فراگیری ماشین برای پیش بینی تابش خورشیدی سیستم فتوولتائیک

قیمت: 44,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

فراگیری ماشین برای پیش بینی تابش خورشیدی سیستم فتوولتائیک

عنوان لاتین

Machine learning for solar irradiance forecasting of photovoltaic system

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.

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 5e30 min solar irradiance under different weather conditions.