Watafiti wa Ugiriki Hutengeneza Mbinu ya Utabiri wa Kuhifadhi Faragha ya PV

Watafiti kutoka Ugiriki wameunda mbinu ya utabiri wa PV kwa miradi ya prosumer kwa kutumia ujifunzaji wa shirikisho, mbinu ya kujifunza kwa mashine ambayo hutuma masasisho ya modeli ya ndani kwa seva kuu kwa marekebisho. Uigaji wao unaonyesha matokeo ya kushangaza ikilinganishwa na utabiri wa kati.

Picha: Picha za Blue Coat, Flickr, CC BY-SA 2.0

Wanasayansi kutoka Chuo Kikuu cha Kitaifa cha Ufundi cha Ugiriki cha Athens wamependekeza mbinu ya utabiri ya PV ambayo inalinda faragha ya prosumer. Mipango bora ya prosumer inategemea miundo sahihi ya utabiri wa uzalishaji wa jua, ambayo inahitaji data pana, na kufanya biashara ya faragha na matumizi muhimu. Mbinu ya watafiti kusawazisha biashara hii inatokana na ujifunzaji wa shirikisho (FL).

"Mchakato wa FL huanza na muundo wa kimataifa ulioshirikiwa na vifaa vyote. Kila kifaa hufunza kielelezo ndani ya nchi na kutuma masasisho kwa seva kuu, ambapo hujumlishwa ili kuboresha muundo,” wasomi hao walisema. "Mtindo huu uliosasishwa husambazwa tena kwa vifaa kwa mafunzo zaidi. Mzunguko wa FL unarudiwa mara kadhaa hadi muundo wa kimataifa ufikie usahihi unaohitajika."

Muundo wa timu huendeshwa ndani ya kila mashine na inajumuisha usanifu wa kumbukumbu ya muda mfupi (LSTM), kitengo cha kuacha shule, na tabaka mbili mnene zilizounganishwa kikamilifu. LSTM hushughulikia data mfuatano, wakati kitengo cha kuacha shule kinapunguza uwekaji kupita kiasi, na tabaka mnene husaidia kufanya utabiri wa mwisho.

Muundo huo pia hutumia hyperparameta kurekebisha miundo ya ndani ya LSTM na kuunganisha wateja sawa kwenye seva kuu. Vigezo hivi, vilivyowekwa kabla ya mafunzo kuanza, hutawala mchakato wa mafunzo wa modeli ya kujifunza kwa mashine.

Mifano nyingine

"Data inayochunguzwa imetolewa kutoka kwa gridi ya umeme ya Terni, Italia, inayojumuisha data kutoka kwa watengenezaji umeme wa kiwango kidogo 30 ambao hutumia mifumo ya photovoltaic kwa uzalishaji wa nishati," kikundi kilielezea. “Kufuatia urekebishaji, tunagawanya mkusanyiko wa data katika vikundi vidogo viwili: seti ya mafunzo kwa ajili ya mafunzo ya kielelezo na seti ya majaribio ya kutathmini utendaji wa kielelezo kwenye data isiyoonekana. Kitengo hiki kinazingatia mgawanyiko wa 80-20, na data kutoka Januari 2015 hadi Desemba 2017 iliyotengwa kwa mafunzo na data kuanzia Januari 2018 hadi Desemba 2019 iliyotengwa kwa majaribio.

Watafiti kisha walilinganisha modeli ya FL-LSTM kwenye hifadhidata sawa dhidi ya mbinu kadhaa za kujifunza. Ya kwanza ilikuwa mafunzo ya ndani, ambayo yanafanya kazi katika mazingira ya kibinafsi kabisa, yaliyojanibishwa. Ya pili ilikuwa ujifunzaji wa kati, ambao kwa kawaida hutoa usahihi wa juu lakini huacha faragha. Muundo wa tatu uliimarishwa FL kwa utofauti wa faragha (DP) ili kupunguza uwezekano wa kutambua michango ya mtu binafsi, kwa kutumia viongeza sauti vilivyowekwa kwa 0.2, 0.25, 0.3, au 0.4.

"Ili kutathmini utendakazi wa miundo, vipimo viwili muhimu vinatumiwa: kosa la maana kabisa (MAE) na kosa la maana ya mraba (RMSE)," kikundi kilieleza. "Uteuzi wa MAE unaruhusu muhtasari wa kina wa ukingo wa makosa ya miundo yetu, haswa kwa sababu ya uimara wake dhidi ya wauzaji wa nje - tabia inayojulikana ya mkusanyiko wetu wa data. Kinyume chake, RMSE inasisitiza usikivu kwa makosa makubwa, ambayo ni muhimu kwa kutathmini usahihi wa utabiri wa kizazi, kwani inaangazia athari za kupotoka zaidi kuliko MAE.

Matokeo yalionyesha kuwa mtindo wa kati ulifanya vyema zaidi, na MAE ya 0.00960 na RMSE ya 0.01687. Mfano wa FL ulikuwa na MAE ya 0.01993 na RMSE ya 0.02872. Muundo wa FL-DP wenye kizidishi kelele cha 0.2 ulirekodi MAE ya 0.01857 na RMSE ya 0.02669. Mtindo wa ujanibishaji ulikuwa na MAE ya 0.02436 na RMSE ya 0.04679, wakati mfano wa FL-DP na kiongeza sauti cha 0.25 ulionyesha MAE ya 0.02651 na RMSE ya 0.03375. Matokeo ya viongeza sauti vya 0.3 na 0.4 hayakutolewa.

"Katika kutafuta kiwango cha kelele ambacho kingetoa utendakazi sawa na utekelezaji usio wa DP FL tulikumbana na hitilafu ya kushangaza. Uwiano bora zaidi wa kelele-kwa-utendaji ulizingatiwa katika kiongeza sauti cha 0.2, ambacho kilitoa matokeo bora bila kutarajiwa kuliko FL," kikundi kilibaini. "Majaribio yetu ya viongeza sauti vya juu zaidi ya 0.2 yalionyesha uharibifu uliotarajiwa katika usahihi wa utabiri na kizidishi cha 0.4 na kufanya modeli kushindwa kuungana."

Kikundi kilisema kuwa "kizuizi kikuu kilihusisha saizi ndogo ya seti ya data kuhusu idadi ya wateja wanaoshiriki. Utafiti huu unatumika kama msingi; kuongeza prosumers zaidi baada ya muda bila shaka kuongeza utendaji wa FL na FL-DP. Kwa kuzingatia hilo, matokeo yetu yanaonyesha kuwa kwa hifadhidata ndogo zilizo na wateja wachache wanaoshiriki, ujifunzaji wa kati hupita FL katika suala la usahihi, ingawa mbinu zote mbili hutumia data ya pamoja inayopatikana. Licha ya hayo, FL inatoa manufaa kuhusu faragha na gharama za mawasiliano.

Waliwasilisha matokeo yao katika "Kuwezesha mbinu za ujifunzaji zilizoshirikishwa kwa utabiri wa faragha wa PV," ambayo ilichapishwa hivi majuzi. Ripoti za Nishati.

Maudhui haya yanalindwa na hakimiliki na huenda yasitumike tena. Ikiwa ungependa kushirikiana nasi na ungependa kutumia tena baadhi ya maudhui yetu, tafadhali wasiliana na: editors@pv-magazine.com.

Chanzo kutoka gazeti la pv

Kanusho: Maelezo yaliyoelezwa hapo juu yametolewa na pv-magazine.com bila ya Chovm.com. Chovm.com haitoi uwakilishi na dhamana kuhusu ubora na uaminifu wa muuzaji na bidhaa. Chovm.com inakanusha dhima yoyote kwa ukiukaji unaohusiana na hakimiliki ya yaliyomo.