Új kutatás: Grafikon-alapú gépi tanulás segítheti a napenergia-termelés előrejelzését a mikrohálózatokban
A GCN és GraphSAGE modellekkel a fotovoltaikus energiatermelés pontosabban jósolható meg, közvetlenül a hálózati végponton.
Grafikus neurális hálózatokat (GNN) telepítettek okosmérőkre, hogy valós időben jelezzék előre a napenergia-termelést mikrohálózatokban — derül ki egy új, előnyomtatott formában megjelent kutatásból, amelyet az arXiv közölt.
A tanulmány részletesen bemutatja, hogyan alkalmazhatók a GNN-ek, különösen a GCN és a GraphSAGE modellek, a fotovoltaikus energiatermelés előrejelzésére. A kutatók kitértek a probléma hátterére és az alkalmazott technológiákra, mint az ONNX és az ONNX Runtime, amelyek kulcsfontosságúak a modellek okosmérőkre való telepítésében.
A munka középpontjában a GCN és GraphSAGE modellek betanítása és telepítése állt. Külön hangsúlyt kapott egy testreszabott ONNX operátor fejlesztése és bevezetése a GCN számára, ami lehetővé tette a hatékony futtatást az erőforrás-korlátozott eszközökön.
Egy valós esettanulmány is készült, amely egy falusi mikrohálózatból származó adatokkal igazolta a rendszer működését. A két modell teljesítményét PC-n és okosmérőn is összehasonlították, mindkét platformon sikeres telepítést és végrehajtást mutatva.
Ez a megközelítés ígéretes lépés az intelligens hálózati végpontok fejlesztésében, ahol a helyben történő adatfeldolgozás és előrejelzés növelheti a hálózat stabilitását és hatékonyságát. A kutatás az arXiv:2604.19800v1 azonosító alatt érhető el.