Araştırma, гана өткөн тарых fotovoltaik кубат değerlerini kullanarak 5 dakikalık çözünürlükte күн PV кубат tahmini yapmak үчүн Back-Propagation (BP) менен Online Sequential Learning Algorithm (OSLA) yaklaşımlarını birleştiren Modified BP-OSLA adlı гибриддик бир үйрөнүү algoritması geliştiriyor. Model; үч gecikmeli чыныгы кубат değerini үч gecikmeli болжолдоо değeriyle birleştiren алты girdili бир yapı, ката belirli бир eşiği aştığında devreye giren koşullu салмак güncellemesi жана küresel үйрөнүү катышы kullanıyor. Üç Florida PV маалымат serisinde 30 günlük eğitim жана 7 günlük görünmeyen test döneminde kaynakta haftalık MAPE/WMAPE катары ар башка biçimlerde adlandırılan ката değerleri Modified BP-OSLA үчүн Oviedo'da %2,9890, Knights Key'de %8,8166 жана Miami'de %4,05307 катары raporlandı. Model, bağımsız BPA жана OSLA'dan көбүрөөк төмөн ката üretirken N-BEATS жана N-HITS менен benzer büyüklükte болжолдоо hataları verdi жана çok көбүрөөк төмөн эсептөө süreleri raporlandı. Bununla birlikte маалымат seti үч Florida serisiyle sınırlıdır; meteorolojik değişken kullanılmamıştır; булак чыныгы zamanlı 7 gün ileri açık цикл tahmini өзүнчө катары doğrulamamış жана algoritmanın bazı салмак güncelleme denklemlerinde yeniden üretilebilirliği таасир эткен iç tutarsızlıklar bırakmıştır.
Çalışmanın негизги fikri, karmaşık бир терең үйрөнүү modelinin temsil gücünü түздөн-түз taklit etmek yerine көбүрөөк küçük бир ileri beslemeli sinir ağının үйрөнүү biçimini değiştirmektir. Modified BP-OSLA, BP'nin çok katmanlı ağlarda hatayı geriye yayma yeteneğini OSLA'nın recursive least-squares tabanlı ölçeklenmiş güncellemeleriyle birleştiriyor. Buna ek катары тармак, гана өткөн тарых чыныгы кубат değerlerine bakmıyor; kendi son tahminlerini de yeniden girişe vererek жакын geçmişte yaptığı hatalardan yararlanabilecek бир geri besleme yapısı oluşturuyor.
Sonuçların en dikkat çekici tarafı гана болжолдоо doğruluğu эмес. N-BEATS жана N-HITS bazı sahalarda Modified BP-OSLA'dan көбүрөөк төмөн ката üretmesine rağmen Modified BP-OSLA үчүн raporlanan eğitim+болжолдоо süreleri 0,76–1,90 saniye aralığındadır; бирдей karşılaştırmada N-BEATS 19,09–36,3 saniye, N-HITS болсо 36,39–63,09 saniye gerektirmiştir. Бул nedenle изилдөө “en doğru модель” iddiasından çok, көбүрөөк küçük бир ağın doğruluk–эсептөө maliyeti dengesi жагынан rekabetçi olabileceğini desteklemektedir.
Изилдөөнүн негизги маселеси кандай?
Güneş PV üretimi gün içi ışınım değişiklikleri, bulut hareketleri жана diğer çevresel etkiler nedeniyle zaman ичинде değişir. Elektrik sisteminde бул üretimin önceden болжолдоо edilmesi; üretim planlaması, rezerv yönetimi жана şebeke dengesi жагынан önem taşır. Çalışma өзгөчө ultra kısa dönemden көбүрөөк uzun zaman pencerelerine чейин kullanılabilecek, бирдей zamanda ağır терең үйрөнүү modellerine ылайык көбүрөөк төмөн эсептөө maliyetine sahip бир болжолдоо ыкмасы geliştirmeyi amaçlamaktadır.
Geleneksel Back-Propagation Algorithm (BPA), çok katmanlı ileri beslemeli ağları eğitebilir; fakat gradyan temelli салмак güncellemeleri yavaş yakınsayabilir жана başlangıç koşullarına duyarlı болушу мүмкүн. OSLA болсо recursive least-squares mantığıyla hızlı çevrimiçi güncelleme yapabilir, бирок klasik biçimi tek gizli katmanlı mimarilerle sınırlıdır. Modified BP-OSLA бул эки yaklaşımın özelliklerini tek ağda birleştirmeye иштейт.
Модель эмне үчүн PV кубатынын өткөн тарыхын гана колдонот?
Model күн ışınımı, айлана-чөйрөнүн температурасы же rüzgâr hızı сыяктуу meteorolojik өзгөрмөлөрү кирүү катары kullanmaz. Girdi tamamen PV кубат serisinin өткөн тарых değerlerinden oluşturulur. Böylece изилдөө бир univariate forecasting, yani tek değişkenli zaman serisi tahmini kurulumunu değerlendirmektedir.
Бул seçim modelin маалымат gereksinimini azaltmaktadır; бирок бирдей zamanda gelecekteki bulutluluk же ışınım değişiklikleri жөнүндө dış meteorolojik bilgi taşımadığı үчүн болжолдоо kapasitesinin гана кубат serisinin kendi zamansal yapısıyla чектелген экендиги anlamına gelir. Özellikle Knights Key'deki keskin кубат değişimlerinde бардык modellerin көбүрөөк чоң ката göstermesi бул yorum жагынан маанилүү.
Кайсы кечиктирилген маанилер тандалды?
Çalışma кирүү seçimi үчүн önceki araştırmadaki Autocorrelation Function (ACF) bulgularını Partial Autocorrelation Function (PACF) analiziyle tamamlamıştır. PACF, көбүрөөк eski бир gecikmenin aradaki zaman noktalarının таасири çıkarıldıktan кийин эмне чейин bağımsız bilgi sağladığını ölçmektedir.
| Gecikme | Süre | PACF | Булакта verilen болжолдоо payı (%) |
|---|---|---|---|
| 1 | 5 dakika | 0,9977 | 100 |
| 2 | 10 dakika | -0,5577 | 55,90 |
| 3 | 15 dakika | 0,1525 | 15,29 |
| 4 | 20 dakika | -0,1129 | 11,32 |
Beş dakikalık gecikme PACF=0,9977 менен baskın girdidir. On dakikalık gecikmenin -0,5577 değerindeki negatif kısmi korelasyonu, бир önceki gecikmenin taşıdığı bilgiden bağımsız yönde düzeltici bilgi sağlayabileceğini көрсөтөт. On беш dakikalık gecikmenin таасири көбүрөөк küçüktür. Yirmi dakikalık gecikme %95 güven sınırını aşmasına rağmen булак, %11,32 катары verdiği göreli katkının ağın кирүү boyutunu büyütmeyi haklı çıkarmadığına karar vermiştir.
Болжолдоонун кайтарым байланыштуу кириш архитектурасы кантип түзүлөт?
Modified BP-OSLA'nın özgün mimari değişikliklerinden biri гана өткөн тарых чыныгы ölçümleri эмес, ağın өткөн тарых tahminlerini de girişe eklemesidir. Булакта кирүү vektörü:
\[ \mathbf a_0 = [1; \hat y_{t-5}; \hat y_{t-10}; \hat y_{t-15}; y_{t-5}; y_{t-10}; y_{t-15}] \]
катары tanımlanmıştır. Buradaki 1 bias terimidir; \(\hat y\) өткөн тарых модель tahminlerini, \(y\) болсо өткөн тарых чыныгы кубат değerlerini көрсөтөт.
Gerçek өткөн тарых değerler булак tarafından series-parallel tanımlama yapısına, болжолдоо geri beslemeleri болсо parallel tanımlama yapısına benzetilmektedir. Gerçek değerlerin modele kararlı жана ölçülmüş referans sağlaması, болжолдоо değerlerinin болсо ağın kendi жакын dönem болжолдоо davranışını modele geri taşıması amaçlanmaktadır.
Бул yapı маанилүү бир yorum sınırı da oluşturur. Model ilerleyen her болжолдоо adımında son чыныгы кубат değerlerine erişiyorsa изилдөө, tek бир başlangıç anında бардык gelecek haftayı bilmeden hesaplanan klasik “7 gün ileri açık цикл” tahmininden ziyade бир haftalık test dönemi боюнча sürekli güncellenen kısa adımlı бир болжолдоо düzenine көбүрөөк yakındır. Булак бул ayrımı açık түрдө çözümlememekte жана өзүнчө болжолдоо ufuklarına ылайык ката tablosu vermemektedir.
Тармактын архитектурасы кандай?
| Algoritma | Öğrenme eşiği β | Öğrenme катышы | Ağ mimarisi |
|---|---|---|---|
| BPA | 0,1 | 0,001 | 6:18:18:1 |
| OSLA | 0,01 | — | 6:45:1 |
| Modified BP-OSLA | 0,0001 | 0,7 | 6:30:30:1 |
Modified BP-OSLA алты кирүү, 30 nöronlu эки gizli katman жана tek чыгыш nöronundan турган 6:30:30:1 mimarisini kullanmaktadır. Gizli katmanlarda sigmoid aktivasyon, çıkışta doğrusal yapı колдонулууда.
Шарттуу үйрөнүү механизми эмне кылат?
Her zaman adımında болжолдоо hatası:
\[ e_k=y_k-y_{\mathcal N,k} \]
катары эсептелет. Ağın ağırlıkları гана:
\[ |e_k|>\beta |y_k| \]
koşulu sağlandığında güncellenmektedir.
Булак бул yapıyı hedef değer çevresindeki бир “dead-zone” катары tanımlar. Tahmin zaten hedefe yeterince yakınsa küçük artık hatalar үчүн yeni салмак güncellemesi yapılmaz. Amaç recursive least-squares güncelleme kapasitesini чындап yeni bilgi taşıyan örneklere ayırmak жана kararlı durumdaki gereksiz салмак hareketlerini azaltmaktır.
Back-propagation кандай роль аткарат?
Güncelleme koşulu sağlanırsa ката тармак боюнча geriye yayılır. Çalışmada duyarlılık terimleri:
\[ \delta_{3,k}=e_k \]
\[ \delta_{2,k} = (W_{3,k}^{T}\delta_{3,k}) \odot \sigma'(W_{2,k}\mu_{1,k}) \]
\[ \delta_{1,k} = (W_{2,k}^{T}\delta_{2,k}) \odot \sigma'(W_{1,k}\mu_{0,k}) \]
катары берилет. \(\odot\), Hadamard çarpımını билдирет. Бул aşama BP'nin çok katmanlı тармак ичинде кайсы katmanın hataya эмне ölçüde katkıda bulunduğunu hesaplayan bölümüdür.
OSLAнын recursive least-squares масштабдоосу кантип колдонулат?
Булак, her gizli katman үчүн ters kovaryans matrisi tanımlar:
\[ P_{j,k} = P_{j,k-1} - \frac{ P_{j,k-1}\mu_{j,k}\mu_{j,k}^{T}P_{j,k-1} }{ 1+\mu_{j,k}^{T}P_{j,k-1}\mu_{j,k} }, \qquad j=1,2 \]
Başlangıç değerleri:
\[ P_{1,0}=\frac{1}{\lambda}I_{m_1+1}, \qquad P_{2,0}=\frac{1}{\lambda}I_{m_2+1} \]
катары verilir. Burada λ pozitif regularizasyon parametresi, I birim matrisidir.
Бул matrislerin amacı бардык салмак uzayına tek бир skaler adım büyüklüğü uygulamak yerine, көбүрөөк мурун çok sayıda örnekle iyi öğrenilmiş yönlerde güncellemeyi küçültmek жана көбүрөөк az öğrenilmiş yönlerde көбүрөөк чоң düzeltmeye izin vermektir.
Салмактарды жаңыртуу формулалары жөнүндө булак эмне дейт?
Булак “бардык үч katmanın ağırlıkları güncellenir” ifadesini kullanmasına rağmen hemen астында гана şu эки güncellemeyi açıkça yazmaktadır:
\[ W_{3,k+1} = W_{3,k} + l_r\delta_{3,k}\mu_{2,k}^{T}P_{2,k} \]
\[ W_{2,k+1} = W_{2,k} + l_r\delta_{2,k}\mu_{1,k}^{T}P_{1,k} \]
W1 үчүн karşılık gelen бир denklem бирдей bölümde bulunmamaktadır. Ayrıca көбүрөөк мурун W1 жана W2'nin eğitim боюнча sabit tutulduğu, başka бир cümlede болсо ikisinin de recursive least-squares менен güncellendiği yazılmıştır. Бул nedenle бул makale W1'in чыныгы uygulamadaki davranışını болжолдоо ederek tamamlamamaktadır. Modelin bağımsız катары yeniden üretilmesi жагынан бул noktanın yazar tarafından açıklığa kavuşturulması керек.
Verianla Live: Modified BP-OSLA үйрөнүү чынжыры
Aşağıdaki akış изилдөөнүн Сүрөт 2'si жана Denklem 1–5'te tanımlanan adımları özetlemektedir. Булактын W1 güncellemesine ilişkin tutarsızlığı өзгөчө korunmuştur.
| Aşama | Açıklama | Булак |
|---|---|---|
| 1. Girdi oluşturma | 5, 10 жана 15 dakika gecikmeli үч чыныгы жана үч болжолдоо edilmiş PV кубат değeri birleştirilir. | Denklem 7 |
| 2. İleri yayılım | 6:30:30:1 ağında sigmoid gizli katmanlar жана doğrusal чыгыш üzerinden болжолдоо üretilir. | Denklem 1 |
| 3. Hata эсеби | ek = yk − yN,k эсептелет. | Adım 2 |
| 4. Güncelleme kararı | |ek| > β|yk| болсо үйрөнүү sürer; ката eşik içindeyse салмак güncellemesi yapılmaz. | Adım 2 / Сүрөт 2 |
| 5. Geri yayılım | δ3, δ2 жана δ1 duyarlılık gradyanları эсептелет. | Denklem 2 |
| 6. Ters kovaryans güncellemesi | P1 жана P2 recursive least-squares yaklaşımıyla güncellenir. | Denklem 3-4 |
| 7. Ağırlık güncellemesi | Булак Denklem 5 жана Сүрөт 2'de W3 жана W2 güncellemelerini açıkça gösterir; W1 үчүн metinsel tanımlar birbiriyle tutarlı эмес. | Denklem 5 / Сүрөт 2 |
| 8. Sürekli болжолдоо | Eğitim tamamlandığında тармак görünmeyen test dönemindeki кубат serisini болжолдоо eder. | Сүрөт 2 |
Verianla Live: Süreç görünümü бул görünür tablodan oluşturulur. Булакта bulunmayan бир W1 güncelleme adımı eklenmemiştir.
PV маалыматтары кантип даярдалган?
Çalışmada үч Florida PV konumu колдонулган. Булак маалымат, NREL Solar Power Data for Integration Studies маалымат setinden seçilmiştir. Seri 5 dakikalık çözünürlüğe sahiptir жана гана 07.00–17.00 arasındaki gündüz saatleri korunmuştur.
| Saha | Nominal kapasite | Eğitim dönemi | Test dönemi |
|---|---|---|---|
| Oviedo — Site #1 | 59 MW | 1–30 Mayıs 2006 | 7–13 Haziran 2006 |
| Knights Key — Site #2 | 101 MW | 1–30 Eylül 2006 | 8–14 Ekim 2006 |
| Miami — Site #3 | 62 MW | 1–30 Ocak 2006 | 7–13 Şubat 2006 |
Her saha үчүн 30 gün eğitim жана sonraki өзүнчө 7 günlük dönem test amacıyla колдонулган. Eğitim жана test aralarında түздөн-түз zaman örtüşmesini önlemek үчүн boşluk bırakılmıştır.
Güç değerleri eğitim setinin maksimum değerine ылайык normalize edilmiştir:
\[ P_{\mathrm{norm}} = \frac{P}{P_{\max,\mathrm{train}}} \]
Böylece her sahanın eğitim учурунда gördüğü maksimum кубат değeri ölçekleme referansı катары колдонулган.
Маалыматты чыныгы талаа өлчөөсү катары чечмелөө туурабы?
Булак metin 5 dakikalık маалыматтарды yer yer “measurements” жана “realistic power output data” катары nitelemektedir. Bununla birlikte маалымат kaynağının resmî açıklaması bunların 2006 hava koşullarını temsil etmek amacıyla entegrasyon çalışmaları үчүн oluşturulmuş sentetik PV santral маалыматтарды экенин белгилейт. Бул nedenle sonuçlar чыныгы бир PV santralinin canlı operasyon SCADA sisteminden elde edilmiş prospektif saha валидациясы катары yorumlanmamalıdır.
Өндүрүмдүүлүк кайсы көрсөткүчтөр менен бааланган?
Root Mean Square Error (RMSE), болжолдоо менен чыныгы değer arasındaki tipik ката büyüklüğünü:
\[ RMSE= \sqrt{ \frac{ \sum_{i=1}^{N} (Y_{\mathrm{actual}}^{(i)}-Y_{\mathrm{predicted}}^{(i)})^2 }{N} } \]
түрүндө ölçer.
Variance Accounted For (VAF):
\[ VAF= \left( 1- \frac{ \operatorname{var}(Y_{\mathrm{actual}}-Y_{\mathrm{predicted}}) }{ \operatorname{var}(Y_{\mathrm{actual}}) } \right)\times100 \]
катары эсептелет. %100'e жакын değerler болжолдоо жана чыныгы seri арасында көбүрөөк жогорку uyumu билдирет.
Mean Absolute Percentage Error (MAPE) болсо kaynakta:
\[ MAPE= \frac{100}{N} \sum_{h=1}^{N} \frac{ |Y_{\mathrm{actual}}-Y_{\mathrm{predicted}}| }{ Y_{\mathrm{actual}} } \]
түрүндө берилет.
Булак мындан тышкары эсептөө yükünü eğitim жана test үчүн geçen süreyle, yakınsama hızını болсо VAF'ın %95 же боюнча çıkması үчүн gereken zaman adımı sayısıyla değerlendirmektedir. Bütün hesaplamaların 8 GB belleğe sahip 1200 MHz Intel Core i3 işlemcide yapıldığı белгиленет.
Булак эмне үчүн MAPE да, WMAPE да деп айтат?
Burada маанилүү бир terminoloji sorunu vardır. Tablolar IV, V жана VI performans değerlerini açıkça “MAPE” satırı астында verir. Aynı sayılar özet, Tablo VII жана натыйжа bölümünde “Weekly Mean Absolute Percentage Error (WMAPE)” катары adlandırılmıştır. Булак WMAPE үчүн MAPE'den ар башка өзүнчө бир ağırlıklı denklem sunmadığından, бул эки adlandırmanın чындап ар башка metrikleri temsil edip etmediği doğrulanamamaktadır.
Бул nedenle aşağıdaki sonuçlarda değerler değiştirilmeden verilecek; fakat “kaynakta MAPE/WMAPE катары ар башка adlandırılan haftalık yüzde ката” ifadesi kullanılacaktır.
Изилдөөнүн ыкмасы жана натыйжалары
Modified BP-OSLA өз алдынча BPA жана OSLAга салыштырмалуу кандай иштеди?
| Saha | Model | RMSE | VAF (%) | Булакта MAPE катары verilen haftalık ката (%) | Hesaplama yükü (s) | Yakınsama adımı |
|---|---|---|---|---|---|---|
| Oviedo | BPA | 1,03486 | 99,1505 | 5,48567 | 1,09 | 3000 |
| OSLA | 0,81456 | 99,4183 | 4,99226 | 0,80 | 2000 | |
| Modified BP-OSLA | 0,5534 | 99,6513 | 2,9890 | 1,90 | 1000 | |
| Knights Key | BPA | 4,46839 | 96,2760 | 13,2443 | 0,96 | 11000 |
| OSLA | 3,18386 | 97,7414 | 12,6864 | 0,97 | 2000 | |
| Modified BP-OSLA | 2,76169 | 98,1276 | 8,8166 | 0,92 | 1000 | |
| Miami | BPA | 2,66124 | 97,3428 | 11,5247 | 1,04 | 12000 |
| OSLA | 1,40211 | 99,0621 | 7,32334 | 0,79 | 2000 | |
| Modified BP-OSLA | 0,67376 | 99,6879 | 4,05307 | 0,76 | 1000 |
Ham tablolar жагынан натыйжа açıktır: Modified BP-OSLA үч sahanın tamamında hem BPA hem OSLA'dan көбүрөөк төмөн RMSE жана yüzde ката, көбүрөөк жогорку VAF üretmiştir. Ayrıca үч sahada da VAF≥%95 yakınsama eşiğine 1000 zaman adımında ulaşmıştır.
Knights Key бардык yöntemler үчүн en zor seri olmuştur. Modified BP-OSLA burada VAF=%98,1276 жана yüzde ката 8,8166 elde ederken Oviedo жана Miami'de VAF %99,5'in üzerindedir.
Булак sayfa 26'da бул tablolardan türetildiği belirtilen bazı yüzde “iyileştirme” катыштары vermektedir; бирок bildirilen oranlar ham таблица değerlerinden yapılan түздөн-түз karşılaştırmayla uyuşmadığından burada tekrarlanmamıştır. Bilimsel karşılaştırmanın güvenilir kaynağı катары түздөн-түз Tablolar IV–VI'daki değerler колдонулган.
Чыныгы жана болжолдонгон кубат ийри сызыктары эмнени көрсөтөт?
Булактын Сүрөт 4–6'sında yedi günlük test dönemlerinin чыныгы жана болжолдоо edilen 5 dakikalık кубат eğrileri yan yana берилет. Oviedo жана Miami'de Modified BP-OSLA eğrisi чыныгы кубат profilini yakından izler. Knights Key'de болсо өзгөчө keskin tepe bölgelerinde көбүрөөк айкын sapmalar görülür.
Бул görsel bulgu performans tablolarıyla uyumludur: Knights Key'de гана Modified BP-OSLA эмес, BPA жана OSLA'nın da RMSE жана yüzde ката değerleri diğer эки sahadan көбүрөөк yüksektir. Dolayısıyla kaynakta бул sahanın көбүрөөк değişken жана tahmini zor бир seri экендиги yorumu yapılmaktadır.
Терең үйрөнүү моделдери менен салыштырганда эң төмөн ката кимде?
Modified BP-OSLA, N-BEATS жана N-HITS karşılaştırmasında бардык sahalarda mutlak en төмөн hatayı üretmemiştir. Бул ayrım маанилүү.
| Algoritma | Oviedo ката (%) | Knights Key ката (%) | Miami ката (%) |
|---|---|---|---|
| Modified BP-OSLA | 2,9890 | 8,8166 | 4,05307 |
| N-HITS | 2,9456 | 7,8290 | 3,7397 |
| N-BEATS | 3,0370 | 7,6680 | 3,7622 |
| BP-SFLA-ANN | 8,8209 | 9,3923 | 9,0288 |
| SFLA-ANN | 9,5754 | 9,9153 | 9,6773 |
| GA-ANN | 9,9173 | 10,4326 | 10,0257 |
| Classic BP-ANN | 10,7874 | 12,6458 | 11,8779 |
Oviedo'da N-HITS 2,9456 менен Modified BP-OSLA'nın 2,9890 değerinden biraz көбүрөөк төмөн ката üretirken N-BEATS 3,0370 менен biraz көбүрөөк жогорку ката vermiştir. Knights Key'de N-BEATS жана N-HITS sırasıyla 7,6680 жана 7,8290 менен Modified BP-OSLA'nın 8,8166 değerinden көбүрөөк iyi performans göstermiştir. Miami'de de N-HITS жана N-BEATS болжол менен 3,74–3,76 менен Modified BP-OSLA'nın 4,05307 değerinin altındadır.
Dolayısıyla изилдөө Modified BP-OSLA'nın терең ağlardan genel катары көбүрөөк doğru экенин göstermemektedir. Desteklenen натыйжа, çok көбүрөөк küçük жана hızlı бир yapı kullanırken үч sahada терең modellerle бирдей büyüklük mertebesinde болжолдоо hatası elde etmesidir.
Эсептөө чыгымындагы айырма канчалык чоң?
| Algoritma | Oviedo (s) | Knights Key (s) | Miami (s) |
|---|---|---|---|
| Modified BP-OSLA | 1,90 | 0,92 | 0,76 |
| N-BEATS | 24,20 | 36,30 | 19,09 |
| N-HITS | 36,39 | 63,09 | 50,46 |
Бул karşılaştırmada Modified BP-OSLA'nın негизги avantajı belirginleşmektedir. Üç sahadaki булак değerleri 0,76–1,90 saniye aralığında kalırken N-BEATS 19,09–36,30 saniye, N-HITS 36,39–63,09 saniye aralığındadır.
Булак бул айырмасы болжол менен бир–эки büyüklük mertebesi көбүрөөк төмөн эсептөө maliyeti катары yorumlamaktadır. Ancak бул süreler изилдөөдө kullanılan Intel Core i3 1200 MHz жана 8 GB bellek ortamına aittir; ар башка donanımlar үчүн mutlak saniye değerleri түздөн-түз genellenemez.
Азыраак окутуу маалыматтарын колдонуу дооматы канчалык ачык?
Modified BP-OSLA her saha үчүн 30 günlük eğitim verisi kullanmıştır. Булак, literatürdeki BP-SFLA-ANN, SFLA-ANN, GA-ANN жана Classic BP-ANN karşılaştırmalarının көбүрөөк uzun eğitim verisi kullandığını belirterek маалымат verimliliği avantajı ileri sürmektedir.
Ancak metin бул маалымат miktarını бир yerde 45 gün, başka bölümlerde 46 gün катары vermektedir. Dolayısıyla “%33 көбүрөөк az маалымат” ifadesi tek anlamlı бир referans süreyle desteklenmemektedir. Güvenilir түрдө söylenebilen şey, бул изилдөө үчүн eğitim süresinin 30 gün экендиги жана karşılaştırma çalışmalarının булак ичинде 45/46 gün катары raporlandığıdır.
Гиперпараметрлер өзгөргөндө натыйжалар туруктуубу?
Öğrenme катышы \(l_r=0,7\) жана үйрөнүү eşiği \(\beta=0,0001\) негизги ayarları өзүнчө өзүнчө ±%5 жана ±%10 değiştirilmiştir. Булакта raporlanan WMAPE değerleri үч sahada da küçük değişimler göstermiştir.
| Ayar | Oviedo (%) | Knights Key (%) | Miami (%) |
|---|---|---|---|
| Temel: lr=0,7; β=0,0001 | 2,9890 | 8,8166 | 4,0531 |
| lr +%10 | 2,9904 | 8,8932 | 4,0874 |
| lr -%10 | 2,9853 | 8,8109 | 4,0194 |
| β +%10 | 2,9942 | 8,8192 | 4,0538 |
| β -%10 | 2,9935 | 8,8166 | 4,0529 |
Булак бул değişimlerin WMAPE үстүндө %1'den küçük таасир oluşturduğunu жана өзгөчө β eşiğinin küçük değişimlere çok төмөн hassasiyet gösterdiğini белгилейт. Hesaplama süreleri de ±%10 hiperparametre değişimlerinde чоң ölçüde sabit kalmıştır.
«Көп горизонттуу» болжолдоо дооматынын чеги кандай?
Çalışma başlığı жана özet, yöntemi intra-hour seviyesinden week-ahead seviyesine чейин “multi-horizon” катары tanımlar. Bununla birlikte натыйжа tablolarında 5 dakika ileri, 15 dakika ileri, 1 saat ileri, 1 gün ileri жана 7 gün ileri сыяктуу өзүнчө болжолдоо ufuklarının hataları verilmemektedir.
Dahası, ağın girişinde son үч чыныгы өлчөө \(y_{t-5},y_{t-10},y_{t-15}\) бар. Eğer test süresince бул чыныгы ölçümler her yeni 5 dakikalık adımda güncelleniyorsa модель, sürekli kayan kısa-vadeli болжолдоо üretmektedir. Булак bunun tek бир başlangıç noktasından gelecek yedi günün tamamını önceden üreten açık цикл tahminle eşdeğerliğini göstermemektedir.
Бул nedenle изилдөөнүн түздөн-түз desteklediği натыйжа, modelin 7 günlük görünmeyen test serisi боюнча 5 dakikalık çözünürlükte çalıştırılabilmesidir. Gerçek “7 gün önceden yayınlanan hafta-ahead болжолдоо” performansı үчүн мындан тышкары болжолдоо-ufku bazlı валидация керек.
Изилдөө колдогон натыйжалар
- Modified BP-OSLA, үч incelenen PV serisinin tamamında bağımsız BPA жана OSLA'dan көбүрөөк төмөн RMSE жана yüzde ката üretmiştir.
- Üç sahada da VAF≥%95 yakınsama eşiğine kaynakta 1000 zaman adımında ulaştığı raporlanmıştır.
- Modified BP-OSLA'nın болжолдоо hataları N-BEATS жана N-HITS менен бирдей genel büyüklük aralığındadır; fakat терең modeller bazı sahalarda көбүрөөк төмөн ката üretmiştir.
- Modified BP-OSLA үчүн raporlanan эсептөө süreleri терең modellerin karşılaştırma sürelerinden айкын түрдө көбүрөөк düşüktür.
- Öğrenme катышы жана үйрөнүү eşiğinin ±%10 değişimi үч test serisinde raporlanan ката değerlerini чектелген ölçüde değiştirmiştir.
- Tahmin geri beslemeli кирүү yapısı чыныгы жана өткөн тарых болжолдоо değerlerini бирдей модель girdisinde birleştirmektedir.
Изилдөө көрсөтпөгөн же толук түшүндүрбөгөн пункттар
- Model бардык coğrafyalarda, iklimlerde же PV teknolojilerinde бирдей doğruluğa sahip экенин göstermemektedir.
- Üç маалымат serisinin сыртында bağımsız coğrafi dış валидация yapılmamıştır.
- Meteorolojik değişkenler modele анын ичинде edilmemiştir.
- Ayrı болжолдоо ufukları үчүн horizon-specific ката eğrileri raporlanmamıştır.
- Gerçek бир işletme sisteminde çevrimiçi saha uygulaması gösterilmemiştir.
- W1 ağırlığının eğitim учурунда кантип ele alındığı булак metinde tek anlamlı түрдө tanımlanmamıştır.
- MAPE жана WMAPE terimlerinin kaynakta эмне үчүн бирдей sayılar үчүн değişimli kullanıldığı açıklanmamıştır.
- Бет 26'daki bazı yüzde iyileştirme катыштары ham performans tablolarıyla aritmetik катары uyumlu görünmemektedir.
- Çalışma olasılıksal болжолдоо aralıkları же болжолдоо belirsizliği kalibrasyonu sunmamaktadır.
Türkiye жагынан yorum: Çalışma Türkiye'deki бир PV santralinden alınmış veriyle yürütülmemiştir. Yöntemin Türkiye'de kullanılabilmesi үчүн yerel güneşlenme yapısı, hızlı bulut geçişleri, mevsimsel üretim profilleri, santral teknolojisi, inverter sınırları жана BMS/SCADA örnekleme yapısıyla мындан тышкары doğrulanması керек. Özellikle гана өткөн тарых кубат değerlerine dayanan tek değişkenli yapı, ар башка meteorolojik rejimlerde бирдей ката düzeyini garanti etmez. Dolayısıyla çalışmadaki %2,9890–%8,8166 aralığındaki ката değerleri Türkiye'deki бир santral үчүн түздөн-түз performans beklentisi катары kullanılmamalıdır.
Булак жана ыкма боюнча эскертүү
Tam özgün изилдөө adı: A Novel Hybrid Learning Algorithm for Multi-Horizon Solar PV Power Forecasting and Benchmarking with Deep Feed Forward Networks
Yazarlar — негизги PDF sırası: Divyam Mandradia, Rahul Yadav.
Eş katkı / eş birinci yazar: Булакта belirtilmemiştir.
Sorumlu yazar: Rahul Yadav, PhD. PDF'de yıldız işareti жана “Corresponding Author” ifadesiyle belirtilmiştir.
Kurum: Energy Systems Simulation Lab, Defence Institute of Advanced Technology (DIAT), Pune 411025, India.
DOI: 10.2139/ssrn.7198439
Platform: SSRN.
Resmî kayıt: SSRN Abstract 7198439.
SSRN yayın tarihi: 28 Temmuz 2026.
Dergi / cilt / sayı: İncelenen sürüm үчүн hakemli dergi, cilt же sayı bilgisi doğrulanmamıştır.
Булак türü жана hakemlik: Бул изилдөө hakem değerlendirmesinden geçmemiş бир preprinttir; натыйжалары бул yayın aşaması dikkate alınarak değerlendirilmelidir.
Bibliyografik yazar sırası notu: Temel PDF Divyam Mandradia, Rahul Yadav sırasını kullanırken SSRN'nin bibliyografik kayıt ekranı Rahul Yadav, Divyam Mandradia sırasını vermektedir. Бул Verianla makalesinde негизги PDF'nin görünür yazar sırası korunmuştur.
Lisans: SSRN kaydında açık Creative Commons lisansı bulunmamaktadır жана izinsiz yeniden kullanıma izin verilmediği белгиленет. Булак şekilleri ошондуктан түздөн-түз kopyalanmamış; Verianla Live yapıları kaynakta raporlanan sayılar жана süreçlerden özgün катары oluşturulmuştur.
Finansman: İncelenen kaynakta өзүнчө бир finansman beyanı bulunmamaktadır.
Çıkar çatışması: Yazarlar çıkar çatışması bulunmadığını beyan etmektedir.
CRediT / yazar katkıları: Ayrı бир CRediT же ayrıntılı yazar katkı beyanı bulunmamaktadır.
Veri erişilebilirliği: Булак, kullanılan verinin NREL Solar Power Data for Integration Studies üzerinden kamuya açık экенин белгилейт. PDF'de маалымат adresinin alan adı “nlr” түрүндө yazılmıştır. Resmî NREL kaydı Solar Power Data for Integration Studies маалымат setini 2006'yı temsil eden sentetik PV santral маалыматтарды катары tanımlar.
Veri niteliğine ilişkin not: Булак makale маалыматтарды bazı bölümlerde “measurements” жана “realistic power output data” катары adlandırmaktadır. NREL'in resmî маалымат açıklamasında болсо bunlar entegrasyon çalışmaları үчүн üretilmiş sentetik PV кубат verileridir. Бул nedenle Verianla metni маалыматтарды чыныгы çalışan үч Florida santralinden alınmış canlı өлчөө verisi катары sunmamaktadır.
MAPE / WMAPE notu: Булак Tablolar IV–VI'da 2,9890, 8,8166 жана 4,05307 değerlerini MAPE катары, özet жана Tablo VII'de болсо бирдей değerleri WMAPE катары adlandırmaktadır. WMAPE үчүн өзүнчө бир denklem verilmediğinden эки adlandırma sessizce eşitlenmemiştir.
Yüzde iyileştirme notu: Булактын sayfa 26'da verdiği BPA жана OSLA'ya ылайык WMAPE iyileştirme yüzdeleri Tablolar IV–VI'daki ham değerlerle түздөн-түз uyuşmamaktadır. Булак өзгөчө бир alternatif эсептөө yöntemi açıklamadığından бул oranlar негизги илимий натыйжада kullanılmamıştır.
Eğitim süresi karşılaştırma notu: Булак, karşılaştırmalı ANN modellerinin eğitim verisini бир bölümde 45 gün, başka bölümlerde 46 gün катары vermektedir. Modified BP-OSLA үчүн kullanılan süre açık түрдө 30 gündür.
Hesaplama süresi notu: Tablo VIII Modified BP-OSLA үчүн Oviedo, Knights Key жана Miami'de sırasıyla 1,90, 0,92 жана 0,76 saniye vermektedir. Sonuç bölümündeki “ortalama болжол менен 0,8 saniye” ifadesi бул ham değerlerle sessizce uzlaştırılmamıştır.
Algoritma yeniden üretilebilirliği notu: Булактын BP-OSLA tanımında W1 жана W2'nin бир yerde eğitim боюнча sabit tutulduğu, başka yerde RLS менен güncellendiği белгиленет. Modified BP-OSLA bölümünde “бардык үч katmanın” güncellendiği yazılmasına karşın Denklem 5 гана W3 жана W2 güncellemelerini көрсөтөт. W1 үчүн açık güncelleme denklemi bulunmadığından бул makale eksik adımı болжолдоо ederek tamamlamamıştır.
Çok-ufuklu болжолдоо sınırı: Çalışma yedi günlük görünmeyen test periyodunda 5 dakikalık çözünürlükte болжолдоо yapmaktadır; бирок өзүнчө болжолдоо ufukları үчүн ката değerleri sunmamaktadır. Girdi vektöründe өткөн тарых чыныгы ölçümlerin bulunması nedeniyle sunulan testin tek бир başlangıç noktasından yapılan чыныгы 7-gün-ahead açık цикл tahminle eşdeğerliği kaynakta gösterilmemiştir.
Bilimsel булак sınırı: Бул Verianla makalesindeki алгоритм yapısı, denklemler, PACF değerleri, тармак mimarileri, eğitim/test dönemleri, performans değerleri, терең модель karşılaştırmaları жана hiperparametre duyarlılık натыйжалары yüklenen 39 sayfalık негизги çalışmaya dayanmaktadır. Dış валидация гана SSRN bibliyografik kimliği, yayın tarihi, lisans жана NREL маалымат kaynağının resmî niteliğini kontrol etmek үчүн колдонулган.
Пикир калтырыңыз
E-mail дарегиңиз жарыяланбайт. Милдеттүү талаалар * менен белгиленген