رفتار شکار شامپانزه‌ها می‌تواند پیش‌بینی تولید انرژی فوتوولتائیک را بهبود بخشد
پژوهشگران تأثیر الگوریتم بهینه‌سازی شامپانزه (ChOA) را بر روی مدل‌های مختلف پیش‌بینی تولید انرژی فوتوولتائیک با استفاده از یادگیری ماشین تحلیل کرده‌اند.
این مطالعه که توسط پژوهشگران دانشگاه آلمانی اردنی هدایت شده است، بر الگوریتمی که بر اساس رفتار شکار گروهی شامپانزه‌ها در طبیعت استوار است، متمرکز شده است. پژوهشگران تأثیر ChOA را بر روی پنج مدل مختلف یادگیری ماشین (ML) که برای پیش‌بینی تولید انرژی بر اساس چهار متغیر مستقل آب و هوایی: سرعت باد، رطوبت نسبی، دمای محیط و تابش خورشید ساخته شده و مقایسه شده بودند، بررسی کرده‌اند.
مدل‌ها با استفاده از الگوریتم بهینه‌سازی شامپانزه تنظیم پارامتر شدند
مدل‌های ارزیابی شده شامل رگرسیون خطی چندگانه (MLR)، رگرسیون درخت تصمیم‌گیری (DTR)، رگرسیون جنگلی تصادفی (RFR)، رگرسیون بردار پشتیبانی (SVR) و پرسپترون چندلایه‌ای (MLP) بودند. این مدل‌ها با استفاده از الگوریتم بهینه‌سازی شامپانزه (ChOA) برای ارزیابی عملکرد تنظیم پارامتر شدند. بر اساس این مطالعه، سیستم‌های فوتوولتائیک خورشیدی (PV) که برای انرژی پایدار ضروری هستند، با چالش‌هایی در پیش‌بینی مواجه هستند که به دلیل طبیعت غیرقابل پیش‌بینی عوامل محیطی مؤثر بر تولید انرژی است. اهمیت پیش‌بینی PV در بسیاری از کاربردهای PV برای مدیریت و نگهداری مناسب سیستم‌های PV در سراسر جهان انجام می‌شود. مدیریت موثر شبکه برق از این فرآیند ناشی می‌شود که توانایی عظیمی در پیش‌بینی خروجی مورد انتظار در تولید انرژی دارد، بر اساس مطالعه منتشر شده در مجله Nature. تمام پنج مدل، با و بدون ChOA، بر روی 948 رکورد آموزش داده شدند و بر روی 362 رکورد آزمایش شدند. این رکوردها از سیستم PV 264 کیلوواتی نصب شده بر روی سقف دانشگاه علوم کاربردی در امان، پایتخت اردن، بین سال‌های 2015 تا 2018 جمع‌آوری شده بودند. زاویه نصب در 11 درجه و زاویه سمتی در -36 درجه تنظیم شده بود، به گزارش PV Magazine.
بهینه‌سازی پارامترها عملکرد مدل‌های یادگیری ماشین را بهبود بخشید
بهینه‌سازی پارامترها عملکرد تمامی مدل‌های یادگیری ماشین را به طور قابل توجهی بهبود بخشید.
پژوهشگران در این مطالعه گفتند: “ChOA به طور مؤثر پارامترها را تنظیم کرده و منجر به بهبود فیت مدل، کاهش بیش‌بری و بهبود عمومی عملکرد در مقایسه با دو الگوریتم بهینه‌سازی دیگر از ادبیات: PSO (بهینه‌سازی ازدحام ذرات) و GA (الگوریتم ژنتیک) شده است.” ChOA به طور خاص پایین‌ترین خطاهای پیش‌بینی (از نظر RMSE - ریشه میانگین مربعات خطا) را به دست آورده و کارایی بیشتری نشان داده است، نیاز به تکرارهای کمتری برای دستیابی به پارامترهای بهینه داشته است.
این مطالعه تأکید دارد که تنظیم دقیق مدل‌های یادگیری ماشین برای بهبود دقت پیش‌بینی در حوزه تولید انرژی همچنان مستلزم استفاده از تکنیک‌های پیشرفته بهینه‌سازی مانند ChOA است، که در مقایسه با سایر الگوریتم‌های بهینه‌سازی رایج در ادبیات علمی است.
پژوهشگران همچنین اظهار داشتند که قابلیت‌های پیش‌بینی زمان واقعی و کارایی عملیاتی سیستم‌های PV خورشیدی می‌تواند از طریق ادغام داده‌های آب و هوای واقعی مورد بررسی قرار گیرد.
