Библиографическое описание:Design of an Iterative Model incorporating Transformer-Based Self-Attention and Proximal Policy Optimization for Solar Power Systems / S. R. Hole, U. T. Kute, S. Upadhye [et al.]. - (Вычислительные технологии). - Текст : непосредственный // Вычислительные технологии. - 2025. - Т. 30, № 3. - С. 78-96. - Библиогр.: с. 96 (15 назв.). - Авт., загл., аннот., кл. сл. парал. рус., англ. - ISSN 1560-7534.
Аннотация:Интеграция солнечной энергии в современные энергетические системы опирается на точные и адаптивные модели управления, которые изменчивы и неопределенны. Традиционные модели, такие как сети RNN и LSTM, имеют проблемы с масштабируемостью, точностью прогнозирования и экономичностью вычислений. Мы представляем улучшенную структуру управления, которая объединяет три многообещающих метода: модели на основе трансформера с механизмами внутреннего внимания для понимания предрасположенностей, оптимизацию проксимальной политики для адаптивного обучения и байесовские нейронные сети для обновления вероятностного прогноза. Трансформируемые модели, применяющие методы самовнимания для использования долгосрочных временных отношений, повышают точность прогнозирования и масштабируемость. Эта модель распараллеливает входные данные для сокращения времени обучения, что делает ее лучшей для крупномасштабных приложений. Эмпирически этот подход достигает 95 % точности прогнозирования на данных проверки и приводит к уменьшению времени обучения на 20 %, чем модели LSTM. Это хорошо работает с PPO, передовой усиленной методикой обучения, которая позволяет корректировать политику управления в реальном времени на основе данных солнечной энергосистемы. Поскольку контроллеры MPPT и PID оптимизируют управляющие действия, эта структура субъект - критик обеспечивает стабильность и надежность обучения. Модель включает VARMAx для упреждения. Система повысила глобальную эффективность на 15 % и обновила стратегию управления за 100 мс. BNN- это нейронные сети с количественной оценкой неопределенности для управления изменчивостью генерации солнечной энергии. BNN предоставляют вероятностные прогнозы среднего и дисперсии с интервалами неопределенности, повышая устойчивость и принятие решений. Установлено, что модель охватывает интервал неопределенности на 90 %, в то время как типичная нейронная сеть имеет 10 %-ный охват. При использовании таких методов модель управления солнечной энергосистемой будет надежной, адаптивной и эффективной. Это комплексное решение повышает точность, адаптивность и обработку неопределенности в реальном времени, повышая производительность и надежность развертывания подключенной солнечной нагрузки.
