مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله نشریه

مشخصات مقاله

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

75
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

36
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

پیش بینی کوتاه مدت توان فتوولتاییک در نیروگاه خورشیدی به کمک روشهای یادگیری ‏عمیق

صفحات

 صفحه شروع 70 | صفحه پایان 79

چکیده

 امروزه افزایش‎ ‎روزافزون‎ ‎مصرف‎ ‎انرژی در جهان, محدود‎ ‎بودن‎ ‎سوختهای‎ ‎فسیلی و بالابودن میزان آلایندگی آنها, استفاده از انرژی های نو و تجدید ‏پذیر همانند انرژی خورشیدی, باد و گرمایی زمین را مورد توجه همگان قرار داده است. انرژی خورشیدی یکی از این انرژیها است که مزایای ‏متعددی از جمله نداشتن آلودگیهای صوتی و زیست محیطی و‎ ‎رایگان‎ ‎بودن‎ ‎انرژی‎ ‎اولیه دارد.‏‎ ‎با این وجود, میزان توان تولیدی فتوولتاییک در ‏نیروگاهها به علت وابسته بودن به شرایط مختلف از جمله وضعیت آب و هوایی قابل کنترل نیست. این در حالیست که به منظور فراهم آوردن ‏انرژی الکتریکی با کیفیت بالا برای مصرف کنندگان نهایی و بهبود قابلیت اطمینان سیستم, نیازمند پیش بینی دقیق آن هستیم. در این تحقیق ‏سه مدل برای پیش بینی کوتاه مدت توان خروجی یک نیروگاه پیشنهاد شده که مبتنی بر شبکه عصبی عمیق بوده و از نظر نوع ورودی ها و ‏ساختار شبکه با هم متفاوت هستند. مدلهای پیشنهادی در ساختارشان از شبکه حافظه کوتاه مدت طولانی (‏LSTM‏) استفاده کرده و از توانهای ‏خروجی قبلی و پارامترهای آب و هوایی به عنوان ورودی بهره برده اند. آزمایشهای انجام شده نشان می دهد, استفاده از ورودی هایی مبتنی بر ‏شرایط آب و هوایی, در کنار توانهای خروجی قبلی منجر به افزایش دقت پیش بینی می شود. همچنین استفاده از ساختارهای پیچیده تر در شبکه, ‏به بهبود کارایی کمک می کند‎.‎

چندرسانه ای

  • ثبت نشده است.

    • استنادها

  • ثبت نشده است.

    • ارجاعات

  • ثبت نشده است.

    • استناددهی

    مقالات مرتبط نشریه ای

  • ثبت نشده است.

    • مقالات مرتبط همایشی

  • ثبت نشده است.

    • طرح های مرتبط

  • ثبت نشده است.

    • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button