مدل سازی آرایه فتوولتاییک با الگوریتم جنگل تصادفی

مدل سازی آرایه فتوولتاییک با الگوریتم جنگل تصادفی:
در بخش قبل، مدل سازی توان خروجی سیستم فتوولتاییک با شبکه های عصبی انجام شد. این شبکه ها می توانند نامعینی های خروجی سیستم را مدیریت کنند.

با این حال، استفاده از شبکه های عصبی برای چنین هدفی، همراه با محدودیت ها و چالش هایی مانند پیچیدگی فرایند آموزش، محاسبه نرون های لایه مخفی و توانایی اداره داده های بسیار نامعین است.

برای حل این مشکل می توان از برخی روش های جدید با دقت و توانایی بالا در مدیریت داده های بسیار نامعین مانند «مدل های مبتنی بر جنگل تصادفی» (Random Forest-based Models) یا RF استفاده کرد.

مدل RF شامل درخت های تصمیم تصادفی و کیسه بندی است. «کیسه بندی» (Bagging) روشی برای کاهش واریانس تابع پیش بینی تخمینی است.

درخت های تصمصم که از درختان ناهم بسته استفاده می کنند، تعمیمی از کیسه بندی هستند.

ساده ترین RFها با انتخاب گروه کوچکی از متغیرهای ورودی برای انشعاب تصادفی در هر گره تشکیل می شوند.

روش جنگل تصادفی، با ایجاد یک مجموعه جدید از مقادیر شروع می شود که با اندازه داده های اصلی برابرند و به صورت تصادفی از مجموعه داده های اصلی به وسیله خودراه اندازی یا بوت استرپ انتخاب می شوند.

پس از آن، داده های جدید به صورت دنباله ای از انشعابات باینری (دوتایی) برای ایجاد درخت های تصمیم مرتب می شوند.

در هر گره ای از این درخت ها، انشعاب با انتخاب مقدار و متغیر با خطای کمینه محاسبه می شود.

در پایان، یک میانگین ساده از پیش بین های تجمعی برای پیش بینی رگرسیون و یک رأی اکثریت ساده برای پیش بینی در طبقه بندی گرفته می شود.

تکنیک های تجمعی خودراه انداز با دقت پیش بینی تقویت می شوند و تعیین میزان خطا و اهمیت متغیر را ممکن می سازند.

میزان خطا و اهمیت متغیر با حذف مقادیر هر نمونه خودراه انداز محاسبه می شوند که داده های «خارج از کیسه» (Out-of-bag) یا OOB نام دارند.

داده های OOB نقش اصلی را در رشد درخت ایفا می کنند، بدین معنی که این داده ها با مقادیر پیش بینی شده در هر مرحله مقایسه می شوند.

در این روش، میزان های خطا به دست آمده و از OOB نیز برای تعیین اهمیت متغیر استفاده می شود.