کد مقاله کد نشریه سال انتشار مقاله انگلیسی ترجمه فارسی نسخه تمام متن
299854 1431612 2016 12 صفحه PDF 22 صفحه WORD دانلود کنید
عنوان انگلیسی مقاله
Machine learning for solar irradiance forecasting of photovoltaic system
ترجمه فارسی عنوان
فراگیری ماشین برای پیش بینی تابش خورشیدی سیستم فتوولتائیک
کلمات کلیدی
نیروگاه مجازی، بهینه سازی انرژی قابل تجدید، الگوریتم ژنتیک، مدل مخفی مارکف، رگرسیون SVM، شبکه عصبی
فهرست مطالب مقاله
چکیده

کلمات کلیدی

1.مقدمه

2. پلت فرم پیش بینی تابش خورشیدی

شکل 1: پلت فرم پیش بینی وضع آب و هوا

3.داده های BOM

4- الگوریتم پیش بینی تابش خورشیدی کوتاه مدت براساس داده های BOM

4-1 پیش بینی بر اساس مدل پنهان مارکوف

4-1-1 مدل مخفی مارکف

شکل 2 : نمونه ای از داده های BOM

شکل 3: نمونه ای از داده های تابش

4-1-2 مدل مخفی مارکوف برای پیش بینی تابش خورشید

شکل 4: نمونه ای از HMM با پنج سنسور را به عنوان حالت مشاهده (بالای خط چین) و چهار حالت پنهان (زیر خط چین) نشان می دهد.

شکل 5: پارامترهای پیش بینی

4-2 پیش بینی بر اساس رگرسیون گرادیان تابش با استفاده از SVM

4-2-1 بردار پشتیبان ماشین

شکل 6: حل SVM دسته بندی باینری، جدا کردن گوی های قرمز از آبی. (برای تفسیر رنگها خواننده به نسخه وب این مقاله رجوع نماید.)

شکل 7: SVR فیت شده به لوله ای با شعاع داده های ε و متغیرهای کمکی مثبت 

شکل 8: داده های آموزشی برای گراديان رگرسيون تابش.

شکل9: رگرسیون تابش داده های آموزشی

شکل 10. تابش پیش بینی شده بر اساس HMM

4-2-2 رگرسیون تابش خورشیدی با استفاده از SVM

4-2-3پیش بینی تابش خورشیدی بر اساس گرادیان رگرسیون تابش 

5- نتایج تجربی

5-1 پیش بینی بر اساس HMM

5-2 پیش بینی بر اساس رگرسیون گرادیان تابش با استفاده از SVM

جدول 1:  پیش بینی بر اساس روش HMM  با دقت بیش از 90%

5-3 خلاصه مقایسه الگوریتم های پیش بینی رگرسیون HMM و SVM

شکل 11: نتایج پیش بینی تابش بر اساس رگرسیون گرادیان مبتنی بر روش SVM

جدول 2: پیش بینی مبتنی بر روش SVM با دقت بیش از 90%

جدول 3: پیش بینی مبتنی بر روش SVM و HMM با دقت بیش از 90%

6. نتیجه گیری

شکل 12: پیش بینی تابش مبتنی بر روش HMM  (چپ) و روش   SVM  (راست) برای 1 مارس 2012

شکل 13: پیش بینی تابش مبتنی بر روش HMM  (چپ) و روش   SVM  (راست) برای 2 مارس 2012 (کاربر محترم توضیحات نمودارها کاملا با توضیحات نمودار 12 یکسان است)

شکل 14: پیش بینی تابش مبتنی بر روش HMM  (چپ) و روش   SVM  (راست) برای 10 مارس 2012 (کاربر محترم توضیحات نمودارها کاملا با توضیحات نمودار 12 یکسان است)

 
ترجمه چکیده
تولید برق فتوولتائیک، یک منبع انرژی تجدید پذیر است و تعداد زیادی از سیستم های فتوولتائیک نسبتا کوچک در سراسر جهان گسترش یافته اند. فتوولتائیک امروزه به طور گسترده توسط تولید کننده های برق، شرکت های ارائه دهنده خدمات(آب، برق و گاز) و اپراتورهای مستقل سیستم شناخته شده که تنها از طریق پیش بینی، ارتباطات و کنترل پیشرفته، این منابع توزیع می توانند به طور جمعی یک ظرفیت تولیدی را به بازار برق ارائه دهند. یکی از چالش های تحقق چنین هدفی، پیش بینی دقیق خروجی سیستم های فتوولتائیک است که توسط بسیاری از عوامل تحت تاثیر قرار می گیرد. در این مقاله، الگوریتم های پیش بینی کوتاه مدت تابش خورشیدی بر اساس روش های فراگیری ماشین، مدل مخفی مارکوف و رگرسیون SVM معرفی می شود. یک سری از ارزیابی های تجربی برای تجزیه و تحلیل نسبی عملکرد این تکنیک ها برای نشان دادن اهمیت-شان ارائه شده است. رابط کاربری Matlab، پلت فرم پیش بینی آب و هوا، برای این ارزیابی استفاده شده است. آزمایش ها با استفاده از مجموعه داده های تولید شده توسط اداره هواشناسی استرالیا انجام می شود. نتایج تجربی نشان می دهد که الگوریتم های پیش بینی مبتنی بر فراگیری ماشین در پروژه حاضر دقیقا می تواند تابش خورشید در شرایط مختلف هوایی در 5 تا 30 دقیقه آینده را پیش بینی کند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی های تجدید پذیر، توسعه پایدار و محیط زیست
چکیده انگلیسی


• Photovoltaic (PV) generation is an important renewable energy source, and PV systems are proliferating around the world.
• Advanced forecasting, communication and control are needed to provide a firm generation capacity to the electricity market.
• One of the challenges of realizing such a goal is the precise forecasting of the output of individual photovoltaic systems.
• This paper introduces short-term solar irradiance forecasting algorithms based on Hidden Markov Model and SVM regression.
• Our algorithms can precisely predict future 5–30 min solar irradiance under different weather conditions.

Photovoltaic generation of electricity is an important renewable energy source, and large numbers of relatively small photovoltaic systems are proliferating around the world. Today it is widely acknowledged by power producers, utility companies and independent system operators that it is only through advanced forecasting, communications and control that these distributed resources can collectively provide a firm, dispatchable generation capacity to the electricity market. One of the challenges of realizing such a goal is the precise forecasting of the output of individual photovoltaic systems, which is affected by a lot of factors. This paper introduces our short-term solar irradiance forecasting algorithms based on machine learning methodologies, Hidden Markov Model and SVM regression. A series of experimental evaluations are presented to analyze the relative performance of the techniques in order to show the importance of these methodologies. The Matlab interface, the Weather Forecasting Platform, has been used for these evaluations. The experiments are performed using the dataset generated by Australian Bureau of Meteorology. The experimental results show that our machine learning based forecasting algorithms can precisely predict future 5–30 min solar irradiance under different weather conditions.

ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Renewable Energy - Volume 90, May 2016, Pages 542–553
نویسندگان
, , , , ,