شبکه اعتقاد عمیق با روش بهینه سازی عنکبوت Swarm برای پیش بینی انرژی تجدید پذیر انرژی

پیش بینی انرژی تجدید پذیر نقش مهمی در توسعه تولید انرژی تجدید پذیر دارد و همچنین به دلیل عدم اطمینان و نوسان پیچیده ناشی از عوامل محیطی و آب و هوایی ، با یک مسئله چالش برانگیز روبرو است. در سالهای اخیر ، یادگیری عمیق به طور فزاینده ای در پیش بینی سری زمانی از انرژی جدید اعمال می شود ، جایی که شبکه های اعتقاد عمیق (DBN) می توانند برای یادگیری ویژگی های غیرخطی به طور برجسته ای عمل کنند. در این مقاله ، ما از DBN به عنوان مدل پیش بینی برای پیش بینی قدرت باد و قدرت PV استفاده کردیم. یک الگوریتم بهینه سازی متهوریستی جدید ، به نام Swarm Spider بهینه سازی (SSO) ، برای بهینه سازی پارامترهای DBN به منظور بهبود عملکرد آن استفاده شد. SSO یک الگوریتم بهینه سازی رفتار مبتنی بر رفتار عنکبوتی جدید است و می تواند برای پرداختن به بهینه سازی پیچیده و مشکلات مهندسی استفاده شود. با توجه به اینکه عملکرد پیش بینی DBN تحت تأثیر تعداد گره های موجود در لایه پنهان قرار دارد ، از SSO برای بهینه سازی این پارامتر در مرحله آموزش DBN (به نام SSO-DBN) استفاده می شود ، که می تواند عملکرد پیش بینی DBN را به میزان قابل توجهی افزایش دهدبشراز دو مجموعه داده ، از جمله انرژی باد و قدرت PV با عوامل تأثیرگذار آنها ، برای ارزیابی عملکرد پیش بینی SSO-DBN پیشنهادی استفاده شد. ما همچنین مدل پیشنهادی را با چندین روش شناخته شده مقایسه کردیم ، و نتایج آزمایش نشان می دهد که مدل پیش بینی پیشنهادی در مقایسه با سایر روش ها از ثبات بهتر و دقت پیش بینی بالاتر برخوردار است.

کلید واژه ها:

1. معرفی

صنعت برق یک صنعت اساسی مهم اقتصاد ملی است و صنعت اصلی و پیشرو در استراتژی توسعه اقتصادی ملی است. توسعه آن نیاز به پیشرفت اجتماعی و بهبود مستمر استانداردهای زندگی مردم است و زندگی ما در حال حاضر از برق جدا نیست. در گذشته ، حالت اصلی برق تولید حرارتی از انرژی فسیلی از جمله زغال سنگ ، گاز طبیعی و سایر احتراق بود. با این حال ، استفاده گسترده از انرژی حرارتی نه تنها منجر به میزان زیادی از مصرف انرژی غیر تجدید پذیر خواهد شد ، بلکه بسیاری از گازهای مضر را در کل فرآیند احتراق تخلیه می کند و باعث آسیب به محیط طبیعی می شود [1]. به منظور حل مشکلات تقاضای انرژی و حفاظت از محیط زیست ، با اجرای استراتژی توسعه انرژی تجدید پذیر و پیشرفت مداوم در ساخت پایگاههای بزرگ انرژی پاک در جهان ، برخی از نسل جدید انرژی پاک به سرعت افزایش یافته اند. در این پایه ها ، تولید برق فتوولتائیک و تولید انرژی باد ، به عنوان معمولی ترین نمایندگان ، با استفاده از انرژی خورشیدی و انرژی باد ، به دلیل ویژگی های توزیع گسترده و استفاده از آن ، به عنوان سیستم های تولیدی اعمال شده است. از یک طرف ، انرژی خورشیدی مزایای تمیز بودن ، ایمن و بی رحمانه بودن را دارد ، اما به دلیل تأثیر بسیاری از عوامل ، تصادفی ، بی ثبات و متناوب است [2] ، که می تواند تهدیدی جدی برای ثبات و امنیت آن باشدشبکه برقاز طرف دیگر ، انرژی باد ویژگی های آلودگی کم و ظرفیت ذخیره سازی بزرگ را دارد ، اما همچنین متناوب و نامشخص است ، [3] که برنامه ریزی و برنامه ریزی برای شبکه را دشوارتر می کند. در کل ، قدرتهای خروجی خورشیدی و باد به دلیل تأثیر عوامل طبیعی ، که بسیاری از مشکلات را در برنامه ریزی شبکه برق و برنامه ریزی سیستم های مدیریت انرژی ، از جمله منابع انرژی جدید [4] و عملکرد قابل اعتماد شبکه برق به ارمغان می آورد ، بی تحرک است. بشربنابراین ، مطالعه قدرت فتوولتائیک و پیش بینی انرژی باد از اهمیت زیادی برخوردار است و نتایج پیش بینی دقیق برای اعزام شبکه برق ، مدیریت انرژی و امنیت و ثبات سیستم قدرت بسیار مهم است.

در سال های اخیر، رویکردهای پیش بینی بیشتر و بیشتری برای توان PV و نیروی باد ایجاد شده است که می توان آنها را به روش های پیش بینی مبتنی بر مدل فیزیکی و روش های مبتنی بر داده از دیدگاه الگوریتم ریاضی تقسیم کرد. رویکرد فیزیکی مبتنی بر اصول تولید برق توربین های بادی و پنل خورشیدی است که در آن داده های پیش بینی آب و هوا از پیش بینی عددی آب و هوا (NWP)، مانند سرعت و جهت باد در ارتفاعات مختلف، داده های تابش مستقیم معمولی، داده های تابش مستقیم افقیداده های تابش کل، داده های فشار هوا، داده های دما و غیره برای محاسبه توان، با ترکیب بازده تبدیل انرژی و پارامترهای سیستم استفاده می شوند [5،6]. اگرچه روش های پیش بینی مبتنی بر مدل فیزیکی می توانند قوانین داخلی را منعکس کنند، نتایج پیش بینی انحرافات زیادی را در پیش بینی میان مدت و بلندمدت نشان می دهد، زیرا استقرار مدل بر اساس فرض استقلال قانون محلی و پارامترهای مدل است. به دست آوردن نسبتا دشوار است. در همین حال، روش های درایو داده با قابلیت برازش غیرخطی قوی می توانند ترسیم های روش مدل فیزیکی را جبران کنند، که در میان آنها روش های یادگیری آماری و شبکه های عصبی مصنوعی به طور گسترده برای زمینه های پیش بینی توان PV و پیش بینی توان باد به کار گرفته شده اند. روش های یادگیری آماری از داده های تاریخی مانند باد، خورشید، رطوبت و دما و همچنین روش های تخمین پارامتر برازش منحنی برای تشکیل مدل های نقشه برداری ورودی-خروجی استفاده می کنند [7،8]. روش های آماری رایج شامل روش های پیش بینی سری های زمانی با سرعت محاسباتی بالا [9]، روش های تحلیل رگرسیون نسبتا ساده و راحت [10]، روش های تئوری خاکستری که به نمونه های بزرگ نیاز ندارند [11]، روش های نظریه فازی با استحکام خوب [12]،روش های همبستگی مکانی-زمانی که از ویژگی های مکانی-زمانی عمیق [13]، ماشین بردار پشتیبانی (SVM) [14] و سایر روش های مرتبط بهره می برند. داده های سری زمانی اساساً می توانند روند تغییر متغیر تصادفی خاص یا معینی را منعکس کنند که به طور مداوم در طول زمان تغییر می کند، و هسته اصلی مشکل پیش بینی سری های زمانی استخراج این الگو از داده ها و استفاده از آن برای تخمین داده های آینده است [15]. پیش بینی سری های زمانی به طور گسترده در پیش بینی توان بادی و PV استفاده می شود، زیرا روند آشکاری در توان باد و PV در طول زمان وجود دارد، مانند مدل میانگین متحرک یکپارچه اتورگرسیو (ARIMA) و مدل ARIMA فصلی (SARIMA) [16،17]. غیر خطی،

ماهیت تصادفی از داده های باد و PV یک چالش بزرگ برای پیش بینی قدرت است [18،19]. قدرت تاریخی آنها و رابطه نقشه برداری غیرخطی بین داده های قدرت سری زمانی و عوامل تأثیرگذار قدرت ، ضبط مصنوعی دشوار است [20]. به عنوان یکی دیگر از روشهای مهم داده محور ، مدل های شبکه عصبی مصنوعی (ANN) با قابلیت اتصالات غیرخطی قوی می توانند برای پیش بینی PV و قدرت باد ، مانند انتشار پشت (BP) [21] ، عملکرد پایه شعاعی (RBF) استفاده شود.] ، دستگاه یادگیری افراطی (ELM) [23] ، حافظه کوتاه مدت کوتاه (LSTM) [24،25،26،27] ، واحد مکرر دروازه (GRU) [28،29،30،31،32] ، اعتقاد عمیقشبکه (DBN) [33،34] و غیره. شبکه عصبی BP از توانایی خودآموزی قوی و توانایی عملکردی غیرخطی پیچیده برخوردار است ، اما پارامترهای اولیه شبکه آن با اولیه سازی تصادفی بدست می آید و در نتیجه توانایی تعمیم ضعیف در موارد پیش بینی و سهولت در بهینه سازی محلی ایجاد می شود.

نسبت به مدل های شبکه عصبی کم عمق فوق الذکر ، مدل های شبکه عصبی عمیق (DNN) توانایی ضبط ویژگی های ضمنی داده های غیرخطی را دارند و همچنین برای تقریبی هر عملکرد غیرخطی با ساختار عمیق. در حال حاضر ، تراش های مختلف مدل DNN در زمینه های تشخیص تصویر و صوتی و پیش بینی انرژی پاک به طور گسترده ای مورد استفاده قرار گرفته و به طور گسترده ای مورد استفاده قرار می گیرد [32،35]. شبکه های عصبی مکرر (RNN) ، به عنوان DNN ، عملکرد برجسته ای را در برنامه های پیش بینی و پیش بینی سری زمان نشان دادند و LSTM و NARX ، به عنوان یکی از اصلی ترین RNN های کارآمد ، برای پیش بینی نیروی باد و قدرت PV مناسب است [24،25 ،26،27]. به عنوان یک نوع LSTM ، شبکه واحد مکرر گیت (GRU) دارای پیکربندی ساده ای است که شامل پارامترهای آموزش کمتری است و می تواند دقت پیش بینی مشابهی را به LSTM بدست آورد در حالی که در چندین منطقه کاربردی شامل تکرارهای کمتری نیز می شود [28]. بنابراین ، شبکه GRU برای قدرت باد و پیش بینی قدرت PV اعمال شده است [29،30،31،32]. SEQ2SEQ به طور کلی از طریق چارچوب رمزگذا ر-دکتور اجرا می شود. قطعات رمزگذار و رمزگشایی می تواند هر متن ، گفتار ، تصویر یا داده های ویدئویی باشد و مدل می تواند CNN ، RNN ، LSTM ، GRU ، BLSTM و غیره باشد. علاوه بر این ، SEQ2SEQ در بهره برداری از اطلاعات از توالی های جهانی دوربرد خوب است. بنابراین ، SEQ2SEQ نیز برای پیش بینی انرژی باد اعمال شده است [36].

DBN یکی از الگوریتم های یادگیری عمیق کلاسیک است که از دستگاه های بولتزمن محدود محدود (RBM) تشکیل شده است [37]. در مقایسه با الگوریتم های یادگیری ماشین سنتی ، DBN با توانایی استخراج ویژگی های قوی تر ، می تواند با استفاده از یادگیری عمیق و یادگیری ویژگی ، تجزیه و تحلیل سریع داده های زیادی را انجام دهد. پارامترهای اولیه شبکه از طریق لایه به لایه قبل از آموزش بدون نظارت به دست می آید ، که به طور موثری یک سری از مشکلات ناشی از اولیه سازی تصادفی پارامترهای شبکه عصبی سنتی را حل می کند. علاوه بر داشتن نقاط اولیه خوب ، مشکلات بیش از حد و مناسب که اغلب در مدل های NN ظاهر می شوند نیز می توانند از طریق قبل از آموزش به طور مؤثر حل شوند [38]. در سالهای اخیر ، DBN در طبقه بندی ، تشخیص گسل ، پیش بینی داده ها و سایر زمینه ها استفاده شده است [34،36،39،40،41]. با توجه به مزایای DBN ، می توان آن را به طور طبیعی در زمینه پیش بینی انرژی پاک اعمال کرد.

کاربرد DBN در زمینه پیش بینی انرژی تجدید پذیر نسبتاً کوتاه مدت بوده است. در سالهای اخیر ، بسیاری از محققان کارهای زیادی را برای استفاده از DBN در پیش بینی انرژی تجدید پذیر انرژی انجام داده اند. وانگ از DBN و الگوریتم K-Means برای پردازش داده های فاکتور هواشناسی برای پیش بینی توان باد استفاده کرد [42] ؛یوان از الگوریتم های تجزیه و تحلیل طیف مفرد و بهینه سازی برای ساختن یک مجموعه زیر برای بهبود عملکرد یک مدل DBN در پیش بینی توان باد کوتاه مدت استفاده کرد [43] ؛Yuba Tao از تجزیه و تحلیل همبستگی خاکستری برای یافتن عوامل کلیدی در داده های در مقیاس زمان تولید انرژی باد استفاده کرد و از DBN برای معدن قوانین پنهان استفاده کرد [44] ؛وانگ با بازسازی فضای فاز چند بعدی برای تسهیل DBN برای پیش بینی توان باد کوتاه مدت ، ویژگی های پویا سرعت باد را مشخص کرد. و وی از آستانه نرم موجک برای از بین بردن سیگنال های نویز با فرکانس بالا در داده ها استفاده کرد [46] ، که در نهایت باعث بهبود کارایی مدل شد. DBN بهبود یافته با معرفی دستگاه Boltzmann محدود شده با Gaussia n-Beoulli برای پیش بینی انرژی باد [47] ارائه شد و یک روش مرحله یادگیری تطبیقی برای بهبود سرعت همگرایی اعمال شد. با توجه به بیش از حد پارامتر بهینه در DBN ، یک بهینه سازی ذرات (PSO) و الگوریتم بهینه سازی Coot اصلاح شده برای بهبود دقت پیش بینی توان باد به DBN معرفی شد [48،49]. در کل ، DBN کاندیدای خوبی است که برای پیش بینی انرژی انرژی پاک مورد استفاده قرار می گیرد. با این حال ، مشکل بهینه سازی بیش از حد پارامتر هنوز یک چالش اساسی برای DBN در زمینه های پیش بینی است. مشکل فوق با ظهور الگوریتم های مختلف بهینه سازی ، که الگوریتم های بهینه سازی متهوریستی در سالهای اخیر به طور گسترده ای مورد استفاده قرار گرفته است ، به طور قابل توجهی تغییر یافته است. الگوریتم های مختلف متهوریستی الگوریتم های جستجوی محلی هستند که بر اساس یک پدیده خاص تهیه شده اند: به عنوان مثال ، الگوریتم های Swarm ذرات (PSO) ، الگوریتم های ژنتیکی (GA) ، الگوریتم های آنیل سازی شبیه سازی شده (SA) ، الگوریتم بهینه سازی عنکبوت Swarm (SSO) و غیره. SSO یک الگوریتم تکاملی هوشمند گروهی است که مبتنی بر شبیه سازی رفتار مشترک فردی و گروهی در عنکبوتهای متلاشی است. افراد از جنس های مختلف دارای دو اپراتور تکاملی متفاوت هستند و رفتارهای مختلف مشترک را در این گروه تقلید می کنند. این الگوریتم از سرعت همگرایی خوب و توانایی جستجوی جهانی برخوردار است. به بهترین دانش ما ، الگوریتم SSO [50] ،

به عنوان یک روش بهینه سازی هوشمند هوشمند Swarm ، در برنامه های مختلف [51،52] مورد استفاده قرار گرفته است ، اما از آن برای مشکل بهینه سازی در DBN استفاده نشده است. بنابراین ، هدف اصلی این کار تهیه یک مدل DBN بهینه سازی شده SSO برای پیش بینی باد و PV بود.

قدرت حاصل از منابع انرژی تجدید پذیر به طور قابل توجهی تحت تأثیر عوامل محیطی است و دقت پیش بینی ماتریس ورودی ساخته شده از یک قدرت تاریخی واحد ایده آل نیست. در این مقاله ، دقت پیش بینی مدل با وارد کردن داده های حاوی داده های قدرت تاریخی و همچنین داده های فاکتور تأثیرگذار بسیار همبسته بهبود می یابد. علاوه بر این ، مدل DBN دارای مزایای آشکار در پیش بینی انرژی تجدید پذیر انرژی که در بالا ذکر شد ، اما پتانسیل پیش بینی مدل در انرژی تجدید پذیر به طور قابل توجهی تحت تأثیر پارامترهای بیش از حد است. در این مقاله ، از الگوریتم SSO برای یافتن تعداد بهینه گره ها در لایه ضمنی DBN استفاده می شود تا از قدرت پیش بینی مدل DBN به طور کامل استفاده شود.

سهم اصلی این مقاله به شرح زیر است:

به بهترین دانش ما ، این اولین تلاش برای گنجاندن SSO در DBN برای بهینه سازی پارامترهای آن است و بنابراین ، عملکرد DBN بیشتر بهبود می یابد.

بر اساس تجزیه و تحلیل ارتباط ، قدرت تاریخی و عوامل مؤثر بسیار همبسته برای ساخت ورودی های چند بعدی برای آموزش DBN بهینه سازی شده با روش SSO استفاده می شود و یک مدل پیش بینی هیبریدی جدید برای پیش بینی انرژی تجدید پذیر تهیه می شود.

از دو مجموعه داده ، از جمله داده های انرژی باد و داده های قدرت PV ، برای تأیید عملکرد پیش بینی مدل پیشنهادی برای پیش بینی انرژی تجدید پذیر از طریق آزمایش های مقایسه در شرایط مختلف استفاده می شود.

سازمان مقاله به شرح زیر است. بخش 2 روشها ، از جمله شبکه اعتقاد عمیق و روش بهینه سازی عنکبوت SWARM را ارائه می دهد. سپس ، بخش 3 مدل پیش بینی پیشنهادی را از طریق DBF بهینه سازی شده با استفاده از SSO معرفی می کند. بخش 4 در مورد برخی از مطالعات موردی از مدل پیش بینی پیشنهادی بر اساس داده های انرژی باد و داده های قدرت PV توضیح می دهد. سرانجام ، بخش 5 این کار را نتیجه می گیرد.

2. روش شناسی

2. 1شبکه اعتقاد عمیق

DBN یک ساختار شبکه عصبی چند لایه دارد و این یک مدل یادگیری ماشین چند لایه است. MLP سنتی با مشکلات ناپدید شدن شیب ، واقعیت وقت گیر بودن و تقاضای زیاد برای داده های آموزش روبرو است. با این وجود ، DBN یک روش یادگیری عمیق عملی برای رسیدگی به این اشکالاتی است. DBN دارای یک فرایند یادگیری بدون نظارت و یک فرآیند یادگیری تحت نظارت است ، جایی که یادگیری بدون نظارت توسط یک ساختار شبکه با لایه های متعدد بدنه های دستگاه Boltzmann محدود (RBM) انجام می شود و یادگیری تحت نظارت توسط یک لایه از شبکه های تبلیغی انجام می شود. یادگیری بدون نظارت ، اولیه سازی پارامترهای هر لایه از ساختار شبکه را تکمیل می کند ، در حالی که تحت نظارت یادگیری پارامترهای اولیه در سطح جهان را تنظیم می کند [53].

RBM دارای یک لایه قابل مشاهده و یک لایه پنهان است. لایه های مرئی و پنهان از هر دو جهت به هم وصل می شوند ، اما گره های هر لایه به یکدیگر وصل نمی شوند. ساختار RBM را می توان در شکل 1A مشاهده کرد. در طی فرآیند یادگیری RBM ، یک تابع انرژی E (V ، H | θ) باید تعریف شود ، و یک فرمول حل کننده متداول از عملکرد انرژی به عنوان بیان شده است

e (v ، h | θ) = - ∑ i = 1 n ∑ j = 1 m ω i j v i h j - ∑ i = 1 n b i v i - ∑ j = 1 m c j h j