دانلود ترجمه مقاله پیش بینی بار خالص در ریزشبکه تجدیدپذیر با یادگیری ماشین

1. مقدمه 2. روش تحقیق 3. نتایج 4. نتیجه گیری

چکیده – پیش بینی دقیق بار خالص کوتاه مدت در ریزشبکه های مدرن با سهم بالای منابع انرژی تجدیدپذیر، برای بهره برداری و مدیریت بهینه ضروری است. اصول یادگیری ماشین می توانند برای توسعه مدل های پیش بینی بار خالص دقیق و قابل اعتماد استفاده شوند. این مقاله عملکرد مدل های مختلف یادگیری ماشین را که با استفاده از روش های یادگیری نظارت شده بهینه آموزش داده شده اند، برای پیش بینی مستقیم بار خالص کوتاه مدت در ریزشبکه های تجدیدپذیر ارزیابی می کند. از دسته های مختلف مدل های یادگیری ماشین، مانند شبکه عصبی، آنسامبل، رگرسیون خطی، همسایه نزدیک و ماشین بردار پشتیبان استفاده شد. ارزیابی مقایسه ای با استفاده از داده های تاریخی بار خالص، هواشناسی و زمانی طبقه بندی‌شده که از ریزشبکه یکپارچه تجدیدپذیر دانشگاه قبرس در نیکوسیا، قبرس به دست آمده است، انجام شد. نتایج نشان داد که تمام مدل های پیش‌بینی بار خالص کوتاه مدت با استفاده از یادگیری ماشین، مقادیر خطای ریشه میانگین مربعی نرمال شده (nRMSE) کمتر از 10% را به دست آوردند. در میان مدل های بررسی‌شده، شبکه عصبی بزی (BNN) بالاترین دقت پیش بینی را نشان داد، با خطای متوسط روزانه 3.58%. علاوه بر این، مدل BNN پیش‌بینی های پایدار را صرف نظر از فصل و شرایط آب و هوایی ارائه کرد. در نهایت، نتایج نشان داد که مدل های یادگیری ماشین بهینه سازی شده می توانند برای ارائه پیش بینی بار خالص کوتاه مدت در ریزشبکه های یکپارچه تجدیدپذیر استفاده شوند، که می تواند توسط اپراتورهای ریزشبکه برای کنترل و مدیریت کارآمد دارایی های خود به کار گرفته شود.

Modern microgrids require accurate net load forecasting (NLF) for optimal operation and management at high shares of renewable energy sources. Machine learning (ML) principles can be used to develop precise and reliable NLF models. This paper evaluates the performance of different ML models, that are optimally trained using supervised learning regimes, for direct short-term net load forecasting (STNLF) in renewable microgrids. Different categories of ML models, such as neural network, ensemble, linear regression, nearest neighbor, and support vector machine were used. The comparative assessment was conducted utilizing historical net load, meteorological, and time-related categorical data acquired from the renewable integrated microgrid of the University of Cyprus in Nicosia, Cyprus. The results showed that all STNLF ML models achieved normalized root mean square error (nRMSE) values below 10%. Amongst the investigated models, the Bayesian neural network (BNN) presented the highest forecasting accuracy, exhibiting a daily average error of 3.58%. In addition, the BNN model yielded robust forecasts regardless of the season and weather conditions. Finally, the results demonstrated that optimally constructed ML models can be applied to provide STNLF in renewable integrated microgrids, which can be used by microgrid operators to efficiently control and manage their assets.