یک چارچوب یادگیری عمیق ترکیبی بهینه‌شده با الگوریتم فرا ابتکاری برای پیش‌بینی مصرف انرژی خورشیدی با دقت بالا

در سال‌های اخیر، تامین انرژی با چالش‌های جدی مواجه شده و پیش‌بینی دقیق مصرف انرژی به عاملی کلیدی در مدیریت بهینه منابع تبدیل شده است. این پژوهش مدل ترکیبی نوآورانه‌ای به نام cltmp را برای پیش‌بینی تغییرات مصرف انرژی مبتنی بر شرایط آب‌وهوایی ارائه می‌دهد. هایپرپارامترهای این مدل با الگوریتم بهینه‌سازی ازدحام ذرات تنظیم و از مجموعه‌داده‌ای شامل 17 پارامتر هواشناسی استفاده شده است. نتایج تجربی برتری واضح مدل پیشنهادی را نشان می‌دهد. مدل cltmp با مقادیر 22.91 = rmse، 16.99 و 0.99952 = r2 عملکردی به مراتب برتر از مدل‌های پایه دارد. در رتبه‌های بعدی، cnn با 36.25 = rmse و 0.99880 = r2 و lstm با 36.64 = rmse و 0.99877 = r2 قرار گرفتند. transformer با 38.45 = rmse و 0.99865 = r2 در جایگاه چهارم و rnn و gru به ترتیب با 56.98 = rmse و 74.55 = rmse در رتبه‌های بعدی قرار گرفتند. این نتایج نشان می‌دهد مدل ترکیبی پیشنهادی با اختلاف قابل توجهی بهترین عملکرد را در پیش‌بینی مصرف انرژی داشته است. ترکیب هوشمندانه معماری‌های مختلف و بهینه‌سازی هایپرپارامترها نقش تعیین‌کننده‌ای در دستیابی به این دقت بالا داشته است. این رویکرد نوین می‌تواند نوآوری مهمی در بهینه‌سازی سیستم‌های مدیریت انرژی ایفا نماید.