بهینه ‌سازی پیش‌ بینی تابش خورشیدی بر اساس بستر اینترنت اشیاء در نیروگاه فوتولتائیک

پارامتر مقدار تابش خورشیدی یکی از مهم‌ترین پارامترها در تعیین مقدار توان خروجی پنل‌های فتوولتائیک است. پیش بینی دقیق این پارامتر برای برنامه ریزی در واحدهای دیسپچینگ(dispatching ) و مدیریت بار از اهمیت ویژه‌ای برخوردار است. عدم قطعیت در میزان تابش خورشیدی و سختی پیش‌بینی آن، طراحان را با چالش‌های اقتصادی و مدیریتی مواجه می‌کند. در این پژوهش یک روش پیش‌بینی با دقت بالا با استفاده از روش‌های مبتنی بر درخت و بهبود عملکرد این روش‌ها به کمک الگوریتم‌های فرا ابتکاری ارائه می‌شود. تاکید اصلی در روش پیشنهادی عدم بیش-برازش و قابلیت اتکای بالا و قابلیت به‌کارگیری در سیستم‌های اینترنت اشیاء است. بنابراین، الگوریتم‌های فراابتکاری در بهینه‌سازی روش‌های مبتنی بر درخت و همینطور در انتخاب ویژگی و انتخاب نمونه‌ها نیز دخیل شده‌اند. لذا استفاده از روش‌های فراابتکاری به عنوان جنبه‌ی نوآوری اصلی این پژوهش، نه ‌تنها استفاده برای به دست آوردن تنظیمات بهینه‌ی مدل‌های یادگیری ماشین بلکه در کاهش اثر نویزها، داده‌های پرت(outlier) و ورودی‌های کم‌اثر نیز به بهبود کیفیت خروجی نهایی کمک کرده است. به علاوه مناسب‌سازی نتایج پیش‌بینی برای استفاده عملی در محیط‌ نیروگاه‌های فتوولتائیک موضوع پراهمیتی است. این موضوع که از طریق تابع برازش نوآورانه این پژوهش در بهینه‌سازی مدل‌ها انجام پذیرفته است، باعث می‌شود که خروجی نهایی علاوه بر دقت بالا از نظر سهولت پیاده‌سازی در محیط‌های واقعی نیروگاه‌های فتوولتائیک نیز بهینه باشد. خروجی نهایی، یک مدل قوی است که با معیار مربع-r دارای امتیاز0/95 است و از نظر سادگی تا حد زیادی بهینه است.

optimizing solar radiation prediction based on the internet of things platform in photovoltaic power plant

the solar radiation value parameter is one of the most important parameters in determining the output power value of photovoltaic panels. accurate prediction of this parameter is crucial for dispatching and load management planning. managers and designers encounter economic and managerial challenges due to the uncertainty and difficulty in predicting solar radiation levels. this research introduces a highly accurate prediction method utilizing tree-based methods, enhanced by meta-heuristic algorithms to boost performance. the proposed method emphasizes preventing overfitting and ensuring high reliability for use in internet of things systems. meta-heuristic algorithms are utilized for optimizing tree-based methods, as well as for feature and instance selection. employing meta-heuristic methods as the main innovation in this research not only optimizes machine learning model settings but also mitigates the impact of noise, outliers, and ineffective inputs, thereby enhancing the final output quality. utilizing an innovative fitness function in model optimization enhances prediction accuracy and adaptability to real photovoltaic power plant environments. the final outcome is a strong model that has a score of 0.95 with the r-square criterion and is optimal model.