太阳能发电高效灌系统的短期光伏发电使用LSTM与时空注意力机制

科学领域:

• 农业工程 农业工程
• 可再生能源系统可再生能源系统
• 人工智能的人工智能

背景情况:

• 太阳能灌系统提供可持续的农业解决方案,但由于可变的太阳辐射,在效率和持续发电方面面临挑战.
• 自动化和人工智能集成是优化太阳能使用,减少环境影响和提高农业成本效益的关键.
• 技术专业知识的缺口和光伏发电的固有变性阻碍了太阳能灌的广泛实践采用.

研究的目的:

• 开发和评估人工智能 (AI) 驱动的自动化灌发电系统,以提高效率.
• 提出一种新的基于空间和时间注意力区块的长期短期记忆 (LSTM) 模型,用于精确预测高效灌系统的功率输出.
• 通过准确的光伏输出预测,提高太阳能灌系统的技术和经济可行性.

主要方法:

• 为了预测发电,开发了一个结合空间和时间注意力块的长期短期记忆 (LSTM) 网络.
• 拟议模型的性能与现有的机器学习 (ML) 方法和基本的LSTM网络进行了评估.
• 关键性能指标包括平均平方误差 (MSE),根平均平方误差 (RMSE),平均绝对误差 (MAE) 和平均绝对百分比误差 (MAPE) 用于比较.

主要成果:

• 提出的带有注意力机制的LSTM模型在预测功率输出方面明显优于现有的ML和简单的LSTM模型.
• 平均绝对百分比误差 (MAPE) 的改进在优化后视 (LB) 和前视 (LF) 参数的情况下从6-7%不等.
• 该研究表明,增加发电厂的多功能性和为客户提供高质量的电力供应的潜力.

结论:

• 由人工智能驱动的LSTM模型在预测用于灌的太阳能发电方面取得了重大进展,提高了系统的可靠性和效率.
• 准确的光伏输出预测对于太阳能灌系统的实际和持续运行至关重要.
• 未来的工作包括调整风力发电预测模型,并整合客户行为分析,以进一步完善预测准确性.