دانلود ترجمه مقاله بررسی پیشرفت های اخیر در پیش بینی توان خورشیدی PV

1. مقدمه 2. فاکتورهای عمده تاثیرگذار بر پیش بینی توان خورشیدی 3. روش های پیش بینی داده های ورودی 4. بهینه سازی پارامترهای ورودی 5. طبقه بندی روش های پیش بینی توان PV 6. انگیزه تحقیق 7. نتیجه گیری 8. چشم انداز کارهای آتی

چکیده – ادغام انرژی خورشیدی (فتوولتاییک) در شبکه قدرت با دشواری صورت می‌گیرد زیرا انرژی خورشیدی به شدت به جغرافیا و شرایط جوی وابسته است و غالباً نوسان نامنظمی دارد. این وضعیت نفوذها و افزایش ناگهانی ولتاژ، ناپایداری سیستم، برنامه ریزی نامطلوب شبکه قدرت، و ضررهای مالی را در پی دارد. مدل‌های پیش بینی می‌توانند کمک بکنند، لذا باید روش‌هایی همچون برچسب زمانی، افق پیش بینی، تحلیل همبستگی ورودی، پیش – پس پردازش داده‌ها، دسته بندی شرایط جوی، بهینه سازی شبکه، سنجش عدم قطعیت، و ارزیابی‌های عملکردی را مورد توجه قرار داد. بدین ترتیب تکنیک‌های پیش بینی مدرن مورد مرور و ارزیابی قرار می‌گیرند. تحلیل همبستگی ورودی نشان می‌دهد که تابش خورشیدی دارای همبستگی بالایی با خروجی فتوولتاییک است، لذا دسته بندی شرایط آب و هوایی و حرکت ابرها نیز به نوبه خود مهم می‌باشد. علاوه بر این، بهترین فرایندهای پاکسازی داده شامل نرمال سازی و تبدیل‌های موجک، ادغام با استفاده از شبکه‌های متخاصم مولد، برای آموزش و پیش بینی شبکه توصیه می‌شوند. ضمناً بر بهینه سازی ورودی‌ها و پارامترهای شبکه، با استفاده از الگوریتم ژنتیک و بهینه سازی توده ذرات تاکید شده است. در گام بعدی، معیارهای معتبر ارزیابی عملکرد شامل MAE، RMSE، MAPE به بحث گذاشته می‌شوند.همچنین پیشنهاداتی برای افزودن معیارهای مطلوبیت اقتصادی مطرح می‌شوند. از رویکردهای مدلسازی انتقاد می‌شود، آن‌ها به صورت عینی مقایسه و به انواع فیزیکی، آماری، هوش مصنوعی ترکیبی و هیبرید دسته بندی می‌شوند.مشخص می‌شود که ترکیب شبکه‌های عصبی مصنوعی بهترین روش برای پیش بینی توان فتوولتاییک کوتاه مدت و یادگیری ماشین متوالی شدید برای شبکه تطبیقی است. از سوی دیگر، تکنیک بوت استراپ برای تخمین عدم قطعیت بهینه است. علاوه بر این، شبکه عصبی کانولوشن در استخراج روابط عمیق غیرخطی ورودی- خروجی و مدل مربوطه عالی عمل می‌کند. نتیجه گیری‌ها حاوی ادراکات جدیدی راجع به طرح‌های ابتکاری پیش بینی توان فتوولتاییک هستند، و به طور خاص استفاده از شبکه عصبی مصنوعی هیبرید و الگوریتم‌های تکاملی را شامل می‌شوند.

Integration of photovoltaics into power grids is difficult as solar energy is highly dependent on climate and geography; often fluctuating erratically. This causes penetrations and voltage surges, system instability, inefficient utilities planning and financial loss. Forecast models can help; however, time stamp, forecast horizon, input correlation analysis, data pre and post-processing, weather classification, network optimization, uncertainty quantification and performance evaluations need consideration. Thus, contemporary forecasting techniques are reviewed and evaluated. Input correlational analyses reveal that solar irradiance is most correlated with Photovoltaic output, and so, weather classification and cloud motion study are crucial. Moreover, the best data cleansing processes: normalization and wavelet transforms, and augmentation using generative adversarial network are recommended for network training and forecasting. Furthermore, optimization of inputs and network parameters, using genetic algorithm and particle swarm optimization, is emphasized. Next, established performance evaluation metrics MAE, RMSE and MAPE are discussed, with suggestions for including economic utility metrics. Subsequently, modelling approaches are critiqued, objectively compared and categorized into physical, statistical, artificial intelligence, ensemble and hybrid approaches. It is determined that ensembles of artificial neural networks are best for forecasting short term photovoltaic power forecast and online sequential extreme learning machine superb for adaptive networks; while Bootstrap technique optimum for estimating uncertainty. Additionally, convolutional neural network is found to excel in eliciting a model’s deep underlying non-linear input-output relationships. The conclusions drawn impart fresh insights in photovoltaic power forecast initiatives, especially in the use of hybrid artificial neural networks and evolutionary algorithms.