വലിയ തോതിലുള്ള സോളാർ പിവി പ്ലാന്റുകളിൽ പ്രവചന പരിപാലനത്തിനായി മെഷീൻ ലേണിംഗ്
മലേഷ്യയിലെയും തായ് ലൻഡിലെയും ശാസ്ത്രജ്ഞർ വലിയ തോതിലുള്ള സോളാർ പിവി പ്ലാന്റുകളുടെ പരിപാലന ആവശ്യങ്ങൾ പ്രവചിക്കുന്നതിനായി ഒരു നൂതന മെഷീൻ ലേണിംഗ് മോഡൽ വികസിപ്പിച്ചെടുത്തിട്ടുണ്ട്. അടുത്തിടെ പ്രസിദ്ധീകരിച്ച ഒരു ശാസ്ത്ര പ്രബന്ധം അനുസരിച്ച്, മോഡൽ രണ്ട് മെഷീൻ ലേണിംഗ് ടെക്നിക്കുകൾ ഉപയോഗിക്കുന്നു – കെ-മീൻസ്, ലോംഗ്-ഹ്രസ്വകാല മെമ്മറി (എൽഎസ്ടിഎം) – കൂടാതെ 0.7766 റൂട്ട് ശരാശരി സ്ക്വയർ പിശക് (ആർഎംഎസ്ഇ) ഉണ്ട്. പരമ്പരാഗത ഓപ്പറേറ്റിംഗ് സിസ്റ്റങ്ങളിൽ പലപ്പോഴും കാണപ്പെടുന്ന “പിഴവ് കണ്ടെത്തലും വർഗ്ഗീകരണവും” മറികടക്കുക എന്നതാണ് ഉപകരണത്തിന്റെ ലക്ഷ്യമെന്ന് പേപ്പർ അവകാശപ്പെടുന്നു.
“സോളാർ പിവി സിസ്റ്റങ്ങളുടെ പരമ്പരാഗത പ്രവർത്തനവും പരിപാലനവും (ഒ & എം) തെറ്റ് കണ്ടെത്തുന്നതിനും വർഗ്ഗീകരണത്തിനും മെഷീൻ ലേണിംഗ് ഉപയോഗിക്കുന്നില്ല,” പ്രബന്ധം പറയുന്നു. “ഇത് പ്ലാന്റ് ഓപ്പറേറ്റർമാർക്ക് വെല്ലുവിളികൾ ഉയർത്തുന്നു, പ്രത്യേകിച്ച് വലിയ തോതിലുള്ള സോളാർ (എൽഎസ്എസ്) പിവി പ്ലാന്റുകൾ കൈകാര്യം ചെയ്യുന്നവർക്ക്, അവർ സാധാരണയായി വലിയ അളവിൽ ഇലക്ട്രിക്കൽ ഡാറ്റ പരിശോധിക്കുന്നതിനും നിരവധി സ്ട്രിംഗ് പാനലുകൾ പരിശോധിക്കുന്നതിനും മാനുവൽ സമീപനങ്ങളെ ആശ്രയിക്കുന്നു. തൽഫലമായി, ഒ & എം ചെലവ് ഉയർന്നതാണ്.”
ഡാറ്റാ സെഗ്മെന്റേഷനും സമാനമായ ഡാറ്റാ പോയിന്റുകളെ ക്ലസ്റ്ററുകളായി ഗ്രൂപ്പുചെയ്യുന്നതിനുമുള്ള ഒരു അൽഗോരിതമാണ് കെ-മീൻസ്. ആഗോള വികിരണം, മൊഡ്യൂൾ താപനില തുടങ്ങിയ പാരിസ്ഥിതിക ഘടകങ്ങളുമായി സ്ട്രിംഗ് മൊഡ്യൂളുകളുടെ വൈദ്യുത പ്രവാഹം ക്ലസ്റ്റർ ചെയ്യാൻ ഗവേഷകർ അൽഗോരിതം ഉപയോഗിക്കുന്നു. സാധാരണ പെരുമാറ്റത്തെ പ്രതിനിധീകരിക്കുന്നതിന് ക്ലസ്റ്ററിനായി ഒരു കേന്ദ്രം അല്ലെങ്കിൽ ശരാശരി പോയിന്റ് സൃഷ്ടിക്കപ്പെടുന്നു.
തുടർന്ന് ചരിത്രപരമായ ഡാറ്റയിൽ പരിശീലനം നേടിയ എൽഎസ്ടിഎം സാങ്കേതികത ആരംഭിക്കുന്നു. സ്ട്രിംഗ് മൊഡ്യൂളുകളുടെ പ്രവചിക്കപ്പെട്ട വൈദ്യുത പ്രവാഹത്തിലെ അപാകതകൾ കണ്ടെത്താൻ ഈ സാങ്കേതികവിദ്യ ലക്ഷ്യമിടുന്നു, ഇത് അറ്റകുറ്റപ്പണി ആവശ്യങ്ങളെക്കുറിച്ച് ഓപ്പറേറ്റർമാർക്ക് മുന്നറിയിപ്പ് നൽകും.
“ഓരോ സമയ ഘട്ടത്തിലും ഏത് വിവരങ്ങൾ നിലനിൽക്കണമെന്നും ഏതാണ് ഉപേക്ഷിക്കേണ്ടതെന്നും തീരുമാനിക്കാൻ ഗേറ്റ് മെക്കാനിസം ഉപയോഗിച്ച് വേരിയബിൾ ലെംഗ്ത് ഇൻപുട്ട് ഉപയോഗിച്ച് എൽഎസ്ടിഎമ്മുകൾക്ക് തുടർച്ചയായ ഡാറ്റ കൈകാര്യം ചെയ്യാൻ കഴിയും, അങ്ങനെ ഇൻപുട്ട് സീക്വൻസിലെ മുൻകാല പ്രവണതകളെയും പാറ്റേണുകളെയും അടിസ്ഥാനമാക്കി പ്രവചനങ്ങൾ നടത്തുന്നു,” പേപ്പർ പറയുന്നു. “ദീർഘകാലത്തേക്ക് വിവരങ്ങൾ സംഭരിക്കാൻ കഴിയുന്ന ഒരു പ്രത്യേക തരം മെമ്മറി സെല്ലും സെല്ലിലേക്കും പുറത്തേക്കും വിവരങ്ങളുടെ ഒഴുക്ക് നിയന്ത്രിക്കുന്ന ഗേറ്റുകളും ഉപയോഗിച്ച് എൽഎസ്ടിഎമ്മുകൾക്ക് ഇത് ചെയ്യാൻ കഴിയും.”
പരിശീലനത്തിനുള്ള ഡാറ്റയും രീതിയുടെ കൃത്യത വിശകലനവും മലേഷ്യയുടെ മധ്യഭാഗത്ത് സ്ഥിതിചെയ്യുന്ന ഒരു വലിയ തോതിലുള്ള സോളാർ പിവി പ്ലാന്റിൽ നിന്ന് ലഭിച്ച വിവരങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്. 420 സ്ട്രിംഗ് മൊഡ്യൂളുകളും മൊത്തം 8,400 പിവി മൊഡ്യൂളുകളും നിരീക്ഷിക്കുന്ന ടെസ്റ്റ് കേസുകളായി ഒരു ടേൺകിയും സബ്-ഇൻവെർട്ടറും ഉപയോഗിച്ചു. ശേഖരിച്ച ഡാറ്റയുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ, മോഡലിന് 0.7766 റൂട്ട് ശരാശരി സ്ക്വയർഡ് പിശക് (ആർഎംഎസ്ഇ) ഉണ്ട്.
ആർട്ടിഫിഷ്യൽ ന്യൂറൽ നെറ്റ് വർക്ക് (എഎൻഎൻ) അടിസ്ഥാനമാക്കിയുള്ള ബെഞ്ച്മാർക്ക് മോഡൽ നിശ്ചയിച്ച സംഖ്യയുമായി ആപേക്ഷിക പിശക് താരതമ്യം ചെയ്യുന്നു. “എൽഎസ്ടിഎമ്മും എഎൻഎന്നുകളും പലപ്പോഴും താരതമ്യം ചെയ്യപ്പെടുന്നു, കാരണം അവ രണ്ടും ന്യൂറൽ നെറ്റ് വർക്കുകളിൽ ഉൾപ്പെടുന്നു, കൂടാതെ വിവിധ പ്രകൃതി ഭാഷാ പ്രോസസ്സിംഗ്, കമ്പ്യൂട്ടർ വിഷൻ, സ്പീച്ച് റെക്കഗ്നിഷൻ ടാസ്ക്കുകൾ എന്നിവയിൽ സാധാരണയായി ഉപയോഗിക്കുന്നു,” പ്രബന്ധം പറയുന്നു. ശരാശരി എൽഎസ്ടിഎം ആപേക്ഷിക പിശക് 4.316 ശതമാനവും എഎൻഎൻ ആപേക്ഷിക പിശക് 4.363 ശതമാനവും ഉള്ള എൽഎസ്ടിഎം കൂടുതൽ കൃത്യമാണെന്ന് അവർ കണ്ടെത്തി.
എനർജി റിപ്പോർട്ടുകളിൽ അടുത്തിടെ പ്രസിദ്ധീകരിച്ച “വലിയ തോതിലുള്ള സോളാർ (എൽഎസ്എസ്) ഫോട്ടോവോൾട്ടായിക് പ്ലാന്റിന്റെ പ്രവചന പരിപാലനത്തിനായി കെ-മീൻസ്, ദീർഘകാല ഹ്രസ്വകാല മെമ്മറി എന്നിവ ഉപയോഗിച്ച് അനോമലി കണ്ടെത്തൽ” എന്ന പഠനത്തിൽ അൽഗോരിതം വിവരിച്ചു. മലേഷ്യയിലെ യൂണിവേഴ്സിറ്റി ഓഫ് ടെക്നോളജിയിലെയും ചിയാങ് മായ് രാജഭട്ട് സർവകലാശാലയിലെയും ശാസ്ത്രജ്ഞർ ചേർന്നാണ് ഗവേഷണ സംഘം രൂപീകരിച്ചത്.
Experienced Researcher with a demonstrated history of working in the Deep Learning, Computer Vision
