بهینه‌سازی پیش‌بینی تابش خورشیدی بر اساس بستر اینترنت اشیاء در نیروگاه فوتولتائیک
الموضوعات :
ندا اشرفی خوزانی
1
,
مریم محمودی
2
,
شبنم نصر اصفهانی
3
1 - دانشکده مهندسی کامپیوتر، واحد میمه، دانشگاه آزاد اسلامی، میمه، ایران
2 - دانشکده مهندسی کامپیوتر، واحد میمه، دانشگاه آزاد اسلامی، میمه، ایران
3 - دانشکده مهندسی برق، واحد میمه، دانشگاه آزاد اسلامی، میمه، ایران
الکلمات المفتاحية: الگوریتم خفاش, اينترنت اشياء, درخت تصميم, نيروگاه‌هاي فتوولتائيک, يادگيري ماشين,
ملخص المقالة :
ارامتر مقدار تابش خورشيدي يکي از مهم‌ترين پارامترها در تعيين مقدار توان خروجي پنل‌هاي فتوولتائيک است. پيش¬بيني دقيق اين پارامتر براي برنامه¬ريزي در واحدهاي دیسپچینگ(Dispatching ) و مديريت بار از اهميت ويژه‌اي برخوردار است. عدم قطعيت در ميزان تابش خورشيدي و سختي پيش‌بيني آن، طراحان را با چالش‌هاي اقتصادي و مديريتي مواجه مي‌کند. در اين پژوهش يک روش پيش‌بيني با دقت بالا با استفاده از روش‌هاي مبتني بر درخت و بهبود عملکرد اين روش‌ها به کمک الگوريتم‌هاي فرا ابتکاري ارائه مي‌شود. تأکید اصلي در روش پيشنهادي عدم بيش-برازش و قابليت اتکاي بالا و قابليت به‌کارگيري در سيستم‌هاي اينترنت اشياء است. بنابراین، الگوريتم‌هاي فراابتکاري در بهينه‌سازي روش‌هاي مبتني بر درخت و همینطور در انتخاب ويژگي و انتخاب نمونه‌ها نيز دخيل شده‌اند. لذا استفاده از روش‌هاي فراابتکاري به عنوان جنبه‌ي نوآوري اصلي اين پژوهش، نه تنها استفاده براي به دست آوردن تنظيمات بهينه‌ي مدل‌هاي يادگيري ماشين بلکه در کاهش اثر نويزها، داده‌هاي پرت(Outlier) و ورودي‌هاي کم‌اثر نيز به بهبود کيفيت خروجي نهايي کمک کرده است. به علاوه مناسب‌سازي نتايج پيش‌بيني براي استفاده عملي در محيط نيروگاه‌هاي فتوولتائيک موضوع پراهميتي است. اين موضوع که از طريق تابع برازش نوآورانه اين پژوهش در بهينه‌سازي مدل‌ها انجام پذيرفته است، باعث مي‌شود که خروجي نهايي علاوه بر دقت بالا از نظر سهولت پياده‌سازي در محيط‌هاي واقعي نيروگاه‌هاي فتوولتائيک نيز بهينه باشد. خروجي نهايي، يک مدل قوي است که با معيار مربع-R داراي امتياز95/0 است و از نظر سادگي تا حد زيادي بهينه است.
Accurate prediction of the amount of solar radiation as an important parameter in determining the amount of output power of photovoltaic panels.
Optimization of tree-based models by meta-heuristic algorithms for modeling the amount of solar radiation parameter.
Maintaining the balance between the accuracy of the model and its simplicity and ability to be implemented in Internet of Things devices has been optimized.
In the end, a strong model that has a score of 0.95 with the R-square criterion was obtained in this research.
The final model can be implemented in the environment of power plants based on the Internet of Things.
[1] N. M. Kumar, K. Atluri and S. Palaparthi, “Internet of Things (IoT) in Photovoltaic Systems,” National Power Engineering Conference (NPEC), 2018, pp. 1-4, doi: 10.1109/NPEC.2018.8476807.
[2] A. Mellit, M. Menghanem and M. Bendekhis, “Artificial neural network model for prediction solar radiation data: application for sizing stand-alone photovoltaic power system,” IEEE Power Engineering Society General Meeting, 2005, San Francisco, CA, USA, 2005, pp. 40-44 Vol. 1, doi: 10.1109/PES.2005.1489526.
[3] A. Angstrom, “Solar and terrestrial radiation: Report to the international commission for solar research on actinometric investigations of solar and atmospheric radiation,” Quarterly Journal of the Royal Meteorological Society, 1924, pp. 121-126,1924, doi:10.1002/qj.49705021008.
[4] J. Prescott, “Evaporation from a water surface in relation to solar radiation,” Transactions of the Royal Society of South Australia, vol. 64, pp 114-118, 1940, doi: 10.4236/epe.2017.912045.
[5] A. A. Trabea and M.M. Shaltout, “Correlation of global solar radiation with meteorological parameters over Egypt,” Renewable Energy, vol. 21, pp. 297-308, Oct. 2000, doi:10.1016/S0960-1481(99)00127-5.
[6] D.Yeboah-Amankwah and K.Agyeman, “Differential Ångstrom model for predicting insolation from hours of sunshine,” Solar Energy, vol. 45, pp. 371-377, 1990, doi:10.1016/0038-092X(90)90158-9.
[7] H. Ninomiya, “Study on application of amedas meteorological data to the simulation of building heat environment,” University of Tokyo, 1994.
[8] J. C . Cao and S. H. Cao, “Study of forecasting solar irradiance using neural networks with preprocessing sample data by wavelet analysis,” Energy, vol. 31, pp. 3435-3445, Dec. 2006, doi: 10.1016/j.energy.2006.04.001.
[9] X. Qing and Y. Niu, “Hourly day-ahead solar irradiance prediction using weather forecasts by LSTM,” Energy, vol. 148, pp. 461-468, Apr. 2018, doi: 10.1016/j.energy.2018.01.177.
[10] D. Pothineni, M. R. Oswald, J. Poland and M. Pollefeys,“KloudNet: Deep Learning for Sky Image Analysis and Irradiance Forecasting,” German Conference on Pattern Recognition, 2018, pp. 535-551, doi:10.1007/978-3-030-12939-2_37.
[11] J. Lago, K. D. Brabandere, F. D. Ridder and B. D. Schuttera, “Short-term forecasting of solar irradiance without local telemetry: A generalized model using satellite data,” SolarEnergy, vol. 173, pp. 566-577, Oct. 2018, doi: 10.1016/j.solener.2018.07.050.
[12] N. Dong, J. F. Chang, A. G. Wu and Z. K. Gao, “A novel convolutional neural network framework based solar irradiance prediction method,” International Journal of Electrical Power & Energy Systems, vol. 114, pp. 1-19, Jan. 2020, doi: 10.1016/j.ijepes.2019.105411.
[13] N. Sharma, P. Sharma, D. Irwin and P. Shenoy, “Predicting solar generation from weather forecasts using machine learning,” IEEE International Conference on Smart Grid Communications (SmartGridComm), 2011, pp. 528-533, doi: 10.1109/SmartGridComm.2011.6102379.
[14] P. J. M. Ali and R. H. Faraj, “Data normalization and standardization: a technical report,” Mach. Learn. Tech. Rep., vol. 1, no. 1, pp. 1-6, 2014, doi: 10.13140/RG.2.2.28948.04489.
[15] Y.-Y. Song and L. Ying, “Decision tree methods: applications for classification and prediction,” Shanghai archives of psychiatry, vol. 27, no. 2, pp. 130-135, Apr. 2015, doi: 10.11919/j.issn.1002-0829.215044.
[16] N. Bhargava, G. Sharma, R. Bhargava and M. Mathuria, “Decision tree analysis on j48 algorithm for data mining,” Intrenational Journal of Advanced Research in Computer Science and Software Engineering, vol. 3, no. 6, 2013.
[17] D. Borup, B.J. Christensen, N.S. Mühlbach and M.S. Nielsen, “Targeting predictors in random forest regression,” International Journal of Forecasting, vol. 39, pp. 841–868, 2023, doi:10.1016/j.ijforecast.2022.02.010.
[18] Y. Li et al., “Random forest regression for online capacity estimation of lithium-ion batteries,” Applied energy, vol. 232, pp. 197-210, Dec. 2018, doi: 10.1016/j.apenergy.2018.09.182.
[19] R. Seyghaly, J. Garcia, X. Masip-Bruin and M. M. Varnamkhasti, “Interference Recognition for Fog Enabled IoT Architecture using a Novel Tree-based Method,” IEEE International Conference on Omni-layer Intelligent Systems (COINS), 2022, pp. 1-6, doi: 10.1109/COINS54846.2022.9854944.
[20] G. Sembina, “Building a scoring model using the ADABOOST ensemble model,” International Conference on Smart Information Systems and Technologies (SIST), 2022, doi:10.1109/sist54437.2022.9945713.
[21] D. P. Solomatine and D. L. Shrestha, “AdaBoost.RT: a boosting algorithm for regression problems,” IEEE International Joint Conference on Neural Networks (IEEE Cat. No.04CH37541), Budapest, Hungary, 2004, pp. 1163-1168 vol.2, doi: 10.1109/IJCNN.2004.1380102.
[22] X. S. Yang, “A New Metaheuristic Bat-Inspired Algorithm,” Nature Inspired Cooperative Strategies for Optimization (NICSO 2010), vol. 284, pp. 65–74, 2010, doi: 10.1007/978-3-642-12538-6_6.
[23] M.Banerjee, “Cook's distance in linear longitudinal models,” Communications in Statistics-Theory and Methods, vol. 27, pp. 2973-2983, 1998, doi: 10.1080/03610929808832267.
[24] J. Carmona, I. Lopez, J. Mateo, L. Jimenez and E. Aldana, “A distance-based method for outlier detection on high dimensional datasets,” IEEE Latin America Transactions, vol. 18, pp. 589–597, 2020, doi:10.1109/tla.2020.9082731.
[25] E. -S. M. El-Kenawy et al., “Advanced Ensemble Model for Solar Radiation Forecasting Using Sine Cosine Algorithm and Newton’s Laws,” in IEEE Access, vol. 9, pp. 115750-115765, 2021, doi: 10.1109/ACCESS.2021.3106233.
