Internationale Zeitschrift für Schwarmintelligenz und Evolutionsberechnung

Abstrakt

Kurzfristige Prognose der Last und erneuerbarer Energien mittels künstlichem neuronalen Netz

Ram Srinivasan, Venki Balasubramanian, Buvana Selvaraj

Lastprognosen sind eine Technik, die zur Vorhersage des elektrischen Lastbedarfs im Batteriemanagement verwendet wird. Im Allgemeinen besteht die aggregierte Ebene, die für die kurzfristige elektrische Lastprognose (STLF) verwendet wird, aus entweder numerischen oder nicht numerischen Informationen, die aus mehreren Quellen gesammelt wurden, was zur Erlangung genauer Daten und einer effizienten Prognose beiträgt. Die aggregierte Ebene kann jedoch die Validierungs- und Testphasen numerischer Daten, einschließlich der Echtzeitmessungen des Bestrahlungsniveaus (W/m2) und der Photovoltaik-Ausgangsleistung (W), nicht genau vorhersagen. Die Prognose ist auch aufgrund der Schwankungen, die durch die zufällige Nutzung von Geräten in den vorhandenen wöchentlichen, täglichen und jährlichen Lastzyklusdaten verursacht werden, eine Herausforderung. In dieser Studie haben wir diese Herausforderung durch die Verwendung von Methoden künstlicher neuronaler Netze (KNN) wie Bayesian Regularization (BR) und Levenberg-Marquardt (LM)-Algorithmen überwunden. Die durch KNN-basierte Methoden erreichte STLF kann die Prognosegenauigkeit verbessern. Die Gesamtleistung der BR- und LM-Algorithmen wurde während der Entwicklungsphasen des KNN analysiert. Die Eingabeschicht, die verborgene Schicht und die Ausgabeschicht, die zum Trainieren und Testen des neuronalen Netzwerks verwendet werden, sagen gemeinsam den 24-Stunden-Strombedarf voraus. Die Ergebnisse zeigen, dass die Verwendung der LM- und BR-Algorithmen eine hocheffiziente Architektur zur Schätzung des Bedarfs an erneuerbarer Energie liefert.