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

Summary

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.

Abstract

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.

Introduction

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 الكامن يعقد مهمة موازنة الشبكة وتخطيط أنظمة الطاقة. يجب على المشغلين التنبؤ بدقة بإنتاج الطاقة الشمسية لضمان تخصيص الموارد الأمثل، وتقليل الاعتماد على أنظمة النسخ الاحتياطي المعتمدة على الوقود الأحفوري، ومنع التحميل الزائد أو نقص استخدام البنية التحتية، والحفاظ على استقرار الشبكة بشكل عام. مع زيادة اختراق الطاقة الشمسية، تصبح الحاجة إلى نماذج تنبؤ قوية وموثوقة ودقيقة أكثر إلحاحا. تعد التنبؤات الشمسية الدقيقة قصيرة الأجل واليوم المسبق ضرورية بشكل خاص لتطبيقات مثل المشاركة في سوق الطاقة، توزيع الأحمال، جدولة البطاريات،^وإدارة الشبكات الصغيرة.

غالبا ما تفشل طرق التنبؤ التقليدية، مثل النماذج الفيزيائية المبنية على بيانات الأرصاد الجوية وتقنيات السلاسل الزمنية الإحصائية (مثل ARIMA، التنعيم الأسي)، في التقاط السلوك غير الخطي والديناميكي لتوليد الطاقة الشمسية. تميل هذه النماذج إلى الاعتماد على افتراضات خطية، أو ميزات مصممة يدويا، أو محاكاة جوية مفصلة، مما يحد من قابليتها للتوسع وقابليتها للتكيف مع الأنماط المتغيرة في بيانات الطاقة^{الشمسية 2}. على النقيض من ذلك، ظهرت نماذج التعلم العميق (DL) كنهج تحويلي في التنبؤ بالسلاسل الزمنية. يمكن لهذه الطرق المعتمدة على البيانات تعلم الميزات المعقدة والاعتماديات الزمنية تلقائيا مباشرة من بيانات الإدخال الخام دون الحاجة إلى هندسة ميزات صريحة ^3,4.

من بين أكثر البنى استخداما شبكات الأعصاب المتكررة (RNNs) ونسخها المحسنة، مثل الذاكرة طويلة المدى قصيرة المدى (LSTM) وشبكات وحدة التكرار المحبوبة (GRU). تم تصميم هذه النماذج لالتقاط التبعيات التسلسلية والعلاقات الزمنية طويلة الأمد في بيانات السلاسل الزمنية ^2,5,6. وفي الوقت نفسه، أظهرت الشبكات العصبية الالفافية (CNNs) قدرات قوية في استخراج الميزات المكانية وتم تكييفها لمعالجة البيانات الزمنية عبر الالتفافات أحادية الأبعاد، خاصة في التكوينات الهجينة^7،8. نماذج DL الهجينة، التي تجمع بين نقاط قوة البنى المختلفة مثل CNNs وRNNs، اكتسبت زخما في التنبؤ بالشمس بفضل قدرتها على استخراج التبعيات المحلية وطويلة المدى من بيانات السلاسل الزمنية^7،8،9

على سبيل المثال، تطبق نماذج CNN-LSTM أو CNN-BiLSTM طبقات التفافية للمعالجة المسبق وتصفية تسلسل الإدخال قبل إدخاله في الطبقات المتكررة، مما يؤدي إلى تعلم أكثر كفاءة ودقة ^9,10. أظهرت عدة دراسات تفوق البنى الهجينة على النماذج المستقلة. حققت الأبحاث التي استخدمت نماذج SSA-RNN-LSTM الهجينة انخفاضات كبيرة في مقاييس الخطأ عبر تقنيات PV متعددة، مع إظهار تحسنا بنسبة 15-23٪ في RMSE مقارنة بالأساليب الهجينة البديلة⁹. وبالمثل، تفوقت معماريات CNN-LSTM على كل من أساليب التعلم الآلي القياسية ونماذج التعلم العميق الفردية عبر مقاييس تقييم متعددة عند تطبيقها^{على بيانات الطاقة} الشمسية في العالم الحقيقي. كما تم إثبات فعالية الطرق الهجينة القائمة على التفكيك، حيث أظهر تحليل حزم المويجات مع شبكات LSTM أداء متفوقا مقارنة بنماذج LSTM وRNN وGRU وMLP الفردية في توقع الطاقة الكهروضوئية 2 قبل^ساعة. في التنبؤ بطاقة الرياح، حققت النماذج الهجينة التي تجمع بين الطبقات الالتفاوية وشبكات GRU تحسينات ملحوظة في التنبؤات قصيرة الأمد جدا، مع تأكيد التحقق عبر عدة مواقع على متانتها وقابليتها للتعميم⁷. بالإضافة إلى ذلك، تقدم آليات الانتباه مثل المحولات إمكانيات إضافية من خلال التركيز الانتقائي على مقاطع الإدخال ذات الصلة عبر خطوات الزمن. حققت التحقيقات الحديثة في شبكات CNN-LSTM-Transformer الهجينة معدلات خطأ منخفضة للغاية، مما يمثل جهودا رائدة لدمج شبكات الترانسفورمر في نماذج هجينة لتوقع الطاقة الشمسية¹¹.

يمتد نجاح النماذج الهجينة إلى ما هو أبعد من التركيبات المعمارية ليشمل تقنيات المعالجة المسبقة والتكيفات المتخصصة لتناسب ظروف العالم الحقيقي. أثبتت تقنيات تحليل الإشارات قيمتها في التقاط الخصائص متعددة المقاييس لتوليد الطاقة الكهروضوئية، مما حسن دقة التنبؤ من خلال تمثيل أفضل للأنماط الزمنية². بالنسبة لمحطات الطاقة الشمسية الصناعية التي تعمل تحت ظروف تقليص، حققت الأساليب المحسنة القائمة على LSTM التي تتضمن معالجة مسبقة متخصصة تقليصا كبيرا في الأخطاء من خلال معالجة تناقضات البيانات¹². كما تم دراسة تأثير جودة بيانات المدخلات، مما كشف عن فروق كبيرة في الأداء عند استخدام بيانات الطقس التاريخية مقابل المتوقعة، مع تقنيات هندسة الميزات المبتكرة التي ساعدت في التخفيف من فقدان الدقة في ظروف الإدخال غير الكاملة⁶. أظهرت مناهج التعلم الآلي فعالية إضافية في الأنظمة المتصلة بالشبكة، مما أظهر إمكانية تقليل الاعتماد على سعة الاحتياطي الدوارة التقليدية من خلال التنبؤ الدقيق¹³. أثبتت الأعمال التأسيسية السابقة جدوى الشبكات العصبية الاصطناعية لتطبيقات الطاقة الشمسية المختلفة، مما أظهر قدرتها على التعامل مع البيانات المزعجة وغير المكتملة مع توفير توقعات سريعة بعد التدريب ^3,4,14. قدمت الأبحاث حول آفاق التنبؤ المثلى والأساليب ذات المدخلات الدنيا إرشادات عملية لتصميم النظام ونشره في المناطق النادرة^{للبيانات 15، 16، 17}. كما أظهرت الطرق الهجينة التي تجمع بين نمذجة الآليات والتعلم العميق وعدا لتطبيقات الطاقة الحرارية الشمسية المعقدة، حيث تحدد بدقة العوامل الجوية الرئيسية وعلاقاتها المكانية والزمانية¹⁸. أثبتت الدراسات المقارنة مزايا البنى المتكررة المتقدمة، لا سيما شبكات LSTM ثنائية الاتجاه، التي حققت أداء استثنائيا تحت ظروف بيئية صعبة مثل الطقس الغائم¹⁹.

التعلم الجماعي، خصوصا من خلال المتوسط الموزون، يقدم حلا مقنعا. من خلال تجميع توقعات النماذج التكميلية، يمكن لطرق المجموعات تقليل خطأ التعميم، وتحسين المتانة، والتخفيف من نقاط ضعف النماذج الفردية. تدرس هذه الدراسة أداء خمسة نماذج متقدمة هجينة لخط المعالجة المنخفضة: RF-BiLSTM، CNN-LSTM، CNN-BILSTM، CNN-GRU، وCNN-Transformer لتوقع الطاقة الشمسية. يتم تقييم كل نموذج باستخدام مقاييس صارمة، بما في ذلك معامل التحديد (R²)، والخطأ المطلق المتوسط (MAE)، والخطأ المتوسط التربيعي (MSE). استنادا إلى مقارنة الأداء، يتم اختيار أفضل ثلاثة نماذج ودمجها في مجموعة محسنة باستخدام تقنية المتوسط المرجح. الهدف هو تطوير مجموعة تعتمد فقط على DL تعزز دقة التنبؤ مع الحفاظ على التعميم والجدوى الحسابية. يهدف هذا البحث إلى تقديم حلول تنبؤ عملية وعالية الأداء لمشغلي الشبكات وأصحاب المصلحة في الطاقة المتجددة.

على الرغم من التقدم الكبير في منهجيات التنبؤ بالطاقة المتجددة، لا تزال هناك العديد من القيود الحرجة في المعرفة الحالية. بينما جذبت الأنظمة الكهروضوئية تركيزا بحثيا كبيرا، لا تزال تطبيقات التنبؤ المصممة خصيصا لتركيز الطاقة الشمسية ممثلة بشكل كاف، مما يترك الأسئلة حول التنبؤ بالكفاءة الحرارية وتحسين التشغيل دون معالجة إلى حد كبير^15,16. عادة ما تسير أطر التنبؤ الحالية على افتراض أن قياسات المستشعرات دقيقة بطبيعتها، متجاهلة تطبيق إجراءات تصحيح الأخطاء المنهجية لأجهزة الإشعاع الطبيعي المباشر، مما يثير مخاوف محتملة بشأن الموثوقية لكل من التحليل الاستعادي والتنبؤات المستقبلية²⁰. تركز الأساليب الحالية بشكل أساسي على التنبؤ الزمني دون فحص الخصائص الطيفية للإشعاع الشمسي تحت ظروف جوية متغيرة، رغم التأثير المعروف لتوزيع الطيف على أداء النظام¹⁷. على الرغم من أن البنى الهجينة التي تجمع بين الشبكات الالتفافية والمتكررة أثبتت فعاليتها في تطبيقات الطاقة الشمسية وطاقة الرياح، إلا أن تكييفها مع الأنظمة الحرارية الشمسية المركزة لا يزال إلى حد كبير غير مستكشف، خاصة في التكوينات التي تدمج معالجة ميزات الغابة العشوائية مع الطبقات المتكررة ثنائية الاتجاه ^7,10. انتشار فترات التنبؤ بالساعة في الدراسات المنشورة يتجاهل ضرورة وجود دقة زمنية أعلى قادرة على التقاط ديناميكيات الاستجابة الحرارية السريعة الضرورية لإدارة النظام في الوقت الحقيقي^18,19. علاوة على ذلك، يوجد تحسين جودة البيانات والنمذجة التنبؤية كمجالات بحثية منفصلة دون أطر متكاملة توضح كيف يترجم تصحيح القياس إلى تحسينات في التنبؤ²⁰. وأخيرا، لا تحظى اعتبارات الكفاءة الحاسوبية، بما في ذلك مدة التدريب وسرعة الاستدلال، ومتطلبات الأجهزة، بالاهتمام الكافي مقارنة بمقاييس الدقة وحدها، مما يحد من توجيهات النشر العملية²⁰.

يعالج هذا التحقيق هذه النواقص من خلال إنشاء منهجية شاملة تدمج تركيز التحليل الخاص بالطاقة الشمسية مع تحسين الحرارة، وتطبق بروتوكولات تصحيح أخطاء المستشعرات الصارمة، وتجري فحص توزيع الطيف، وتقدم بنية LSTM عشوائية ثنائية الاتجاه للغابة لتوقع الطاقة الحرارية، وتنفذ التنبؤ بدقة دقيقة لتحسين الحبيبات الزمنية، وتربط عمليات تصحيح البيانات بالأداء ويوفر اختبارا حسابيا منهجيا عبر خمسة بنى هجينة باستخدام أجهزة معالجة رسومات موحدة. يتم تلخيص الفجوات البحثية الرئيسية التي تم تحديدها في الأدبيات الحالية في الجدول 1.

فجوة البحث	الأدبيات الحالية	ما الذي ينقصه	تتناول هذه الدراسة
أبحاث محدودة متخصصة في CSP	دراسات واسعة للتنبؤ بالطاقة الكهروسية15,16	تصحيح بيانات كفاءة الحرارة في CSP	تحليل شامل لبيانات CSP مع تحسين الحرارة
تصحيح أخطاء المستشعر غير كاف	تفترض الدراسات دقة البيانات17	بروتوكولات تصحيح الصفر للأخطاء لأجهزة DNI	تم تنفيذ تصحيح صفر خطأ لتقييم دقيق
غياب التحليل الطيفي ل DNI	تركيز التنبؤ الزمني فقط18	التوزيع الطيفي تحت التغيرات الجوية	تحليل الطيف يكشف عن تأثيرات السحب والغلاف الجوي
نماذج هجينة محدودة ل CSP	CNN-LSTM للطاقة الكهوية10، CNN-GRU للرياح7	RF-BiLSTM لتطبيقات CSP	RF-BiLSTM الجديد يحقق R2 = 0.657
نقص التحليل الدقيق	التوقعات بالساعة18,19	عالية الدقة للديناميكا الحرارية	تقييم دقيق للتحسين في الوقت الحقيقي
لا إطار عمل متكامل	دراسات التنبؤ والجودة المنفصلة20	العلاقة بين التصحيح والأداء	إطار عمل متكامل لتحسين البيانات إلى الأداء
تحليل حسابي غير كاف	مقارنات الدقة فقط20	كفاءة التدريب وإمكانية النشر	التحليل الحاسوبي على معالج T4 عبر 5 نماذج

الجدول 1: الفجوات البحثية التي تم تناولها في الدراسة الحالية. ملخص للقيود البحثية القائمة، والعناصر المفقودة في الأدبيات الحالية، والمساهمات المحددة لهذه الدراسة في معالجة الفجوات المحددة في توقع CSP وتقييم جودة البيانات.

Protocol

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 السمات الزمنية 'التاريخ'، الذي يوفر التاريخ التقويمي بصيغة قياسية، و'السنة' التي تشير إلى سنة جمع البيانات، و'الشهر' الذي يمثل رقم الشهر، و'اليوم' الذي يرمز إلى يوم الشهر، و'يوم جوليان' الذي يوفر نظام ترقيم الأيام المتسلسل على مدار السنة للتحليل الزمني المستمر. المتغير الأساسي للدخل في الأرصاد الجوية هو 'DNI SUM' يقاس بالكيلوواط ساعة/متر مربع، والذي يمثل إجمالي الإشعاع الطبيعي المباشر (DNI)، وهو الطاقة الشمسية التراكمية المستلمة لكل متر مربع من سطح المجمع، ويعمل كعامل حاسم يؤثر على كفاءة التحويل الحراري لمحطة CSP. المتغير المستهدف 'التوليد الفعلي'، المقاس بالكيلوواط ساعة، يلتقط الناتج عن الطاقة الكهربائية الناتجة عن محطة الطاقة المركزية، مما يعكس نتيجة عملية تحويل الطاقة من الطاقة الشمسية إلى الحرارية إلى الكهرباء. تتيح هذه السمات مجتمعة تحليلا شاملا لأداء المحطة، بما في ذلك تحديد الكفاءة الحرارية، ونمذجة تحويل DNI إلى طاقة، وتحديد تأثيرات الغلاف الجوي والسحابي من خلال التحليل الطيفي، وتنفيذ بروتوكولات تصحيح الأخطاء الصفرية لمعايرة المستشعرات، وتطوير نماذج متقدمة للتنبؤ بتعلم الآلة الهجينة لتحسين التخطيط التشغيلي في الوقت الحقيقي وتعزيز كفاءة وموثوقية محطة CSP بشكل عام. تفاصيل النبات متاحة على: https://solarpaces.nrel.gov/project/megha-solar-plant

الشكل 1: الصفوف الخمسة العليا من مجموعة البيانات. بيانات عينة تظهر الإدخالات الأولية لمجموعة بيانات توليد الطاقة الشمسية، تعرض ميزات الإدخال والمتغيرات المستهدفة المستخدمة في تدريب وتقييم النماذج. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

إعداد البيانات
تستخدم الدراسة بيانات السلاسل الزمنية لتوليد الطاقة الشمسية تمتد من 1 يناير 2015 إلى 10 مارس 2025. ولمراعاة المشكلات المحتملة في جودة البيانات في السنوات الأولى والتركيز على الأنماط الأحدث، تم تصفية السجلات اعتبارا من 1 يناير 2017. تمت إزالة الأعمدة الزمنية (التاريخ، السنة، اليوم) بناء على تحليل ترابطي أولي أظهر قيمة تنبؤية ضئيلة. تم احتساب القيم المفقودة باستخدام تقنية المتوسط المتحرك للحفاظ على الاستمرارية الزمنية مع تقليل تشويه الأنماط الأساسية. تم إنشاء ثلاث ميزات تأخير باستخدام المتغير المستهدف (التوليد الفعلي (kW/h)) لالتقاط التبعيات الزمنية.

تقسيم مجموعات البيانات
لإنشاء مجموعات تدريب وتحقق واختبار متوازنة وممثلة، تم تقسيم مجموعة البيانات المعالجة مسبقا باستخدام طريقة أخذ عينات طبقية. ضمن هذا النهج تخصيص 70٪ من البيانات (بيانات 2091) للتدريب، بينما شكلت مجموعات التحقق والاختبار 15٪ (448 بيانات لكل مجموعة).

تطبيع البيانات
تم توحيد الميزات باستخدام StandardScaler، بينما تم تطبيع القيم المستهدفة عبر MinMaxScaler إلى نطاق [0,1] لاستقرار الشبكة العصبية.

تدريب النماذج
تم تنفيذ خمسة نماذج هجينة (Random Forest-BiLSTM، CNN-LSTM، CNN-BiLSTM، CNN-GRU، وCNN-Transformer) لتوقع توليد الطاقة الشمسية. تم إعادة هيكلة بيانات الإدخال إلى صيغة تسلسلية أعيد تشكيلها إلى (عينات، خطوات زمنية، ميزات) حيث أن الخطوات الزمنية = 1 لمعظم النماذج، باستثناء CNN-LSTM الذي استخدم نافذة منزلقة من 15 خطوة. تم توسيع مجموعات التدريب والتحقق والاختبار مع الحفاظ على الترتيب الزمني لتجنب تسرب البيانات. جميع النماذج مدربة بحجم 32 دفعة و30 فترة من الفصائل.

الغابة العشوائية-BiLSTM (الشكل 2): يجمع النموذج الهجين المقترح بين شبكة الذاكرة طويلة المدى قصيرة المدى ثنائية الاتجاه (BiLSTM) مع منحدر الغابة العشوائية (RF) لتحسين دقة التنبؤ. أولا، تم تدريب نموذج BiLSTM على بيانات السلاسل الزمنية المدخلة لالتقاط الأنماط الزمنية وتوليد التنبؤات الأولية. بعد ذلك، يتم حساب الأخطاء المتبقية (الفروق بين القيم الفعلية والمتوقعة) من BiLSTM. ثم يتم تدريب نموذج الغابة العشوائية على ميزات الإدخال الأصلية لتعلم وتوقع هذه البواق. لتحسين أداء نموذج الترددات الراديوية، يتم اختيار أهم ست ميزات بناء على درجات أهمية الميزات. وأخيرا، يتم الحصول على التنبؤ المصحح بإضافة البواقي المتوقعة بواسطة الترددات اللاسلكية إلى مخرجات BiLSTM. يستفيد هذا النهج الهجين من قدرة BiLSTM على نمذجة التسلسلات وقوة التعلم الجماعي في Random Forest لتحقيق تعميم أفضل وأداء تنبؤي.

لتكن هي تسلسل الإدخال عند الخطوة الزمنية t.

توقع BiLSTM:

, 

 

 

الحوسبة المتبقية: 

التعلم المتبقي باستخدام الغابة العشوائية: ليكن Z⊂X هي أعلى k الميزات المختارة باستخدام أهمية الميزات.

 

التوقع النهائي: 

الشكل 2: بنية نموذج الذاكرة قصيرة المدى طويلة الغابة ثنائية الاتجاه العشوائية. مخطط تخطيطي يوضح بنية المزيج بين RF وBiLSTM، يوضح دمج معالجة ميزات الغابة العشوائية مع طبقات LSTM ثنائية الاتجاه لتعلم تسلسل الزمن. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

CNN-LSTM (الشكل 3): يبدأ نموذج الهجين بين CNN-LSTM بمعالجة تسلسل الإدخال باستخدام طبقة التفافية أحادية الأبعاد لاستخراج الميزات المكانية المحلية، تليها تفعيل LeakyReLU، وتطبيع الدفعات، والتجميع القصوى. ثم تمرر الميزات المستخرجة عبر مجموعة من ثلاث طبقات LSTM لتعلم التبعيات الزمنية، مع تطبيق تطبيع الطبقة وحذف الطبقة بعد أول اثنين من نماذج LSTM للتنظيم. يتم تمرير مخرج LSTM النهائي عبر طبقات كثيفة متصلة بالكامل مع التفعيل والانقطاع، وأخيرا يتم رسمه إلى المخرج باستخدام خلية عصبية واحدة.

لتكن هي تسلسل الإدخال، حيث T هي نافذة الزمن و F هو عدد الميزات.

تشغيل CNN: 

الحد الأقصى للتجميع: 

خلية LSTM: 

 

المخرج:  

الشكل 3: بنية نموذج CNN-LSTM. تمثيل هيكلي لنموذج هجين الشبكة العصبية الالفافية والذاكرة قصيرة المدى طويلة، مع إظهار استخراج السمات الالفافية متبوعا بمعالجة تسلسل زمني أحادي الاتجاه. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

CNN-BiLSTM (الشكل 4): يستخرج نموذج CNN-BiLSTM الهجين أولا الميزات المكانية باستخدام طبقة الالتفافية أحادية البعد مع 32 مرشحا، تليها تطبيع دفعات وتجميع أقصى لتقليل الأبعاد. ثم يمر المخرج عبر مجموعة من طبقتين ثنائية الاتجاه LSTM لالتقاط الاعتمادات الزمنية طويلة الأمد في الاتجاهين الأمامي والخلفي. يتم تطبيق التنظيم عبر الانسحاب وتطبيع الدفعات. طبقة كثيفة تحتوي على 128 عصبونا تصقل التمثيل المكتسب قبل أن تعيد الطبقة النهائية المخرج التمثيل إلى قيمة متوقعة واحدة.

تشغيل CNN: 

الحد الأقصى للتجميع:

LSTM ثنائي الاتجاه:  ,  

 

المخرج:  

الشكل 4: بنية نموذج CNN-BiLSTM. مخطط معماري لنموذج الشبكة العصبية الالتفاوتية-الذاكرة طويلة المدى قصيرة الثنائية الاتجاه، يبرز دمج الطبقات الالفافية مع المعالجة المتكررة ثنائية الاتجاه لتعزيز التقاط الاعتماد الزمني. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

CNN-GRU (الشكل 5): يبدأ نموذج CNN-GRU الهجين بطبقة Conv1D باستخدام حجم نواة 1 لاستخراج الميزات المكانية من الخطوة الزمنية الواحدة. الحد الأقصى للتجميع يقلل من الأبعاد المكانية. يتبع ذلك مجموعة من طبقات GRU، الأولى تعيد التسلسلات لالتقاط التبعيات الزمنية، والثانية تلخص التسلسل إلى تمثيل مضغوط. الطبقة النهائية الكثيفة تنتج القيمة المتوقعة. يتم تطبيق تنظيم الانقطاع بين طبقات GRU لمنع الإفراط في التركيب.

تشغيل CNN: 

الحد الأقصى للتجميع: 

خلية GRU:

المخرج:

الشكل 5: هيكلية نموذج CNN-GRU. مخطط لنموذج الوحدة التكرارية الالتفاوية الالفافية، يظهر المعالجة المسبقة الالتفافية المتكاملة مع طبقات GRU لنمذجة زمنية فعالة. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

محول CNN (الشكل 6) يبدأ نموذج محول CNN بطبقة Conv1D لاستخراج الميزات المحلية من تسلسل الإدخال، تليها طبقة تجميع قصوى. تمر هذه الميزات عبر كتلة مشفر المحول التي تتكون من آلية تركيز ذاتي متعددة الرؤوس، وتطبيع الطبقات، وشبكة كثيفة للتغذية الأمامية. ثم يطبق تجميع المتوسط العالمي قبل أن تخرج الطبقة النهائية الكثيفة التنبؤ. تم تصميم هذه البنية لالتقاط كل من الأنماط المكانية (عبر CNN) والتبعيات العالمية (عبر اهتمام المحولات).

تشغيل CNN:

التركيز الذاتي متعدد الرؤوس:

حيث: Q, K, V = XW^Q, XW^K, XW^V و d_k هو بعد المفاتيح.

شبكة التغذية المقدمة:

إضافة طبقات & النورم:

المخرج:

الشكل 6: بنية نموذج CNN-Transform. نظرة عامة هيكلية على نموذج الشبكة العصبية الالتفاوية والمحول الهجين، مع دمج استخراج الميزات الالفافية مع آليات الانتباه متعددة الرؤوس للتعرف على الأنماط الزمنية المتقدمة. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

تطوير نماذج المجموعات
لتعزيز دقة التنبؤ ومتانة النموذج، طبقنا نهج المتوسط المرجح باستخدام تنبؤات من خمسة نماذج تعلم عميق هجينة: RF-BiLSTM، CNN-LSTM، CNN-BILSTM، CNN-GRU، وCNN-Transformer. تم بناء المجموعة من خلال تخصيص أوزان محسنة لكل توقعات كل نموذج، مع إعطاء أوزان أعلى للنماذج التي تظهر أداء فرديا متفوقا، كما يقاس بدرجاتهم في R². تضمن استراتيجية الوزن هذه أن النماذج الأكثر دقة تساهم بشكل أكبر في التوقعات النهائية مع الاستفادة من نقاط القوة التكميلية لجميع المعماريات. ثم تم تقييم مخرجات المجموعة باستخدام مقاييس الأداء القياسية: R²، متوسط الخطأ المطلق (MAE)، والخطأ المتوسط التربيعي (MSE) لتقييم دقته التنبؤية، والاتساق، وقدرتها على التعميم. يهدف هذا التشكيل العميق إلى دمج استخراج الميزات الزمنية من وجهات نظر متعددة، مما يحقق دقة ومتانة أكبر من أي نموذج هجين منفرد بمفرد.

الصياغة الرياضية لتقنية المجموعة:

لتكن

تمثل مجموعة النماذج الأساسية التي تتوافق مع CNN-RF-BiLSTM، CNN-LSTM، CNN-BiLSTM، CNN-GRU، وCNN-Transformer.

كل نموذج أساسي M_i ينتج توقعا:

مصفوفة الميزات الفوقية للتكديس تتكون كالتالي:

يقدر متعلم الانحدار الميتا للتلال التنبؤ النهائي كما يلي:

حيث:

-- w_i هي الأوزان التكديسية المتعلمة

-- w₀ هو مصطلح التحيز

لتجنب الإفراط في التركيب، يقلل انحدار الحافة من دالة الفقدان المنظمة التالية:

حيث:

-- y_j = الهدف الحقيقي للعينة j^th

-- N = إجمالي عدد العينات

-- α = معامل تنظيم التحكم في انكماش الوزن

يتم الحصول على توقع المجموعة كالتالي:

حيث يتم تعلم الأوزان w_i تلقائيا عن طريق تقليل دالة فقدان الحافة.

Results

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...

Discussion

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 ...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
BiLSTM	تينسورفلو/كيراس	TensorFlow 2.10.0
طبقات CNN	تينسورفلو/كيراس	TensorFlow 2.10.0
جوجل كولاب	جوجل ذ.م.م	منصة السحابة
GRU	تينسورفلو/كيراس	TensorFlow 2.10.0
ماتبلوتليب	فريق تطوير Matplotlib	3.7.1
نومباي	نوم فوكس	1.25.2
بطاقة رسومات NVIDIA T4	شركة NVIDIA	تسلا T4
الباندا	نوم فوكس	2.0.3
بيرهيليومتر لقياس DNI	كيب & زونن	CH1-DL
بايثون	مؤسسة بايثون للبرمجيات	3.10.12
الغابة العشوائية	مطورو Scikit-learn	1.2.2
سكيت-لرن	مطورو Scikit-learn	1.2.2
حساسات درجة الحرارة	فايسالا	HMP155
تينسورفلو/كيراس	جوجل	الإصدار 2.10.0
المحول	تينسورفلو/كيراس	TensorFlow 2.10.0
محطة الطقس	ديفيس إنسترومنتس	فانتاج برو 2