ترجمه فارسی مقاله پیش بینی سرعت باد عملیاتی برای بخش برق شیلی با استفاده از یک مدل یادگیری ماشین ترکیبی

چکیده

As Chile’s electric power sector advances toward a future powered by renewable energy, accurate forecasting of renewable generation is essential for managing grid operations. The integration of renewable energy sources is particularly challenging due to the operational difficulties of managing their power generation, which is highly variable compared to fossil fuel sources, delaying the availability of clean energy. To mitigate this, we quantify the impact of increasing intermittent generation from wind and solar on thermal power plants in Chile and introduce a hybrid wind speed forecasting methodology which combines two custom ML models for Chile. The first model is based on TiDE, an MLP-based ML model for short-term forecasts, and the second is based on a graph neural network, GraphCast, for medium-term forecasts up to 10 days. Our hybrid approach outperforms the most accurate operational deterministic systems by 4-21% for short-term forecasts and 5-23% for medium-term forecasts and can directly lower the impact of wind generation on thermal ramping, curtailment, and system-level emissions in Chile.

چکیده به فارسی (ترجمه ماشینی)

از آنجا که بخش برق برقی شیلی به سمت آینده ای که از انرژی تجدید پذیر بهره می برد ، پیش بینی دقیق تولید تجدید پذیر برای مدیریت عملیات شبکه ضروری است.ادغام منابع انرژی تجدید پذیر به دلیل مشکلات عملیاتی مدیریت تولید برق آنها ، که در مقایسه با منابع سوخت فسیلی بسیار متغیر است ، به ویژه در دسترس بودن انرژی پاک است.برای کاهش این امر ، ما تأثیر افزایش نسل متناوب از باد و خورشیدی بر نیروگاه های حرارتی در شیلی را تعیین می کنیم و یک روش پیش بینی سرعت باد ترکیبی را معرفی می کنیم که دو مدل ML سفارشی را برای شیلی ترکیب می کند.مدل اول بر اساس TIDE ، یک مدل ML مبتنی بر MLP برای پیش بینی های کوتاه مدت است ، و دوم مبتنی بر یک شبکه عصبی نمودار ، Graphcast ، برای پیش بینی های میان مدت تا 10 روز است.رویکرد ترکیبی ما از دقیق ترین سیستم های تعیین کننده عملیاتی 4-21 ٪ برای پیش بینی های کوتاه مدت و 5-23 ٪ برای پیش بینی های میان مدت بهتر عمل می کند و می تواند مستقیماً تأثیر تولید باد را در رمپ های حرارتی ، محدود کردن و انتشار سطح سیستم کاهش دهددر شیلی