Multi-objective evolutionary optimization of prediction intervals for solar energy forecasting with neural networks

در زمینه پیش بینی انرژی تجدید پذیر، پیش بینی دقیق پیش بینی دقیق است، اما همچنین در مورد عدم قطعیت پیش بینی اطلاعات مهم است. به این ترتیب، به جای ارائه یک اقدام واحد برای پیش بینی، حد پایین و بالایی برای مقدار مورد انتظار برای تابش خورشید (فاصله پیش بینی) استفاده می شود. این برآورد فواصل پیش بینی بهینه نیاز به بهینه سازی همزمان دو اندازه گیری عینی دارد: از یک سو مهم است که احتمال پوشش بازه به عنوان یک حد ممکن نزدیک به یک مقدار هدف مشخص شده باشد. از سوی دیگر، به منظور عدم قطعیت، فواصل باید باریک باشند؛ این بدان معنی است که بین هر دو هدف، یک معامله بین دو طرف وجود دارد، زیرا فواصل باریک احتمال پوشش برای این راه حل ها را کاهش می دهد، زیرا مقدار واقعی تابش خورشیدی احتمالا خارج از حاشیه پیش بینی شده است. در این مقاله، یک رویکرد تکاملی چند هدفه ای ارائه می کنیم که می تواند به طور همزمان هر دو هدف را بهینه سازد. پیشنهادی از شبکه های عصبی برای ایجاد مدل های غیر خطی پیچیده استفاده می کند که خروجی های آن محدودیت های فوقانی و پایین تر از فواصل پیش بینی است. نتایج با یک بهینه سازی تک هدف از معماری های شبکۀ عصبی مشابه و یک الگوریتم ابتدایی (تخمین چیلیل با افزایش شیب) مقایسه شده است. نتایج نشان می دهد که شبکه عصبی قادر به ارائه نتایج دقیق است. همچنین، رویکرد چند هدفه می تواند بهترین نتایج را به دست آورد و همچنین مزیت آن این است که یک اجرا تنها می تواند فواصل پیش بینی برای هر احتمال پوشش هدف را بدست آورد.