na mfumo thabiti wa muunganiko.

5. Maelezo ya Kiufundi na Muundo wa Hisabati

Muundo wa SVR: Kwa kuzingatia data ya mafunzo ${(x_1, y_1), ..., (x_n, y_n)}$, SVR inatatua: $$\min_{w, b, \xi, \xi^*} \frac{1}{2} ||w||^2 + C \sum_{i=1}^n (\xi_i + \xi_i^*)$$ chini ya masharti: $$y_i - (w^T \phi(x_i) + b) \le \epsilon + \xi_i,$$ $$(w^T \phi(x_i) + b) - y_i \le \epsilon + \xi_i^*,$$ $$\xi_i, \xi_i^* \ge 0.$$ Hapa, $\phi(x)$ inaelekeza kwenye nafasi yenye mwelekeo mwingi, $C$ ni kigezo cha kawaida, na $\xi_i, \xi_i^*$ ni vigezo vya ulegevu.

Utabiri wa Msitu wa Nasibu: Kwa urejeshaji, utabiri wa RF $\hat{y}_{RF}$ kwa vekta ya ingizo $\mathbf{z}$ (ambayo ina utabiri wa SVR na data ya hali ya hewa) ni wastani wa utabiri kutoka kwa miti $B$ ya mtu binafsi: $$\hat{y}_{RF}(\mathbf{z}) = \frac{1}{B} \sum_{b=1}^{B} T_b(\mathbf{z})$$ ambapo $T_b$ ni mti wa $b$-th wa uamuzi.

6. Mfumo wa Uchambuzi: Mfano wa Dhana

Hali: Mwendeshaji wa mtandao wa kikanda anahitaji kuunganisha utabiri kutoka kwa mifumo 50 ya PV ya paa iliyosambazwa.

Utumiaji wa Mfumo:

1. Safu ya Msingi (Mifano ya SVR): Fundisha mifano mitatu ya SVR kwa kila tovuti (au mfano wa kimataifa):
   • SVR_Phys: Hutumia data ya NWP (mnururisho, joto) kama vipengele vikuu.
   • SVR_TS: Inalenga vipengele vya mfululizo wa wakati (nguvu iliyochelewa, siku ya wiki, saa ya siku).
   • SVR_Hybrid: Hutumia seti ya vipengele vilivyounganishwa.
2. Safu ya Mtaalamu-Mtaalamu (Msitu wa Nasibu): Kwa saa lengwa kesho, ingizo kwa RF ni vekta: $\mathbf{z} = [\hat{P}_{SVR\_Phys}, \hat{P}_{SVR\_TS}, \hat{P}_{SVR\_Hybrid}, GHI_{NWP}, Temp_{NWP}, CloudCover_{NWP}]$. RF, iliyofundishwa kwenye data ya kihistoria, inatoa utabiri wa mwisho uliojumuishwa $\hat{P}_{Final}$.
3. Matokeo: Utabiri sahihi zaidi na wenye uthabiti. Uchambuzi wa umuhimu wa kipengele cha RF unaweza kufunua kuwa siku zenye mawingu, mfano wa mfululizo wa wakati (SVR_TS) hupata uzito mdogo, wakati mfano wenye maelezo ya fizikia (SVR_Phys) na data ya funga la mawingu vinakuwa muhimu zaidi.

Mfumo huu hutoa njia ya kimfumo, ya kiotomatiki ya kutumia utofauti wa mfano.

7. Matumizi ya Baadaye na Mwelekeo wa Utafiti

Kanuni za kazi hii zinapanuka zaidi ya utabiri wa jua:

• Utabiri wa Nguvu ya Upepo: Utumiaji wa moja kwa moja kwa kutumia mkusanyiko wa mifano tofauti ya utabiri wa kasi ya upepo.
• Utabiri wa Mzigo: Kuunganisha utabiri kutoka kwa mifano ya mzigo ya kiuchumi, mfululizo wa wakati, na kujifunza mashine.
• Utabiri wa Uwezekano: Kukuza kichanganyaji cha RF ili kutokeza vipindi vya utabiri (mfano, kwa kutumia misitu ya urejeshaji ya quantile) badala ya utabiri wa nukta tu, ambayo ni muhimu kwa shughuli za mtandao zenye ufahamu wa hatari.
• Ushirikiano na Kujifunza Kina: Kubadilisha SVR na LSTM au Vigeuzi vya Muunganiko wa Wakati kama wanafunzi wa msingi, na kutumia Mtandao wa Neva kama mtaalamu-mtaalamu, uliofundishwa mwisho-hadi-mwisho. Utafiti katika mwelekeo huu unaendelea, kama inavyoonekana katika karatasi kutoka kwenye makongamano ya kiwango cha juu kama NeurIPS na ICLR.
• Kompyuta ya Ukingo kwa PV Iliyosambazwa: Kuweka toleo nyepesi la mfumo huu wa mkusanyiko kwa utabiri wa wakati halisi katika kiwango cha kigeuzi au mkusanyaji.

Siku zijazo ziko katika mkusanyiko wenye nguvu, unaobadilika ambao unaweza kujifunza na kusasisha uzani wa muunganiko karibu na wakati halisi kadri data mpya na utendaji wa mfano unavyoingia.

8. Marejeo

1. Abuella, M., & Chowdhury, B. (2017). Random Forest Ensemble of Support Vector Regression Models for Solar Power Forecasting. Katika Proceedings of Innovative Smart Grid Technologies, North America Conference.
2. Hong, T., Pinson, P., & Fan, S. (2016). Global Energy Forecasting Competition 2014. International Journal of Forecasting, 32(2), 896-913.
3. Maabara ya Kitaifa ya Nishati Mbadala (NREL). (2023). Utabiri wa Jua. Imepatikana kutoka https://www.nrel.gov/grid/solar-forecasting.html
4. Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5-32.
5. Smola, A. J., & Schölkopf, B. (2004). A tutorial on support vector regression. Statistics and Computing, 14(3), 199-222.
6. Zhu, J.-Y., 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). (Imetajwa kama mfano wa mifumo ya hali ya juu, isiyo na mstari ya kujifunza).
7. Utafiti wa hivi karibuni kwenye Mitandao ya Neva ya Grafu kwa utabiri wa nafasi na wakati katika mifumo ya umeme (mfano, kutoka kwa jalada la IEEE PES GM).