HyperAIHyperAI

Command Palette

Search for a command to run...

التنبؤ بالإشعاع الشمسي بالساعة التالية بناءً على شبكة ت.Convolutional الرسومية الزمكانية متعددة الخصائص

O-Joun Lee Min-Woo Choi Hyeon-Ju Jeon

الملخص

إن التنبؤ بإشعاع الشمس أمر أساسي وضروري لتجارة توليد الطاقة الشمسية، وذلك لتجاوز التغيرات في الإنتاج. يعتمد التنبؤ الدقيق على بيانات الإشعاع الشمسي التاريخية، والارتباطات بين متغيرات الطقس المختلفة (مثل سرعة الرياح والرطوبة ودرجة الغيوم)، والتأثيرات المتبادلة بين سياقات الطقس في المناطق المجاورة مكانيًا. ومع ذلك، تقتصر الدراسات الحالية على التحليل الزماني المكاني لعدد محدود من المتغيرات التي تُظهر ارتباطات واضحة بالإشعاع الشمسي (مثل مدة التمثيل الضوئي)، ولا تحاول بناء معلومات سياقية جوية من مجموعة متنوعة من المتغيرات الجوية. ولهذا، تقدم هذه الدراسة نموذجًا جديدًا للتنبؤ بإشعاع الشمس، حيث يُمثّل المعلمات الجوية المُلاحظة من محطات متعددة كشبكة ديناميكية مُزينة (attributed dynamic network)، ويُحلل التغيرات الزمنية في هذه الشبكة من خلال تطوير نماذج الشبكات التوليفية الرسومية الزمانية-المكانية (ST-GCN) القائمة. وبالمقارنة بين النموذج المقترح والنماذج الحالية، قمنا أيضًا بدراسة مساهمة (أ) الجوار المكاني بين المحطات، (ب) التغيرات الزمنية في المتغيرات الجوية، و(ج) تنوع المتغيرات في أداء التنبؤ. وتم تقييم أداء النموذج المقترح والنماذج الحالية من خلال التنبؤ بالإشعاع الشمسي بالساعة في محطات المراقبة في شبه الجزيرة الكورية. وأظهرت نتائج التجربة أن هذه الثلاثة عناصر تعمل بشكل تآزري، وتمتلك ارتباطات معقدة يصعب تحديدها باستخدام تحليلات ذات جوانب واحدة.


بناء الذكاء الاصطناعي بالذكاء الاصطناعي

من الفكرة إلى الإطلاق — سرّع تطوير الذكاء الاصطناعي الخاص بك مع المساعدة البرمجية المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.

البرمجة التعاونية باستخدام الذكاء الاصطناعي
وحدات GPU جاهزة للعمل
أفضل الأسعار

HyperAI Newsletters

اشترك في آخر تحديثاتنا
سنرسل لك أحدث التحديثات الأسبوعية إلى بريدك الإلكتروني في الساعة التاسعة من صباح كل يوم اثنين
مدعوم بواسطة MailChimp