بهبود عملکرد سیستم پنل خورشیدی با رویکرد ترکیبی شبکه عصبی عمیق ویادگیری انتقالی

Abstract

با افزایش تقاضای جهانی برای انرژی و رشد نگرانی‌های زیست‌محیطی، بهره‌گیری از منابع انرژی تجدیدپذیر به‌ویژه انرژی خورشیدی اهمیت فزاینده‌ای یافته است. سیستم‌های پنل خورشیدی به‌عنوان یکی از رایج‌ترین فناوری‌های تولید انرژی خورشیدی، در سال‌های اخیر به طور گسترده مورد استفاده قرار گرفته‌اند. با این حال، توان خروجی این سیستم‌ها به‌شدت تحت تأثیر عوامل محیطی متغیری همچون شدت تابش خورشیدی، دما، رطوبت و شرایط جوی قرار دارد. این تغییرپذیری، پیش‌بینی دقیق توان تولیدی را به یک چالش اساسی تبدیل کرده است. در این پژوهش، یک چارچوب ترکیبی نوآورانه برای بهبود پیش‌بینی توان خروجی سیستم‌ های پنل خورشیدی ارائه می‌شود. مدل پیشنهادی شامل سه جزء اصلی است: استفاده از شبکه عصبی عمیق برای استخراج ویژگی‌های غیرخطی از داده‌های ورودی، یادگیری انتقالی جهت افزایش تطبیق‌پذیری مدل با شرایط محیطی جدید، و بهره‌گیری از الگوریتم‌های بهینه‌سازی هوشمند مانند PSO و FA برای تنظیم بهینه پارامترهای شبکه. مدل ابتدا با داده‌های تاریخی آموزش دیده و سپس از طریق انتقال دانش به داده‌های جدید، بهینه‌سازی می‌شود. ارزیابی عملکرد مدل با استفاده از داده‌های واقعی نیروگاه خورشیدی، نشان می‌دهد که روش پیشنهادی نسبت به مدل‌های کلاسیک مانند ANN و ANN-PSO ، دقت بالاتر و خطای پیش‌بینی کمتری دارد. نتایج حاکی از افزایش ضریب همبستگی و کاهش نوسانات پیش‌بینی در شرایط مختلف است. روش ترکیبی ارائه‌شده با قابلیت تعمیم‌پذیری بالا و سازگاری سریع، در بهره‌برداری هوشمند از انرژی خورشیدی موثر است.