استفاده از مدل یادگیری عمیق هیبریدی برای پیش بینی توان خروجی آرایه های فتوولتائیک در ایستگاه های بین راهی شارژ خودروهای برقی

چکیده مقاله

با گسترش روزافزون خودروهای برقی تامین انرژی پایدار برای ایستگاه های شارژ به یک چالش تبدیل شده است این پژوهش، یک چارچوب هوشمند برای پیش بینی توان خروجی آرایه های فتوولتائیک PV با قابلیت بازآرایی دینامیک توپولوژی ارائه می دهد در مرحله نخست با بهره گیری از کتابخانه Dlib یک مجموعه داده برای یک سال کامل شبیه سازی شد که عملکرد آرایه را تحت سناریوهای سایه اندازی جزئی برای توپولوژی های کلیدی مدل سازی می کند در مرحله دوم یک معماری یادگیری عمیق هیبریدی متشکل از شبکه های کانولوشنال یک بعدی Conv۱D ، حافظه طولانی کوتاه مدت LSTM و مکانیزم توجه Attention برای پیش بینی همزمان توان خروجی بهینه و توان هر یک از توپولوژی های اصلی طراحی شد این مدل به عنوان یک رگرسیون چندهدفه عمل کرده و با استفاده از داده های ۱۶۸ ساعت گذشته چندین سری زمانی را برای ۲۴ ساعت آینده پیش بینی می کند نتایج ارزیابی بر روی مجموعه داده آزمون عملکرد مناسب مدل را در پیش بینی توان بهینه AC با ریشه میانگین مربعات خطا برابر با ۰٫۰۶۹۱ کیلووات و میانگین قدر مطلق خطا برابر با ۰٫۰۴۷۶ کیلووات و R برابر ۹۱ درصد به اثبات می رساند این دقت کارایی رویکرد پیشنهادی را برای کاربردهای مدیریت انرژی هوشمند در زیرساخت های شارژ تایید می کند

کلیدواژه‌ها

نویسندگان

امیرعلی رستمی

تهران دانشگاه شهید بهشتی دانشکده مهندسی مکانیک و انرژی

عباس رهی

تهران دانشگاه شهید بهشتی دانشکده مهندسی مکانیک و انرژی

�ستمی، امیرعلی و رهی، عباس،1404،استفاده از مدل یادگیری عمیق هیبریدی برای پیش بینی توان خروجی آرایه های فتوولتائیک در ایستگاه های بین راهی شارژ خودروهای برقی،دومین همایش بین المللی قوای محرکه نوین،تهران

ارائه‌شده در

مجموعه مقالات دومین همایش بین المللی قوای محرکه نوین22 مهر 1404 · تهران