25 ژانویه 2024 -توسط دیوید بردلی، Inderscience-اعتبار: Unsplash/CC0 دامنه عمومی
تیمی در ترکیه الگوریتم‌های مختلف یادگیری ماشینی را برای پیش‌بینی تقاضای برق از منابع مختلف آزمایش کرده‌اند. آنها الگوریتم ها را بر روی داده های تقاضای برق برای دوره 2000-2022 آموزش دادند و از آنها برای پیش بینی موفقیت آمیز سال 2023 با درجات مختلف دقت استفاده کردند.
محققان قدرت پیش‌بینی حافظه کوتاه مدت (LSTM)، شبکه عصبی مصنوعی (ANN)، رگرسیون خطی (LR)، رگرسیون بردار پشتیبان (SVR)، رگرسیون درخت تصمیم (DTR)، رگرسیون جنگل تصادفی (RFR) را آزمایش کردند. و تقویت گرادیان فوق العاده (XGBoost) و نشان داد که LSTM دقیق ترین است. چنین الگوریتمی می تواند برای مدل سازی مصرف انرژی و تولید برای برنامه ریزی بلندمدت برق در سراسر جهان استفاده شود.
مهمت هاکان اوزدمیر و باتین لطیف آیلاک از دانشگاه ترکییه -آلمانی در استانبول، مورات اینس از دانشگاه علوم کاربردی اسپارتا و اوکان اورال از دانشگاه آکدنیز در آنتالیا، ترکیه در مجله بین المللی نفت، گاز و فناوری زغال سنگ مطلبی نوشته اند ، نشان می دهد که درک عرضه و تقاضا از نظر منابع مختلف انرژی تجدید ناپذیر و تجدیدپذیر در این مقطع از تاریخ بشر بسیار مهم است.
با توجه به اینکه منابع تجدیدناپذیر مانند سوخت‌های فسیلی متناهی و غیرقابل جایگزینی هستند، منابع تجدیدپذیر مانند باد، خورشیدی، آبی، زمین گرمایی و بیوگاز که قابل تجدید هستند در دستور کار تولید قرار دارند. یادگیری ماشینی، با توانایی خود در تشخیص روابط و الگوهای پیچیده از حجم وسیعی از داده ها، یک رویکرد قدرتمند و انعطاف پذیر برای پیش بینی ارائه می دهد.
برخلاف روش‌های آماری سنتی، الگوریتم‌های یادگیری ماشینی که بر روی مجموعه‌های داده‌های مناسب آموزش داده شده‌اند، می‌توانند کل داده‌های موجود را در نظر بگیرند و بنابراین نتایجی را در مورد تعاملات پیچیده‌ای که روش‌های تحلیلی سنتی نمی‌توانند به آنها دست یابند، تشخیص دهند.
بنابراین، یادگیری ماشینی می تواند به ما در تصمیم گیری های سیاست انرژی کمک کند و صنعت تولید برق را به سمت مسیری به سوی آینده ای پایدارتر هدایت کند. بینش‌های به‌دست‌آمده از این تحقیق نه تنها به تصمیم‌گیرندگان اطلاع می‌دهد، بلکه نشان می‌دهد که چگونه الگوریتم‌های یادگیری ماشینی می‌توانند در بازتعریف چگونگی حل مسائل از این نوع دگرگون‌کننده باشند.
