fa ارائه یک مدل ترکیبی مبتنی بر یادگیری ماشین برای پیش‌بینی تقاضای برق در برق‌رسانی فراساحلی با تاکید بر پایداری زیست‌محیطی در عملیات دریایی تخصصي Special پژوهشي Research <div style="text-align: justify;"><span style="line-height:2;"><span style="font-family:IRANsans;">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 &nbsp;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 &nbsp;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.</span></span></div> <div style="text-align: justify;"><span style="line-height:2;"><span style="font-family:Times New Roman;"><span style="font-size:11pt"><span lang="EN-GB" style="font-size:12.0pt">Maritime logistics, as one of the pillars of global trade, faces challenges such as port congestion and environmental impacts. This paper investigates the use of green electric energy to power vessels outside port terminals through a method known as offshore cold ironing. This study develops an advanced machine learning approach, a hybrid stacking ensemble model, to forecast electricity demand. The focus of this research is on a maritime port, and it evaluates various machine learning models within a parallel stacking approach, demonstrating their effectiveness in forecasting the&nbsp;energy consumption of vessels outside the port compared to individual models. The aim of this research is to enhance sustainability in maritime energy consumption by examining the efficient transfer of renewable energy in offshore scenarios. This includes eliminating the use of fossil fuels by vessels and transitioning to renewable energy sources through accurate electricity demand forecasting. The results show that the MLP-GB ensemble model outperforms other individual or ensemble models in achieving lower root mean squared error, highlighting its potential for accurate forecasting. The findings of this research point to the critical role of accurate forecasting in promoting the replacement of maritime energy sources and contributing to global efforts to combat climate change and reduce greenhouse gas emissions in the maritime sector.</span></span></span></span></div> لجستیک دریایی, برق‌رسانی فراساحلی, یادگیری ماشین, پیش‌بینی, تقاضای برق Maritime logistics, Offshore cold ironing, Machine learning, Forecast, Electricity demand 137 155 http://epprjournal.ir/browse.php?a_code=A-10-1258-2&slc_lang=fa&sid=1 Meead Mansoursamaei میعاد منصورسمائی m.mansoursamaei@utwente.nl 10031947532846006491 10031947532846006491 No Mahmoud Moradi محمود مرادی m.moradi@guilan.ac.ir 10031947532846006492 10031947532846006492 Yes Keikhosro Yakideh کیخسرو یاکیده yakideh@guilan.ac.ir 10031947532846006493 10031947532846006493 No