ترجمه فارسی مقاله AutoPV: مدل پیش‌بینی توان فتوولتائیک خود را به صورت خودکار طراحی کنید

چکیده

Photovoltaic power forecasting (PVPF) is a critical area in time series forecasting (TSF), enabling the efficient utilization of solar energy. With advancements in machine learning and deep learning, various models have been applied to PVPF tasks. However, constructing an optimal predictive architecture for specific PVPF tasks remains challenging, as it requires cross-domain knowledge and significant labor costs. To address this challenge, we introduce AutoPV, a novel framework for the automated search and construction of PVPF models based on neural architecture search (NAS) technology. We develop a brand new NAS search space that incorporates various data processing techniques from state-of-the-art (SOTA) TSF models and typical PVPF deep learning models. The effectiveness of AutoPV is evaluated on diverse PVPF tasks using a dataset from the Daqing Photovoltaic Station in China. Experimental results demonstrate that AutoPV can complete the predictive architecture construction process in a relatively short time, and the newly constructed architecture is superior to SOTA predefined models. This work bridges the gap in applying NAS to TSF problems, assisting non-experts and industries in automatically designing effective PVPF models.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی توان فتوولتائیک (PVPF) یک منطقه مهم در پیش بینی سری زمانی (TSF) است و باعث استفاده کارآمد از انرژی خورشیدی می شود.با پیشرفت در یادگیری ماشین و یادگیری عمیق ، از مدل های مختلفی برای کارهای PVPF استفاده شده است.با این حال ، ساختن یک معماری پیش بینی بهینه برای کارهای خاص PVPF همچنان چالش برانگیز است ، زیرا به دانش متقابل و هزینه های قابل توجه نیروی کار نیاز دارد.برای پرداختن به این چالش ، ما AutoPV را معرفی می کنیم ، یک چارچوب جدید برای جستجوی خودکار و ساخت مدل های PVPF بر اساس فناوری جستجوی معماری عصبی (NAS).ما یک فضای جستجوی کاملاً جدید NAS را توسعه می دهیم که شامل تکنیک های مختلف پردازش داده ها از مدل های پیشرفته ترین (SOTA) TSF و مدل های یادگیری عمیق PVPF معمولی است.اثربخشی AutoPV در کارهای مختلف PVPF با استفاده از مجموعه داده از ایستگاه فتوولتائیک DAQING در چین ارزیابی می شود.نتایج تجربی نشان می دهد که AUTOPV می تواند فرآیند ساخت معماری پیش بینی را در یک زمان نسبتاً کوتاه تکمیل کند ، و معماری تازه ساخته شده نسبت به مدل های از پیش تعریف شده SOTA برتر است.این کار شکاف در استفاده از NAS برای مشکلات TSF ، کمک به غیر متخصصان و صنایع در طراحی خودکار مدل های PVPF مؤثر را ایجاد می کند.