1 مارس 2023 -توسط دانشگاه چانگ آنگ
محققان دانشگاه Chung-Ang در کره یک مدل پیش‌بینی مبتنی بر یادگیری عمیق جدید برای مدیریت بهینه انرژی ریزشبکه ارائه کرده‌اند. این شبکه از یک شبکه حافظه کوتاه‌مدت و برنامه پاسخ تقاضای مبتنی بر انگیزه برای پیش‌بینی عدم قطعیت‌ها در منابع انرژی تجدیدپذیر در ریزشبکه‌ها، تقاضای انرژی آنها و قیمت‌های بازار استفاده می‌کند. اعتبار: آزمایشگاه ملی آیداهو
تغییر اقلیم چالش بزرگ زیست محیطی زمان ما است. به دلیل انتشار بیش از حد کربن از منابع انرژی تجدید ناپذیر، از جمله سوخت های فسیلی، سرعت آن در حال افزایش است. با توجه به این شرایط، دولت‌ها در سرتاسر جهان در حال تدوین سیاست‌هایی برای دستیابی به بی‌طرفی کربن با ترویج انرژی سبز هستند.
این امر منجر به توسعه منابع مختلف انرژی تجدیدپذیر (RES) – پانل های خورشیدی، آسیاب های بادی و توربین ها – به عنوان جایگزینی برای سوخت های فسیلی شده است. اتصال این RESها به شبکه های منبع تغذیه ضروری است. در این راستا، ریزشبکه‌ها (MGs)، که منابع انرژی تجدیدپذیر و غیر قابل تجدید و سیستم‌های ذخیره‌سازی انرژی را ادغام می‌کنند، یک راه‌حل امیدوارکننده هستند. اما، عملکرد کارآمد آنها به دلیل در دسترس بودن ناپایدار و عدم قطعیت RESها چالش برانگیز است. برای مثال، RESهای مبتنی بر انرژی خورشیدی نمی‌توانند در روزهای ابری کارآمدی داشته باشند.در نتیجه، اپراتورهای MG نمی توانند در بازار انرژی روز آینده که باید وعده تامین انرژی برای روز بعد را بدهند، پیشنهاد سودآوری بدهند.
بنابراین، نیاز آشکاری برای پیش‌بینی دقیق عدم قطعیت‌ها در RES، تقاضای انرژی آنها و قیمت‌های بازار وجود دارد. روش‌های پیش‌بینی مرسوم موجود، سناریوهای احتمالی مختلف آینده و احتمالات آنها را در نظر می‌گیرند. این رویکرد دارای چندین اشکال است، از جمله دقت پیش‌بینی پایین. برای غلبه بر آنها، محققان به مدل های مبتنی بر یادگیری عمیق متوسل شده اند. در حالی که آنها پیش بینی های دقیقی انجام می دهند، فراپارامترهای آنها – متغیرهایی که فرآیند یادگیری را کنترل می کنند – باید به طور مناسب بهینه شوند.
با توجه به این پس‌زمینه، پروفسور Mun-Kyeom Kim از گروه مهندسی سیستم انرژی در دانشگاه Chung-Ang، کره، با همکاری آقای Hyung-Joon Kim، اخیراً یک مدل پیش‌بینی مبتنی بر یادگیری عمیق را برای پیش‌بینی دقیق پارامترهای نامشخص پیشنهاد کرده است. برای بهره برداری بهینه و سودآور ریزشبکه کار آنها انرژی کاربردی منتشر شد.
روش پیش‌بینی مبتنی بر داده‌های پیشنهادی از یک مدل حافظه کوتاه‌مدت (LSTM)، یک شبکه عصبی مصنوعی با اتصالات بازخورد استفاده می‌کند. فراپارامترهای آن توسط یک الگوریتم بهینه‌سازی ازدحام ذرات وزن سازگار با الگوریتم ژنتیک (GA-AWPSO) بهینه‌سازی می‌شوند، در حالی که پروفسور کیم توضیح می دهد که یک مکانیسم توجه جهانی (GAM) ویژگی های مهم را از داده های پارامتر ورودی شناسایی می کند.هر دوی این الگوریتم‌ها می‌توانند به غلبه بر محدودیت‌های روش‌های مرسوم و بهبود دقت پیش‌بینی و کارایی مدل LSTM کمک کنند.
در کار خود، محققان همچنین یک برنامه داده کاوی و پاسخ به تقاضا مبتنی بر انگیزه (DM-CIDR) را برای مدیریت عدم قطعیت های مربوط به تقاضای انرژی و قیمت های بازار توسعه دادند. در اینجا، نقاط سفارش برای شناسایی ساختار خوشه‌بندی (OPTICS) و الگوریتم‌های k-نزدیک‌ترین همسایه (k-NN) برای تعیین نرخ‌های انگیزه بهینه برای مشتریان در بازار انرژی روز آینده استفاده شد.
برای نشان دادن عملکرد مدل GA-AWPSO-LSTM-GAM و برنامه DM-CIDR، محققان آنها را بر روی داده‌های بازار انرژی داخلی پنسیلوانیا-نیوجرسی-مریلند (PJM) پیاده‌سازی کردند. مدل خطای پیش‌بینی کمتری نسبت به مدل‌های پیش‌بینی موجود داشت و بهترین مقادیر همبستگی را برای پیش‌بینی در دسترس بودن RES ارائه کرد. به طور خاص، ضریب تعیین مقدار 0.96 برای پانل های خورشیدی به دست آورد که از مدل های موجود پیشی می گیرد.
با این یافته ها، محققان امید زیادی به مدل پیش بینی پیشنهادی خود دارند. این امر ادغام منابع تجدیدپذیر در شبکه‌های تامین برق را تسریع می‌کند و در عین حال اپراتورهای MG را قادر می‌سازد تا مسائل مربوط به مدیریت انرژی را حل کنند. پروفسور کیم نتیجه می گیرد که در نهایت، می تواند درها را به روی منابع الکتریسیته با انتشار صفر باز کند که می تواند بی طرفی کربن را تا سال 2050 به یک هدف واقعی تبدیل کند.
