Solarenergie-Prognose mittels hybridem Deep Learning: Leistungssteigerung mit zufälligem Forest-BiLSTM und Ensemble-Modellierung

Summary

Diese Studie verbessert die Leistung konzentrierter Solarkraftwerke durch umfassende Datenanalyse und Fehlerkorrekturmethoden. Durch die Integration von Spektrumanalyse, thermischer Effizienzoptimierung und hybriden Machine-Learning-Modellen bietet die Forschung umsetzbare Strategien zur Steigerung der Betriebseffizienz und Zuverlässigkeit und unterstützt so die Rolle der Solarenergie als nachhaltige Energiequelle.

Abstract

Eine genaue Solarenergieprognose ist entscheidend für die Netzintegration und die betriebliche Stabilität erneuerbarer Energiesysteme. Diese Studie präsentiert einen hybriden Deep-Learning-Ensemble-Ansatz zur Vorhersage der Sonnenerzeugung, indem komplexe zeitliche Abhängigkeiten in Bestrahlungsdaten erfasst werden. Fünf hybride Architekturen wurden bewertet: RF-BiLSTM, CNN-LSTM, CNN-BiLSTM, CNN-GRU und CNN-Transformer, wobei jede konvolutionelle oder rekurrente Komponenten kombiniert, um räumliche und sequentielle Merkmale aus historischen Zeitreihen zu extrahieren. Das RF-BiLSTM-Modell erzielte die beste individuelle Leistung mit R² = 0,6568, MAE = 30.728 W und = 1,81 × 10⁹ W². Ein Ensemble-Modell, das die drei wichtigsten Architekturen mit inverser MAE-gewichteter Mittelung integriert, zeigte eine überlegene Leistung mit R² = 0,6933, MAE = 28.809,89 W und = 1,53 × 10⁹ W² und reduzierte den Vorhersagefehler um 6,2 % im Vergleich zum besten Einzelmodell. Das vorgeschlagene Ensemble-Framework balanciert die Modellstärken effektiv aus, verbessert die Prognoserobustheit und bietet eine skalierbare, datengetriebene Lösung für die Prognose erneuerbarer Energien in intelligenten Netz- und Energiemanagementsystemen.

Introduction

Der beschleunigte globale Übergang hin zu erneuerbaren Energien hat Solarenergie als zentrale Quelle im nachhaltigen Energiemix etabliert. Da sich Länder zunehmend auf die Dekarbonisierung ihrer Energiesysteme verpflichten, hat die Solar-Photovoltaik-(PV)-Technologie aufgrund ihrer Skalierbarkeit, sinkenden Kosten und Umweltvorteile ein exponentielles Wachstum erlebt. Die weitverbreitete Integration von Solarenergie in nationale und regionale Stromnetze stellt jedoch erhebliche Herausforderungen dar, hauptsächlich aufgrund ihrer intermittierenden und wetterabhängigen Natur. Die Sonnenstrahlung wird von einer Vielzahl von Umweltfaktore....

Protocol

Datensatzsammlung und -beschreibung
Der in dieser Forschung verwendete Datensatz (Abbildung 1) umfasst historische Aufzeichnungen, die für die Vorhersage von Solarenergie entscheidend sind. Der Datensatz umfasst tägliche Betriebsdaten eines 50-MW-konzentrierten Solarthermiekraftwerks, das von Megha Engineering and Infrastructures Limited (MEIL) betrieben wird und sich in der Nähe von Anantapur, Andhra Pradesh, Indien, befindet, das Parabolrinn-Konzentrierende Solarenergietechnologie (CSP) nutzt, die Direct Normal Irradiance (DNI) erfasst und Wärme über eine Wärmeübertragungsflüssigkeit....

Results

Leistungsbewertung einzelner Modelle
Die Leistungsbewertung von fünf hybriden Deep-Learning-(DL)-Modellen RF-BiLSTM, CNN-GRU, CNN-BiLSTM, CNN-LSTM und CNN-Transformator wurde unter Verwendung eines umfassenden Satzes von Standardregressionsmetriken durchgeführt, darunter R² (Bestimmungskoeffizient), mittlerer absoluter Fehler (MAE) und mittlerer quadratischer Fehler (), um deren Fähigkeit zur Vorhersage der Solarstromerzeugung unter unterschiedlichen meteorologischen .......

Discussion

Die vorgeschlagene Methodik folgt einem strukturierten Arbeitsablauf, wie in Abbildung 12 dargestellt. Anfangs wird der Datensatz umfassend vorverarbeitet, einschließlich fehlender Wertimputation, Normalisierung und Feature Engineering, um die Datenqualität sicherzustellen und das Modelllernen^{zu verbessern 3,6}. Der verarbeitete Datensatz wird dann in Trainingssätze (70 %), Validierung (15 %) und Test.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
BiLSTM	TensorFlow/Keras	TensorFlow 2.10.0
CNN-Schichten	TensorFlow/Keras	TensorFlow 2.10.0
Google Colab	Google LLC	Cloud-Plattform
GRU	TensorFlow/Keras	TensorFlow 2.10.0
Matplotlib	Matplotlib-Entwicklungsteam	3.7.1
NumPy	NumFOCUS	1.25.2
NVIDIA T4 GPU	NVIDIA Corporation	Tesla T4
Pandas	NumFOCUS	2.0.3
Pyrheliometer zur DNI-Messung	Kipp & Zonen	CH1-DL
Python	Python Software Foundation	3.10.12
Zufälliger Wald	Scikit-learn-Entwickler	1.2.2
Scikit-learn	Scikit-learn-Entwickler	1.2.2
Temperatursensoren	Vaisala	HMP155
TensorFlow/Keras	Google	Version 2.10.0
Transformator	TensorFlow/Keras	TensorFlow 2.10.0
Wetterstation	Davis Instruments	Vantage Pro2