| جلسه دفاع پایان نامه: شیرین مشتهی، گروه قدرت |
ارائه‌کننده: شیرین مشتهی چکیده: سیستم‌های قدرت به سمت ادغام مقادیر زیادی از منابع تجدیدپذیر در شبکه حرکت می‌کنند و در آینده شبکه از لحاظ داشتن منابع تجدیدپذیر، ثروتمند به‌حساب می‌آید. با توجه به عدم قطعیتی که انرژی‌های تجدیدپذیر به شبکه اضافه می‌کنند، پیش‌بینی توان تولیدی این سیستم‌ها نقش مهمی در حفظ ثبات و پایداری شبکه ایفا می‌کند. به دلیل اینکه در هر منطقه شرایط آب‌وهوایی متفاوت است و این تفاوت، بر میزان بازده و تولید توان این سیستم‌ها تأثیر زیادی می‌گذارد، نمی‌توان به پیش‌بینی‌های متمرکز که کل یک منطقه یا کشور را به‌صورت یکپارچه در نظر می‌گیرند، اتکا کرد. در این پایان‌نامه از روش‌های یادگیری ماشین برای حل مشکل پیش‌بینی متمرکز فتوولتاییک‌ها استفاده و از سه واحد فتوولتاییک که به‌صورت غیرمتمرکز در ایالت آلاباما در کشور آمریکا قرار دارند، استفاده‌شده است. در این پایان‌نامه، یک شبکه عصبی عمیق طراحی شده که در آن از لایه‌های کانولوشن (Conv) برای استخراج اطلاعات همسایگی مکانی و از لایه‌های بازگشتی حافظه طولانی کوتاه مدت (LSTM) برای استخراج اطلاعات زمانی استفاده شده است. برای این منظور در ابتدا، سری زمانی به‌صورت یک آرایه دو بعدی تغییر شکل داده شده و به عنوان ورودی به شبکه کانولوشنال استفاده شده است. برای ارزیابی این روش با سایر روش‌های پیش‌بینی از معیارهای ارزیابی خطای میانگین خطای مطلق(MAE)، جذر میانگین مربعات خطا (RMSE)، میانگین درصد خطای مطلق (MAPE) و خطای انحراف استاندارد (SDE) استفاده‌شده است. |
11:15 - يکشنبه 10 دی 1402 / شماره خبر : 21924 / تعداد نمايش خبر : 70 |