No/VOL: 01/2023 Page no. 134
Authors: Imam Farid , Ardyono Priyadi , Mauridhi Purnomo , Muhammad Abdillah , Anang Tjahjono , Naoto Yorino :
Title: Zaawansowana maszyna ucząca się w trybie ekstremalnym do godzinnej prognozy fotowoltaicznej z wykorzystaniem ogólnych danych pogodowych
Abstract: W ostatnich latach Indonezja przywiązywała dużą wagę do wykorzystania odnawialnych źródeł energii jako sposobu na zmniejszenie emisji gazów. Położona na równiku Indonezja ma wiele zalet w zakresie odnawialnych źródeł energii, zwłaszcza fotowoltaiki (PV). Fotowoltaika daje duże możliwości wniesienia wkładu w sieć energetyczną, ale wiąże się również z wyzwaniami. Korzystanie z PV wiąże się z dużą niepewnością, ponieważ wejścia PV to stale zmieniające się warunki pogodowe. Ponieważ Indonezja planuje penetrację farmy fotowoltaicznej do sieci energetycznej, konieczne jest wygenerowanie dokładnej prognozy, aby pomóc operatorowi kontroli sieci energetycznej. W celu uzyskania precyzyjnego i dokładnego wytwarzania energii PV stosuje się wiele algorytmów. Jednym z algorytmów powszechnie stosowanych przez badaczy jest konwencjonalna sieć neuronowa wstecznej propagacji. Jest to jeden z najpowszechniej stosowanych algorytmów, ale ma też złożoną nastawę i liczne parametry. Aby rozwiązać ten problem, zastosowano ekstremalną maszynę uczącą (ELM) wraz z siecią neuronową z propagacją wsteczną (BPNN), co daje bardziej obiecujący wynik. Jednak losowa wartość parametrów ELM stała się kolejnym problemem. W niniejszym artykule omówiono zaawansowane ELM w celu uzyskania lepszego wyniku prognozy PV. Kombinacja sygnału wejściowego PV, temperatury otoczenia, napromieniowania globalnego odchylenia (GTI), kierunku wiatru, prędkości wiatru i wilgotności jest stosowana na maszynie ekstremalnego uczenia jądra (K-ELM). Odkryliśmy, że K-ELM proponuje lepszą wydajność w porównaniu do ELM w obliczu danych nieliniowych, a także lepszą zdolność uczenia się, zdolność mapowania i lepszą wydajność. Opracowaliśmy również dane wejściowe za pomocą BPNN, ELM i maszyny wektorów nośnych (SVM) w celu porównania czasu szkolenia, testowania i obliczeń.
Key words: Fotowoltaika, prognoza, NN, SVM i K-ELM.