مقالة بحثية

التنبؤ بالطاقة الشمسية باستخدام التعلم العميق الهجين: تعزيز الأداء باستخدام نمذجة الغابات العشوائية والثنائية والمجموعات

DOI:

10.3791/69743

⸱

فبراير 3, 2026

 ,  , 
1School of Computer Engineering, KiiT-Deemed to be University, 2Department of Mathematics, School of Advanced Sciences, VIT-AP University

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تعزز هذه الدراسة أداء محطات الطاقة الشمسية المركزة من خلال تحليل البيانات الشامل ومنهجيات تصحيح الأخطاء. من خلال دمج تحليل الطيف، وتحسين الكفاءة الحرارية، ونماذج التعلم الآلي الهجين، توفر الأبحاث استراتيجيات قابلة للتنفيذ لتعزيز الكفاءة التشغيلية والموثوقية، مما يدعم دور الطاقة الشمسية كمصدر طاقة مستدام.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعد التنبؤ الدقيق بالطاقة الشمسية أمرا بالغ الأهمية لتكامل الشبكة واستقرار التشغيل لأنظمة الطاقة المتجددة. تقدم هذه الدراسة نهجا هجينا من مجموعة التعلم العميق للتنبؤ بتوليد الطاقة الشمسية من خلال التقاط التبعيات الزمنية المعقدة في بيانات الإشعاع. تم تقييم خمسة بنى هجينة: RF-BiLSTM، CNN-LSTM، CNN-BiLSTM، CNN-GRU، وCNN-Transformer، حيث تجمع كل منها بين المكونات الالفافية أو المتكررة لاستخراج الميزات المكانية والتسلسلية من السلاسل الزمنية التاريخية. حقق نموذج RF-BiLSTM أفضل أداء فردي مع R² = 0.6568، MAE = 30,728 W، وMSE = 1.81 × 109 W2. أظهر نموذج تجميعي يدمج البنى الثلاث العليا باستخدام المتوسط المرجح ب MAE العكسي أداء متفوقا مع R² = 0.6933، MAE = 28,809.89 W، وMSE = 1.53 × 109 W2، مما قلل من خطأ التنبؤ بنسبة 6.2٪ مقارنة بأفضل نموذج فردي. يوازن إطار العمل المقترح بين النماذج بشكل فعال، ويعزز متانة التوقعات، ويوفر حلا قابلا للتوسع ويعتمد على البيانات لتوقع الطاقة المتجددة في أنظمة الشبكات الذكية وإدارة الطاقة.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

لقد وضع التحول العالمي المتسارع نحو الطاقة المتجددة الطاقة الشمسية كمصدر محوري في مزيج الطاقة المستدامة. مع التزام الدول بشكل متزايد بإزالة الكربون من أنظمة الطاقة لديها، شهدت تقنية الطاقة الشمسية الكهروضوئية نموا هائلا بسبب قابليتها للتوسع، وانخفاض التكاليف، والفوائد البيئية. ومع ذلك، فإن الدمج الواسع للطاقة الشمسية في شبكات الكهرباء الوطنية والإقليمية يشكل تحديات كبيرة، ويرجع ذلك أساسا إلى طبيعتها المتقطعة والمعتمدة على الطقس. يتأثر الإشعاع الشمسي بمجموعة متنوعة من العوامل البيئية، بما في ذلك الغطاء السحابي، والظروف الجوية، والتغيرات الموسمية، والدورات النهارية، وكلها تدخل التقلبات وعدم اليقين في توليد الطاقة الشمسية. هذا التباين ال....

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

جمع ووصف مجموعة البيانات
تتضمن مجموعة البيانات (الشكل 1) المستخدمة في هذا البحث سجلات تاريخية حاسمة للتنبؤ بالطاقة الشمسية. تتضمن مجموعة البيانات بيانات تشغيلية يومية من محطة شمسية حرارية مركزة بقدرة 50 ميجاوات تديرها شركة ميغا للهندسة والبنى التحتية المحدودة (MEIL)، وتقع بالقرب من أنانتابور، أندرا براديش، الهند، باستخدام تقنية الطاقة الشمسية المركزة للمخزن القطعي (CSP) التي تلتقط الإشعاع الطبيعي المباشر (DNI) وتنقل الحرارة عبر سائل نقل الحرارة (HTF) لتوليد الكهرباء. تم جمع مجموعة البيانات من 1 يناير 2015 إلى 3 أكتوبر 2025 وتحتوي على سبع خصائص رئيسية تلتقط المعلومات الزمنية، وقياسات الإشعاع الشمسي، وإنتاج الطاقة. تشمل ....

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تقييم أداء النموذج الفردي
تم إجراء تقييم أداء خمسة نماذج هجينة للتعلم العميق (DL) وهي RF-BiLSTM، CNN-GRU، CNN-BiLSTM، CNN-LSTM، وCNN-Transformer باستخدام مجموعة شاملة من مقاييس الانحدار القياسية، بما في ذلك R² (معامل التحديد)، والخطأ المطلق المتوسط (MAE)، والخطأ المتوسط المربع (MSE)، لتقييم قدرتها على التنبؤ بتوليد الطاقة الشمسية بدقة تحت ظروف أرصاد جوية وتبعيات زمنية متغيرة.

أداء نموذج RF-BiLSTM:
من بين البنى التي تم تقييمها، أظهر نموذج RF-BiLSTM أداء ا.......

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تتبع المنهجية المقترحة سير عمل منظم كما هو موضح في الشكل 12. في البداية، تخضع مجموعة البيانات لمعالجة شاملة مسبقة، بما في ذلك تحديد القيمة المفقودة، والتطبيع، وهندسة الميزات، لضمان جودة البيانات وتعزيز تعلم النماذج 3,6. ثم يتم تقسيم مجموعة البيانات المعالجة إلى مجموعات تدريب (70٪)، والتحقق (15٪)، ومجموعات اختبار (15٪) لتمكين تطوير نماذج قوية وتقييم أداء 2,9. لاحقا، يتم تدريب .......

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

المؤلفون ليس لديهم ما يكشفون عنه. خلال إعداد هذه المخطوطة، استخدم المؤلفون كلود الذكاء الاصطناعي (الأنثروبيك) وChatGPT (OpenAI) لأغراض التالية: مساعدة مراجعة الأدبيات، تحرير القواعد واللغة، تصحيح الأخطاء الكودية وتحسينها لنماذج التعلم الآلي، وتنسيق المحتوى التقني. تمت مراجعة وتحرير والتحقق من جميع المحتوى الذكاء الاصطناعي بعناية من قبل المؤلفين. يتحمل المؤلفون المسؤولية الكاملة عن محتوى المقال المنشور.

شكر وتقدير

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

نشكر شركة ميغا للهندسة والبنية التحتية المحدودة على توفير البيانات والموارد والدعم اللازم لتنفيذ هذا العمل.

....

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
BiLSTMتينسورفلو/كيراسTensorFlow 2.10.0
طبقات CNNتينسورفلو/كيراسTensorFlow 2.10.0
جوجل كولابجوجل ذ.م.ممنصة السحابة
GRUتينسورفلو/كيراسTensorFlow 2.10.0
ماتبلوتليبفريق تطوير Matplotlib3.7.1
نومباينوم فوكس1.25.2
بطاقة رسومات NVIDIA T4شركة NVIDIAتسلا T4
الباندانوم فوكس2.0.3
بيرهيليومتر لقياس DNIكيب & زوننCH1-DL
بايثونمؤسسة بايثون للبرمجيات3.10.12
الغابة العشوائيةمطورو Scikit-learn1.2.2
سكيت-لرنمطورو Scikit-learn1.2.2
حساسات درجة الحرارةفايسالاHMP155
تينسورفلو/كيراسجوجلالإصدار 2.10.0
المحولتينسورفلو/كيراسTensorFlow 2.10.0
محطة الطقسديفيس إنسترومنتسفانتاج برو 2

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Akhter, M. N., et al. A hybrid deep learning method for an hour ahead power output forecasting of three different photovoltaic systems. Appl Energy. 307, 118185(2022).
  2. Agga, A., Akherraz, A., Laaziri, K., Hachimi, M., Lghoul, K.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

الوسوم

CNN LSTM CNN BiLSTM CNN GRU CNN Transformer

مقالات ذات صلة