پیش‌بینی کوتاه مدت توان فتوولتاییک در نیروگاه خورشیدی به کمک روشهای یادگیری ‏عمیق

امروزه افزایش‎ ‎روزافزون‎ ‎مصرف‎ ‎انرژی در جهان، محدود‎ ‎بودن‎ ‎سوختهای‎ ‎فسیلی و بالابودن میزان آلایندگی آنها، استفاده از انرژی های نو و تجدید ‏پذیر همانند انرژی خورشیدی، باد و گرمایی زمین را مورد توجه همگان قرار داده است. انرژی خورشیدی یکی از این انرژیها است که مزایای ‏متعددی از جمله نداشتن آلودگیهای صوتی و زیست محیطی و‎ ‎رایگان‎ ‎بودن‎ ‎انرژی‎ ‎اولیه دارد.‏‎ ‎با این وجود، میزان توان تولیدی فتوولتاییک در ‏نیروگاهها به علت وابسته بودن به شرایط مختلف از جمله وضعیت آب و هوایی قابل کنترل نیست. این در حالیست که به منظور فراهم آوردن ‏انرژی الکتریکی با کیفیت بالا برای مصرف‌کنندگان نهایی و بهبود قابلیت اطمینان سیستم، نیازمند پیش بینی دقیق آن هستیم. در این تحقیق ‏سه مدل برای پیش‌بینی کوتاه مدت توان خروجی یک نیروگاه پیشنهاد شده که مبتنی بر شبکه عصبی عمیق بوده و از نظر نوع ورودی ها و ‏ساختار شبکه با هم متفاوت هستند. مدلهای پیشنهادی در ساختارشان از شبکه حافظه کوتاه مدت طولانی (‏lstm‏) استفاده کرده و از توانهای ‏خروجی قبلی و پارامترهای آب و هوایی به عنوان ورودی بهره برده اند. آزمایشهای انجام شده نشان می‌دهد، استفاده از ورودی‌هایی مبتنی بر ‏شرایط آب و هوایی، در کنار توانهای خروجی قبلی منجر به افزایش دقت پیش‌بینی می‌شود. همچنین استفاده از ساختارهای پیچیده‌تر در شبکه، ‏به بهبود کارایی کمک می‌کند‎.‎

short-term photovoltaic power forecasting in a solar power plant based ‎on deep learning methods

nowadays, the rapidly growing energy consumption in the world along with the shortage of ‎‎fossil ‎‎fuels and their high ‎environmental pollution has led to increased attention to renewable ‎‎energies such ‎as solar, wind, and geothermal ‎energies. ‎among these, solar energy has many ‎advantages such as no ‎ecological and ‎noise ‎pollution and free use. ‎however, photovoltaic power ‎plant output, due to its ‎dependency on solar irradiance and other weather ‎‎conditions, has ‎‎uncontrollable uncertainty. ‎therefore, for providing high-quality electric energy for ‎end-consumers and enhancing the ‎reliability of ‎the system, photovoltaic power output needs to be predicted ‎‎accurately. the aim of this paper is to ‎‎address this issue ‎by proposing three short-term photovoltaic power-forecasting models based on ‎deep-learning neural ‎‎networks, which differ in terms of input types and network structures. the proposed ‎models use ‎long short-term ‎memory (lstm) in their structures and historical power outputs and ‎weather conditions as their ‎inputs to forecast one-‎hour-ahead pv power. ‎conducted experiments show ‎that employing weather ‎conditions, in addition to ‎the historical ‎‎output powers, increases the prediction ‎accuracy. moreover, ‎utilizing more complicated ‎network ‎structures leads to ‎performance improvements.‎