Prévision de l’énergie solaire utilisant l’apprentissage profond hybride : amélioration des performances avec la modélisation aléatoire forest-BiLSTM et l’ensemble

Summary

Cette étude fait progresser la performance des centrales solaires concentrées grâce à une analyse complète des données et des méthodologies de correction d’erreurs. En intégrant l’analyse spectrale, l’optimisation de l’efficacité thermique et des modèles hybrides d’apprentissage automatique, la recherche propose des stratégies concrètes pour améliorer l’efficacité opérationnelle et la fiabilité, soutenant ainsi le rôle de l’énergie solaire comme source d’énergie durable.

Abstract

Une prévision précise de l’énergie solaire est essentielle pour l’intégration du réseau et la stabilité opérationnelle des systèmes d’énergie renouvelable. Cette étude présente une approche hybride d’ensemble d’apprentissage profond pour prédire la production solaire en capturant des dépendances temporelles complexes dans les données d’irradiance. Cinq architectures hybrides ont été évaluées : RF-BiLSTM, CNN-LSTM, CNN-BiLSTM, CNN-GRU et CNN-Transformer, chacune combinant des composants convolutionnels ou récurrents pour extraire des caractéristiques spatiales et séquentielles de séries temporelles historiques. Le modèle RF-BiLSTM a obtenu la meilleure performance individuelle avec R² = 0,6568, MAE = 30 728 W, et MSE = 1,81 × 10⁹ W². Un modèle d’ensemble intégrant les trois principales architectures utilisant une moyenne pondérée inverse par MAE a démontré des performances supérieures avec R² = 0,6933, MAE = 28 809,89 W, et MSE = 1,53 × 10^{9 W2}, réduisant l’erreur de prédiction de 6,2 % par rapport au meilleur modèle individuel. Le cadre d’ensemble proposé équilibre efficacement les forces des modèles, renforce la robustesse des prévisions et offre une solution évolutive et basée sur les données pour la prévision des énergies renouvelables dans les réseaux intelligents et les systèmes de gestion énergétique.

Introduction

La transition mondiale accélérée vers les énergies renouvelables a positionné l’énergie solaire comme une source clé du mix énergétique durable. À mesure que les pays s’engagent de plus en plus à décarboner leurs systèmes énergétiques, la technologie solaire photovoltaïque (PV) a connu une croissance exponentielle grâce à sa scalabilité, à la baisse des coûts et aux bénéfices environnementaux. Cependant, l’intégration généralisée de l’énergie solaire dans les réseaux électriques nationaux et régionaux présente des défis importants, principalement en raison de sa nature intermittente et dépendante des conditions météorologiques. L’irra....

Protocol

Collecte et description des ensembles de données
L’ensemble de données (Figure 1) utilisé dans cette recherche comprend des archives historiques cruciales pour la prévision de l’énergie solaire. L’ensemble de données comprend des données opérationnelles quotidiennes provenant d’une centrale solaire thermique concentrée de 50 MW exploitée par Megha Engineering and Infrastructures Limited (MEIL), située près d’Anantapur, Andhra Pradesh, Inde, utilisant la technologie de concentration solaire (CSP) à auge parabolique qui capture l’irradiance normale directe (DNI) et transfère la chaleur v....

Results

Évaluation de la performance individuelle du modèle
L’évaluation des performances de cinq modèles hybrides d’apprentissage profond (DL) : RF-BiLSTM, CNN-GRU, CNN-BiLSTM, CNN-LSTM et CNN-transformer a été réalisée à l’aide d’un ensemble complet de métriques de régression standard, incluant R² (coefficient de détermination), l’erreur absolue moyenne (MAE) et l’erreur quadratique moyenne (MSE), afin d’évaluer rigoureusement leur capacité à prévoir la production d’énergie.......

Discussion

La méthodologie proposée suit un flux de travail structuré comme montré à la Figure 12. Initialement, le jeu de données subit un prétraitement complet, incluant l’imputation des valeurs manquantes, la normalisation et l’ingénierie des caractéristiques, afin d’assurer la qualité des données et d’améliorer l’apprentissage des modèles ^3,6. Le jeu de données traité est ensuite divisé en ensembles d’entra.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
BiLSTM	TensorFlow/Keras	TensorFlow 2.10.0
Couches CNN	TensorFlow/Keras	TensorFlow 2.10.0
Google Colab	Google LLC	Plateforme Cloud
GRU	TensorFlow/Keras	TensorFlow 2.10.0
Matplotlib	Équipe de développement Matplotlib	3.7.1
NumPy	NumFOCUS	1.25.2
NVIDIA T4 GPU	NVIDIA Corporation	Tesla T4
Pandas	NumFOCUS	2.0.3
Pyrhéliomètre pour la mesure des DNI	Kipp & Zonen	CH1-DL
Python	Fondation Python Software	3.10.12
Forêt aléatoire	Développeurs Scikit-learn	1.2.2
Scikit-learn	Développeurs Scikit-learn	1.2.2
Capteurs de température	Vaisala	HMP155
TensorFlow/Keras	Google	Version 2.10.0
Transformateur	TensorFlow/Keras	TensorFlow 2.10.0
Station météorologique	Davis Instruments	Vantage Pro2