لجستیک دریایی که یکی از ارکان تجارت جهانی به شمار می‌رود با چالش‌هایی از جمله تراکم بنادر و تاثیرات زیست‌محیطی مواجه است. این مقاله به بررسی امکان‌سنجی استفاده از انرژی الکتریکی سبز برای تامین برق کشتی‌ها در خارج از پایانه‌های بندری از طریق روش موسوم به سیستم خاموش سازی موتور کشتی و استفاده از انرژی پاک فراساحلی می‌پردازد. این مطالعه یک رویکرد یادگیری ماشین تحت عنوان مدل ترکیبی پشته‌ای هایبرید را برای پیش‌بینی تقاضای برق توسعه می‌دهد. تمرکز این تحقیق بر روی بندری در ایران بوده و مدل‌های مختلف یادگیری ماشین را در رویکرد پشته‌ای موازی ارزیابی می‌کند، و اثربخشی آن‌ها در پیش‌بینی مصرف انرژی برای تامین برق کشتی‌ها در خارج از بندر در مقایسه با هر یک از مدل‌ها نشان داده می‌شود. هدف این تحقیق ارتقاء پایداری در مصرف انرژی دریایی از طریق بررسی عملیات انتقال کارآمد انرژی‌های تجدیدپذیر در سناریوهای فراساحلی است. این امر شامل حذف مصرف سوخت‌های فسیلی توسط کشتی‌ها و انتقال به منابع تجدیدپذیر با استفاده از پیش‌بینی دقیق تقاضای برق می‌باشد. نتایج نشان می‌دهد که مدل ترکیبی MLP-GB در دستیابی به مقدار کمتر خطای میانگین مجذور مربعات نسبت به سایر مدل‌ها عملکرد بهتری دارد که این امر پتانسیل آن برای پیش‌بینی دقیق را برجسته می‌سازد. یافته‌های این تحقیق به نقش حیاتی پیش‌بینی دقیق در ترویج جایگزینی منابع انرژی دریایی و همچنین کمک به تلاش‌های جهانی برای مقابله با تغییرات اقلیمی و کاهش انتشار گازهای گلخانه‌ای در حوزه دریایی اشاره دارند.
Mansoursamaei M, Moradi M, Yakideh K. A Machine Learning-Based Hybrid Model for Forecasting Electricity Demand in Offshore Cold Ironing, Focusing on Environmental Sustainability in Maritime Operations. Quarterly Journal of Energy Policy and Planning Research 2024; 10 (2) : 6 URL: http://epprjournal.ir/article-1-1194-fa.html
منصورسمائی میعاد، مرادی محمود، یاکیده کیخسرو. ارائه یک مدل ترکیبی مبتنی بر یادگیری ماشین برای پیش‌بینی تقاضای برق در برق‌رسانی فراساحلی با تاکید بر پایداری زیست‌محیطی در عملیات دریایی. فصلنامه پژوهش های سیاست گذاری وبرنامه ریزی انرژی. 1403; 10 (2) :137-155
