اجرای طرح پژوهشی «ارزیابی مدل‌های یادگیری عمیق برای پیش‌بینی کوتاه‌مدت تابش خورشیدی در سیستم‌های فتوولتائیک متصل به شبکه» توسط استاد دانشگاه صنعتی نوشیروانی بابل

هدف اصلی این طرح، بررسی امکان‌پذیری فنی، عملیاتی و اقتصادی استفاده از مدل‌های یادگیری عمیق (DL) برای پیش‌بینی کوتاه‌مدت تابش خورشیدی در سیستم‌های فتوولتائیک (PV) متصل به شبکه بود. مدل‌های یادگیری عمیق مانند شبکه‌های عصبی بازگشتی (RNN)، شبکه‌های کانولوشن (CNN) و مدل‌های ترکیبی به‌طور گسترده برای پیش‌بینی داده‌های غیرخطی و نوسانی مانند تابش خورشیدی در سیستم‌های فتوولتائیک مورد استفاده قرار می‌گیرند. در مناطق با نوسانات بالای تابش خورشیدی، به‌ویژه مناطقی مانند مازندران، پیش‌بینی کوتاه‌مدت برای بهینه‌سازی تولید برق، مدیریت شبکه و کاهش نوسانات امری ضروری است.

دکتر محسن شیخ‌الاسلامی کندلوسی، مجری این طرح پژوهشی گفت: در این طرح، انواع مختلف مدل‌های یادگیری عمیق (مانند LSTM، GRU و مدل ترکیبی CNN-LSTM) در افق‌های زمانی ۱۵ دقیقه تا ۱ ساعت با استفاده از داده‌های واقعی ایستگاه‌های مازندران (نور و چشمه‌سما) مورد بررسی قرار گرفتند. ورودی این مدل‌ها شامل داده‌های تابش جهانی افقی (GHI)، دما، رطوبت، سرعت باد، ساعت روز و پوشش ابر بود و ارزیابی آن‌ها بر اساس معیارهایی مانند MAE و RMSE انجام شد. نتایج نشان داد که مدل‌های یادگیری عمیق تأثیرات قابل‌توجهی بر دقت پیش‌بینی دارند و مدل ترکیبی CNN-LSTM بهترین عملکرد را با کمترین RMSE ارائه کرد.

بر اساس این گزارش، نتایج نشان داد که مدل‌های یادگیری عمیق نسبت به روش‌های سنتی دقت را افزایش می‌دهند و بازگشت سرمایه در ۳ تا ۴ سال حاصل می‌شود.

دکتر شیخ‌الاسلامی در بخش پایانی سخنان خود، با اشاره به نقش مؤثر مشارکت‌کنندگان در پیشبرد این پروژه، از تلاش‌ها و همراهی آنان قدردانی کرد. در این پروژه، آقایان علی احدی و سید مصطفی موسوی، دانشجویان مقطع دکتری مهندسی مکانیک، دکتر مهران قاسمیان دستجردی فارغ التحصیل مقطع دکتری مهندسی مکانیک,  امیرمحمد علی‌نیا، فارغ‌التحصیل مقطع کارشناسی ارشد مهندسی مکانیک و خانم آیدا یزدی، دانشجوی مقطع کارشناسی مهندسی مکانیک دانشگاه صنعتی نوشیروانی بابل به همراه آقای حسین خادمی، فارغ‌التحصیل مقطع کارشناسی ارشد مهندسی برق، در فرایند طراحی و اجرای پروژه همکاری داشتند. وی ضمن تأکید بر اهمیت نقش این افراد در پیشبرد فعالیت‌ها، از تعهد، پشتکار و همکاری مسئولانه آنان در مراحل مختلف اجرای پروژه، به‌ویژه در مواجهه با محدودیت‌ها و شرایط دشوار، تقدیر و تشکر کرد.