Nowadays the estimation of power pr

Nowadays the estimation of power production yield by stand-alone and grid-connected Photovoltaic (PV) plants is crucial for technical and economic feasibility design analyses. The main goal is to overcome renewables unpredictability by properly estimating the power production and by suitably balancing generation and consumption. In this context, many methods can be applied to forecast renewables energy production. The scope of this paper is a comparative analysis of three different methods to estimate the power production of a preexisting PV plant. It is installed at ENEA Research Centre located in Portici (South Italy) and it is integrated in a Micro Grid (MG) configuration. In detail a phenomenological model proposed by Sandia National Laboratories and two statistical learning models, a Multi-Layer Perceptron (MLP) Neural Network and a Regression approach, are compared. These models are deeply different also in terms of required input data and parameters. In detail, phenomenological model application requires the availability of design parameters and technical devices specifications. Statistical machine learning models need, however, input variable previously acquired datasets. The a-Si/μc-Si PV plant, installed at Portici, represents an adequate case study for the three models comparison, as both design and acquired data are available. In fact, the plant was designed at the ENEA Research Centre so this makes possible the knowledge of the design parameters and, being a part of the MG, its data are continuously acquired and transmitted to other network devices. Obtained results demonstrate more accurate power predictions can be reached by statistical machine learning approaches. The main novelty of the paper consists in the optimization of the considered models by the appropriate identification of the minimum and more representative training dataset. Authors underline the unnecessary use of thousands samples by suitably selecting the dataset size and samples by means of a Genetic Algorithm. The optimization strategy effectiveness is verified comparing the prediction performances obtained employing the optimal dataset with those obtained with a randomly chosen dataset. In this scenario, Genetic Algorithm strategy represents a successful approach to the suitable identification of statistical models datasets.

ผลลัพธ์ (ไทย) 1:

ในปัจจุบันการประเมินผลการผลิตพลังงานจากพืชพลังงานแสงอาทิตย์ (PV) แบบสแตนด์อโลน และ เชื่อมตารางเป็นสิ่งสำคัญสำหรับการวิเคราะห์การออกแบบความเป็นไปได้ทางเทคนิค และเศรษฐกิจ เป้าหมายหลักคือการ เอาชนะผันผวนพลังงานทดแทน โดยการประเมินการผลิตพลังงานอย่างถูกต้อง และเหมาะสมดุลการสร้างและการใช้ ในบริบทนี้ สามารถใช้หลายวิธีในการพยากรณ์การผลิตพลังงานทดแทนพลังงาน ขอบเขตของเอกสารนี้เป็นการวิเคราะห์เปรียบเทียบ 3 วิธีการประเมินการผลิตพลังงานของโรงงาน PV ฟิ มีการติดตั้งที่ศูนย์วิจัย ENEA ใน Portici (ประเทศอิตาลี) และถูกรวมในการกำหนดค่าไมโครกริด (มิลลิกรัม) รายละเอียดรุ่น phenomenological เสนอ โดยห้องปฏิบัติการแห่งชาติซานเดียและสองสถิติรุ่น เครือ ข่ายระบบประสาทหลายชั้นเพอร์เซปตรอน (MLP) และ วิธีการถดถอย การเรียนรู้จะเปรียบเทียบ รุ่นนี้จะแตกต่างกันอย่างลึกซึ้งนอกจากนี้ในแง่ของการป้อนข้อมูลและพารามิเตอร์ รายละเอียด ประยุกต์รุ่น phenomenological ต้องพารามิเตอร์การออกแบบและข้อมูลจำเพาะของอุปกรณ์ทางเทคนิค เรียนรู้รูปแบบของเครื่องอย่างไรก็ตาม ต้อง ป้อนข้อมูลตัวแปรชุดข้อมูลที่มีมาก่อนหน้านี้ โรงงานมี ศรี/μc-ใน PV การติดตั้งที่ Portici แสดงถึงกรณีศึกษาเพียงพอสำหรับการเปรียบเทียบสามรุ่น ทั้งออกแบบ และได้รับข้อมูลใช้ ในความเป็นจริง การโรงงานถูกออกแบบมาที่ศูนย์วิจัย ENEA ดังนี้ทำให้ได้ความรู้ของพารามิเตอร์การออกแบบ และ เป็นส่วนหนึ่งของใน ข้อมูลอย่างต่อเนื่องมา และถูกส่งไปยังอุปกรณ์เครือข่ายอื่น ๆ ได้รับผลสาธิตพลังงานถูกต้องคาดการณ์สามารถเข้าถึงได้ โดยวิธีการเรียนรู้ของเครื่อง ไอเดียหลักของกระดาษประกอบด้วยในการเพิ่มประสิทธิภาพของรูปแบบพิจารณา โดยรหัสที่เหมาะสมของชุดข้อมูลขั้นต่ำ และเพิ่มเติมตัวแทน ผู้เขียนขีดเส้นใต้การใช้ไม่จำเป็นพันตัวอย่าง โดยการเลือกขนาดชุดข้อมูลเหมาะสม และตัวอย่างโดยใช้อัลกอริธึมพันธุกรรม ประสิทธิภาพกลยุทธ์การเพิ่มประสิทธิภาพการตรวจสอบเปรียบเทียบแสดงการคาดเดาที่ใช้ชุดข้อมูลที่เหมาะสมกับผู้ที่ได้รับจากการสุ่มเลือกชุดข้อมูลที่ได้รับ ในสถานการณ์สมมตินี้ อัลกอริทึมพันธุกรรมกลยุทธ์หมายถึงวิธีการประสบความสำเร็จในการรหัสเหมาะสมของชุดข้อมูลโมเดลทางสถิติ

ผลลัพธ์ (ไทย) 2:

ปัจจุบันการประมาณอัตราผลตอบแทนการผลิตพลังงานโดยแบบสแตนด์อะโลนและ (PV) พืชตารางที่เชื่อมต่อไฟฟ้าโซลาร์เซลล์เป็นสิ่งสำคัญสำหรับการวิเคราะห์การออกแบบความเป็นไปได้ทางเทคนิคและเศรษฐกิจ เป้าหมายหลักคือการเอาชนะความผันผวนพลังงานหมุนเวียนโดยต้องประเมินกำลังการผลิตและโดยการสร้างสมดุลและการบริโภคที่เหมาะสม ในบริบทนี้วิธีการมากมายที่สามารถนำมาใช้ในการคาดการณ์การผลิตพลังงานหมุนเวียน ขอบเขตของการวิจัยนี้คือการวิเคราะห์เปรียบเทียบทั้งสามวิธีที่แตกต่างกันในการประมาณการกำลังการผลิตของโรงงาน PV มาก่อน จะถูกติดตั้งที่ ENEA ศูนย์วิจัยอยู่ใน Portici (South อิตาลี) และมันก็เป็นแบบบูรณาการใน (MG) ค่าไมโครกริด ในรายละเอียดรูปแบบปรากฏการณ์ที่เสนอโดย Sandia National Laboratories และสองโมเดลการเรียนรู้ทางสถิติหลายชั้น Perceptron (MLP) โครงข่ายประสาทเทียมและวิธีการถดถอยที่จะเปรียบเทียบ รูปแบบเหล่านี้จะแตกต่างกันอย่างลึกซึ้งในแง่ของการป้อนข้อมูลที่จำเป็นและพารามิเตอร์ ในรายละเอียดประยุกต์ใช้แบบจำลองปรากฏการณ์วิทยาต้องพร้อมของพารามิเตอร์การออกแบบและข้อมูลจำเพาะอุปกรณ์ทางเทคนิค โมเดลการเรียนรู้ทางสถิติต้องการชุดข้อมูลอย่างไรก็ตามตัวแปรที่ได้มาก่อนหน้านี้ A-Si / μcศรี PV โรงงานติดตั้งที่ Portici, แสดงให้เห็นถึงกรณีศึกษาที่เพียงพอสำหรับการเปรียบเทียบสามรุ่นเป็นทั้งการออกแบบและข้อมูลที่ได้มามีอยู่ ในความเป็นจริงพืชที่ได้รับการออกแบบที่ศูนย์วิจัย ENEA นี้จึงทำให้เป็นไปได้ความรู้ของพารามิเตอร์การออกแบบและเป็นส่วนหนึ่งของ MG ข้อมูลของจะได้รับอย่างต่อเนื่องและส่งไปยังอุปกรณ์เครือข่ายอื่น ๆ ผลที่ได้แสดงให้เห็นถึงการคาดการณ์อำนาจถูกต้องมากขึ้นสามารถเข้าถึงได้โดยวิธีการเรียนรู้เครื่องสถิติ ความแปลกใหม่หลักของกระดาษประกอบด้วยในการเพิ่มประสิทธิภาพของแบบจำลองการพิจารณาโดยประชาชนที่เหมาะสมของขั้นต่ำและชุดการฝึกอบรมตัวแทน ผู้เขียนขีดเส้นใต้ไม่จำเป็นต้องใช้ของกลุ่มตัวอย่างโดยพันเหมาะสมการเลือกขนาดของชุดข้อมูลและตัวอย่างโดยวิธีการของอัลกอริทึม ประสิทธิผลกลยุทธ์การเพิ่มประสิทธิภาพการตรวจสอบเปรียบเทียบการแสดงการคาดการณ์ที่ได้รับการจ้างชุดที่เหมาะสมกับผู้ที่ได้รับกับชุดข้อมูลที่สุ่มเลือก ในสถานการณ์สมมตินี้กลยุทธ์ทางพันธุกรรมขั้นตอนวิธีการแสดงให้เห็นถึงวิธีการที่ประสบความสำเร็จในการระบุตำแหน่งที่เหมาะสมของแบบจำลองทางสถิติชุดข้อมูล