Prediction of future Solar and wind Energy Generation through Artificial Neural Network models
الملخص
تقدم هذه الرسائل مراجعة للطرق الحديثة للتنبؤ بالجيل المستقبلي من الطاقة الشمسية وطاقة الرياح من خلال نماذج الشبكات العصبية الاصطناعية في الظروف البيئية المتقلبة, تتمثل الفكرة الرئيسية في استخدام البيانات التاريخية من مزارع الخلايا الشمسية و تور بينات الرياح لتدريب النماذج باستخدام بيانات التدريب التي يتم إجراؤها لفترات مختلفة. وهذا يتطلب بناء نماذج باستخدام الذكاء الاصطناعي (AI) و كذلك باستخدام شبكة عصبية اصطناعية (ANN) و لتحقيق ذلك قمنا ببناء نموذجين هي Feedforward Multi-Layer ANN و Elman Feedback Multi-Layer ANN. استخدم هذا البحث الذكاء الاصطناعي (AI) لقدرته على التعامل مع المعادلات الرياضية المعقدة في الظروف القاسية, نظرا لموثوقيتها ، ودقتها العالية، وإمكانية التنبؤ بها من خلال التدريب على البيانات التاريخية، يتم توقع أربعة نماذج لفترات مختلفة لتوليد الطاقة على مرحلتين. المرحلة الأولى: عملية التدريب على البيانات التاريخية لمدة شهر والتنبؤ بها لمدة يوم واحد في المستقبل يطبق على النماذج الأربعة السابقة وإيجاد أفضل نموذج لشبكة ANN للتنبؤ بكمية توليد الطاقة بحيث يتم أخذ النموذج الذي يتنبأ بكمية توليد الطاقة بدقة عالية و أفضل أداء وأقل معدل خطأ من بين النموذجين ثم ننتقل الى المرحلة الثانية. المرحلة الثانية: إنها مرحلة تدريب على البيانات لمدة شهر و التنبؤ لمدة سبع أيام بشكل تدريجي لإيجاد أفضل أداء و لتقليل الحد الأدنى من الأخطاء المرتبطة بالتنبؤ بحمل الطاقة الكهربائية من أجل تقديم تقرير دقيق للغاية للتنبؤ بكمية توليد الطاقة في المستقبل في تاريخ محدد ليوم محدد بعد أسبوع أو شهر أو سنة، من أجل الموثوقية والتكامل الفعال للشبكة لإيجاد حلول لمعالجة أزمة الطاقة, وبالتالي خفض التكلفة المالية في المنطقة بسبب استيراد النفط والغاز لإنتاج حمولة الكهرباء. علاوة على ذلك، للحد من التلوث البيئي للحد من النفايات من استخراج النفط والغاز والفحم, هناك فائدة أخرى هي وجود الخلايا الشمسية لخدمة بعض المناطق بالطاقة الكهروضوئية, هذه إحدى الفوائد عندما نعرف استهلاك المنطقة بدقة. توفر الشركة الكهربائية هذه المنطقة بشكل أفضل إما عن طريق زيادة الخلايا الشمسية و تور بينات الرياح أو زيادة واردات الغاز وتجنب فصل الكهرباء وتوفير الصفقات والحفاظ على كمية الاستيراد للغاز لتوليد الطاقة, تمكن النموذجين المقترحين لهذا العمل من تقديم نتائج أفضل من الأعمال السابق (Idris Khana, Honglu Zhua, ET al. 2017, Luis Carlos Parra Raffan , Andres Romero, ET al. 2018 ). بدقة تصل إلى 96.6?
الكلمات المفتاحية
غير متوفر
التخصصات
رسائل وأطاريح مشابهة
- Study and Prediction of Air Quality in Smart Cities through Machine Learning Techniques Considering Spatiotemporal Components Ditsuhi Iskandaryan ; Iskandaryan, Ditsuhi · 2023
- Intra-day photovoltaic generation forecast using LSTM recurrent neural networks and historical energy data Bruno Rapchaell Magalhaes da Cunha · 2021
- Modeling and Analysis of Data-Driven and Knowledge-Enhanced Traffic Prediction Lilan Peng · 2026
- Multi-Scale Deep Learning Frameworks for Trajectory Prediction, Scene Understanding, and Perception in Autonomous Driving Xingnan Zhou · Concordia University · 2026
- Interaction-Aware Maneuver and Lane Change Prediction Using Deep Learning Architectures for Autonomous Driving Petrit Rama · Kaiserslautern University of Technology · 2026
- Deep learning-based traffic flow prediction and traffic management system for urban transportation networks Han Zhao · Nanyang Technological University · 2023
