پيش‌بيني كوتاه مدت توان فتوولتاييك در نيروگاه خورشيدي به كمك روشهاي يادگيري ‏عميق

امروزه افزايش‎ ‎روزافزون‎ ‎مصرف‎ ‎انرژي در جهان، محدود‎ ‎بودن‎ ‎سوختهاي‎ ‎فسيلي و بالابودن ميزان آلايندگي آنها، استفاده از انرژي هاي نو و تجديد ‏پذير همانند انرژي خورشيدي، باد و گرمايي زمين را مورد توجه همگان قرار داده است. انرژي خورشيدي يكي از اين انرژيها است كه مزاياي ‏متعددي از جمله نداشتن آلودگيهاي صوتي و زيست محيطي و‎ ‎رايگان‎ ‎بودن‎ ‎انرژي‎ ‎اوليه دارد.‏‎ ‎با اين وجود، ميزان توان توليدي فتوولتاييك در ‏نيروگاهها به علت وابسته بودن به شرايط مختلف از جمله وضعيت آب و هوايي قابل كنترل نيست. اين در حاليست كه به منظور فراهم آوردن ‏انرژي الكتريكي با كيفيت بالا براي مصرف‌كنندگان نهايي و بهبود قابليت اطمينان سيستم، نيازمند پيش بيني دقيق آن هستيم. در اين تحقيق ‏سه مدل براي پيش‌بيني كوتاه مدت توان خروجي يك نيروگاه پيشنهاد شده كه مبتني بر شبكه عصبي عميق بوده و از نظر نوع ورودي ها و ‏ساختار شبكه با هم متفاوت هستند. مدلهاي پيشنهادي در ساختارشان از شبكه حافظه كوتاه مدت طولاني (‏LSTM‏) استفاده كرده و از توانهاي ‏خروجي قبلي و پارامترهاي آب و هوايي به عنوان ورودي بهره برده اند. آزمايشهاي انجام شده نشان مي‌دهد، استفاده از ورودي‌هايي مبتني بر ‏شرايط آب و هوايي، در كنار توانهاي خروجي قبلي منجر به افزايش دقت پيش‌بيني مي‌شود. همچنين استفاده از ساختارهاي پيچيده‌تر در شبكه، ‏به بهبود كارايي كمك مي‌كند‎.‎