انرژی خورشیدی محاسباتی – روش های یادگیری گروهی برای پیش بینی تولید برق خورشیدی بر اساس پارامترهای هواشناسی در شرق هند

چالش در کاربردهای انرژی خورشیدی در متناوب بودن و وابستگی آن به پارامترهای هواشناسی مانند؛ تابش خورشیدی، دمای محیط، بارندگی، سرعت باد و غیره، و بسیاری از پارامترهای فیزیکی دیگر مانند تجمع گرد و غبار و غیره. از این رو، تخمین میزان تولید برق خورشیدی فتوولتائیک (PV) برای یک مکان جغرافیایی خاص مهم است. مدل‌های یادگیری ماشین (ML) اهمیت پیدا کرده‌اند و به طور گسترده برای پیش‌بینی عملکرد نیروگاه خورشیدی استفاده می‌شوند. در این مقاله، تاثیر پارامترهای آب و هوا بر تولید برق PV خورشیدی توسط چندین مدل Ensemble ML (EML) مانند Bagging، Boosting، Stacking و Voting برای اولین بار برآورد شده است. عملکرد الگوریتم‌های ML انتخاب شده توسط مجموعه داده‌های میدانی یک نیروگاه خورشیدی PV 10 کیلووات در منطقه شرق هند تأیید می‌شود. علاوه بر این، یک چارچوب بستر آزمون کامل برای داده کاوی و همچنین برای انتخاب مدل های یادگیری مناسب طراحی شده است. همچنین از انتخاب ویژگی و کاهش برای مجموعه داده برای کاهش پیچیدگی مکان و زمان مدل‌های یادگیری پشتیبانی می‌کند. نتایج دقت پیش‌بینی بیشتر در حدود 96% را برای مدل‌های EML Stacking و Voting نشان می‌دهد. کار پیشنهادی یک کار تعمیم یافته است و می تواند برای پیش بینی عملکرد نیروگاه های PV خورشیدی در مقیاس بزرگ نیز بسیار مفید باشد.