Zonne-energievoorspelling met behulp van hybride deep learning: prestatieverbetering met willekeurige bos-biLSTM en ensemblemodellering

Summary

Deze studie verbetert de prestaties van geconcentreerde zonne-energiecentrales door uitgebreide data-analyse en foutcorrectiemethodologieën. Door spectrumanalyse, optimalisatie van thermische efficiëntie en hybride machine learning-modellen te integreren, biedt het onderzoek uitvoerbare strategieën om de operationele efficiëntie en betrouwbaarheid te verbeteren, waarmee de rol van zonne-energie als duurzame energiebron wordt ondersteund.

Abstract

Nauwkeurige voorspellingen van zonne-energie zijn cruciaal voor de integratie van het net en de operationele stabiliteit van hernieuwbare energiesystemen. Deze studie presenteert een hybride deep learning ensemble-benadering om zonne-energie te voorspellen door complexe temporele afhankelijkheden in irradiantiedata vast te leggen. Vijf hybride architecturen werden geëvalueerd: RF-BiLSTM, CNN-LSTM, CNN-BiLSTM, CNN-GRU en CNN-Transformer, die elk convolutionele of recurrente componenten combineren om ruimtelijke en sequentiële kenmerken uit historische tijdreeksen te halen. Het RF-BiLSTM-model behaalde de beste individuele prestaties met R² = 0,6568, MAE = 30.728 W en MSE = 1,81 × 10⁹ W². Een ensemblemodel dat de drie belangrijkste architecturen integreert met inverse MAE-gewogen gemiddelde toonde superieure prestaties met R² = 0,6933, MAE = 28.809,89 W en MSE = 1,53 × 10⁹ W², waarmee de voorspellingsfout met 6,2% werd verminderd ten opzichte van het beste individuele model. Het voorgestelde ensemblekader balanceert effectief de sterkte van het model, verbetert de robuustheid van voorspellingen en biedt een schaalbare, datagedreven oplossing voor het voorspellen van hernieuwbare energie in slimme netwerken en energiebeheersystemen.

Introduction

De versnellende wereldwijde transitie naar hernieuwbare energie heeft zonne-energie gepositioneerd als een centrale bron in de duurzame energiemix. Naarmate landen zich steeds meer inzetten voor het decarboniseren van hun energiesystemen, heeft de zonne-fotovoltaïsche (PV) technologie een exponentiële groei doorgemaakt dankzij schaalbaarheid, dalende kosten en milieuvriendelijke voordelen. De brede integratie van zonne-energie in nationale en regionale elektriciteitsnetten brengt echter aanzienlijke uitdagingen met zich mee, voornamelijk vanwege het wisselvallige en weersafhankelijke karakter ervan. Zonnestraling wordt beïnvloed door diverse omgevingsfactoren, waaronder bewolking, atmosferische omstandigheden, seizoensverschuivingen en dagcycli, die allemaal variabiliteit en onzekerheid introduceren in de opwekking van zonne-energie. Deze inherente variabiliteit bemoeilijkt de taak van het balanceren van het netnet en het plannen van het elektriciteitssysteem. Operators moeten de productie van zonne-energie nauwkeurig voorspellen om een optimale toewijzing van middelen te waarborgen, de afhankelijkheid van fossiele brandstoffen gebaseerde noodsystemen te verminderen, overbelasting of onderbenutting van infrastructuur te voorkomen en de algehele stabiliteit van het net te behouden. Naarmate de penetratie van zonne-energie toeneemt, wordt de behoefte aan robuuste, betrouwbare en precieze voorspellingsmodellen nog urgenter. Nauwkeurige kortetermijn- en dag-vooruit zonne-energie voorspellingen zijn bijzonder cruciaal voor toepassingen zoals deelname aan de energiemarkt, belastingsdispatch, batterijplanning en microgridbeheer¹.

Traditionele voorspellingsmethoden, zoals fysieke modellen gebaseerd op meteorologische gegevens en statistische tijdreekstechnieken (bijv. ARIMA, exponentiële gladmaking), schieten vaak tekort in het vastleggen van het niet-lineaire en dynamische gedrag van zonne-energie. Deze modellen vertrouwen vaak op lineaire aannames, handgemaakte kenmerken of gedetailleerde weersimulaties, die hun schaalbaarheid en aanpassingsvermogen aan veranderende patronen in zonnedata² beperken. Daarentegen zijn deep learning (DL)-modellen ontstaan als een transformerende benadering in tijdreeksvoorspellingen. Deze datagedreven methoden kunnen automatisch complexe kenmerken en temporele afhankelijkheden direct uit ruwe invoerdata leren, zonder expliciet feature engineering^te vereisen ^3,4.

Tot de meest gebruikte architecturen behoren Recurrent Neural Networks (RNN's) en hun verbeterde varianten, zoals Long Short-Term Memory (LSTM) en Gated Recurrent Unit (GRU) netwerken. Deze modellen zijn ontworpen om sequentiële afhankelijkheden en langetermijnrelaties vast te leggen in tijdreeksgegevens ^2,5,6. Ondertussen hebben Convolutionele Neurale Netwerken (CNN's) sterke capaciteiten aangetoond in ruimtelijke feature-extractie en zijn ze aangepast om temporele data te verwerken via 1D-convoluties, met name in hybride configuraties ^7,8. Hybride DL-modellen, die de sterke punten van verschillende architecturen zoals CNN's en RNN's combineren, hebben aan populariteit gewonnen in zonne-voorspellingen dankzij hun vermogen om zowel lokale als langetermijnafhankelijkheden uit tijdreeksgegevens ^7,8,9 te halen

Bijvoorbeeld, CNN-LSTM- of CNN-BiLSTM-modellen passen convolutionele lagen toe om de invoervolgorde vooraf te verwerken en te filteren voordat deze wordt ingevoerd in recurrente lagen, wat resulteert in efficiënter en nauwkeuriger leren ^9,10. Verschillende studies hebben aangetoond dat hybride architecturen beter zijn dan zelfstandige modellen. Onderzoek met SSA-RNN-LSTM hybride modellen leverde significante verminderingen op in foutstatistieken over meerdere PV-technologieën, met verbeteringen van 15-23% in RMSE vergeleken met alternatieve hybride benaderingen⁹. Evenzo hebben CNN-LSTM-architecturen zowel standaard machine learning-benaderingen als single deep learning-modellen over meerdere evaluatiemetrics overtroffen wanneer ze worden toegepast op de echte zonne-energiedata¹⁰. De effectiviteit van op ontbinding gebaseerde hybride methoden is ook vastgesteld, waarbij wavelet-pakketdecompositie gecombineerd met LSTM-netwerken superieure prestaties aantoonde ten opzichte van individuele LSTM-, RNN-, GRU- en MLP-modellen in uur-vooruit PV-vermogensvoorspelling². In de windenergievoorspelling hebben hybride modellen die convolutionele lagen combineren met GRU-netwerken aanzienlijke verbeteringen geboekt in zeer kortetermijnvoorspellingen, waarbij validatie over meerdere locaties hun robuustheid en generaliseerbaarheid bevestigt⁷. Daarnaast bieden aandachtsgebaseerde mechanismen zoals Transformers extra potentieel door selectief te focussen op relevante inputsegmenten over tijdsstappen. Recente onderzoeken naar CNN-LSTM-Transformer hybriden hebben uitzonderlijk lage foutpercentages bereikt, wat baanbrekende inspanningen vertegenwoordigt om transformatornetwerken te integreren in hybride modellen voor zonne-energievoorspellingen¹¹.

Het succes van hybride modellen gaat verder dan architecturale combinaties en omvat ook preprocessing-technieken en gespecialiseerde aanpassingen voor de praktijkomstandigheden. Signaaldecompositietechnieken zijn waardevol gebleken bij het vastleggen van de multiscale kenmerken van PV-energieopwekking, waardoor de voorspellingsnauwkeurigheid verbetert door een betere weergave van temporele patronen². Voor industriële zonne-energiecentrales die onder beperkingsomstandigheden werken, hebben verbeterde LSTM-gebaseerde benaderingen met gespecialiseerde voorverwerking aanzienlijke foutverminderingen bereikt door data-inconsistenties aan te pakken¹². De impact van de kwaliteit van inputdata is ook onderzocht, waarbij aanzienlijke prestatieverschillen aan het licht zijn bij het gebruik van historische versus voorspelde weersgegevens, waarbij innovatieve feature engineering-technieken helpen om nauwkeurigheidsverliezen onder onvolmaakte invoercondities^{te beperken 6}. Machine learning-benaderingen hebben verder aangetoond effectiviteit in grid-connected systemen, wat het potentieel toont om de afhankelijkheid van conventionele spinreservecapaciteit te verminderen door nauwkeurige voorspellingen¹³. Eerder fundamenteel werk toonde de levensvatbaarheid van kunstmatige neurale netwerken voor diverse zonne-energietoepassingen aan, waarbij ze hun vermogen aantoonden om met ruisachtige en onvolledige data om te gaan terwijl ze snelle voorspellingen gaven zodra ze getraind^{waren 3,4,14}. Onderzoek naar optimale voorspellingshorizons en minimal-input benaderingen heeft praktische richtlijnen gegeven voor systeemontwerp en -implementatie in data-schaarse regio's 15,16,17. Hybride methoden die mechanismemodellering combineren met deep learning hebben ook veelbelovend gebleken voor complexe toepassingen van zonne-thermische energie, waarbij ze belangrijke meteorologische factoren en hun ruimtelijke en tijdelijke relaties nauwkeurig identificeren¹⁸. Vergelijkende studies hebben de voordelen aangetoond van geavanceerde recurrente architecturen, met name bidirectionele LSTM-netwerken, die uitzonderlijke prestaties hebben behaald onder uitdagende omgevingscondities zoals bewolkt^{weer 19}.

Ensemble learning, met name door middel van gewogen gemiddelde, biedt een overtuigende oplossing. Door de voorspellingen van complementaire modellen te aggregeren, kunnen ensemble-methoden generalisatiefouten verminderen, robuustheid verbeteren en de zwaktes van individuele modellen beperken. Deze studie onderzoekt de prestaties van vijf geavanceerde hybride DL-modellen: RF-BiLSTM, CNN-LSTM, CNN-BiLSTM, CNN-GRU en CNN-Transformer voor zonne-energievoorspellingen. Elk model wordt geëvalueerd met rigoureuze metriek, waaronder de bepalingscoëfficiënt (R²), gemiddelde absolute fout (MAE) en gemiddelde kwadraatfout (MSE). Op basis van prestatiebenchmarking worden de top drie modellen geselecteerd en gecombineerd tot een geoptimaliseerd ensemble met behulp van een gewogen gemiddeldetechniek. Het doel is om een DL-only ensemble te ontwikkelen dat de voorspellingsnauwkeurigheid verbetert, terwijl generalisatie en computationele haalbaarheid behouden blijven. Dit onderzoek heeft als doel praktische, hoogwaardige prognoseoplossingen te bieden voor netbeheerders en belanghebbenden in hernieuwbare energie.

Ondanks aanzienlijke vooruitgang in methodologieën voor voorspelling van hernieuwbare energie, blijven er verschillende cruciale beperkingen bestaan in de huidige kennisbasis. Hoewel fotovoltaïsche systemen veel onderzoeksaandacht hebben gekregen, blijven voorspellingsapplicaties die specifiek zijn afgestemd op het concentreren van zonne-energie duidelijk ondervertegenwoordigd, waardoor vragen over termische efficiëntievoorspelling en operationele optimalisatie grotendeels onbeantwoord blijven^15,16. Huidige voorspellingskaders gaan doorgaans uit van de aanname dat sensormetingen van nature nauwkeurig zijn, waarbij de implementatie van systematische foutcorrectieprocedures voor Direct Normal Irradiance-instrumentatie wordt verwaarloosd, wat potentiële betrouwbaarheidszorgen met zich meebrengt voor zowel retrospectieve analyse als prospectieve voorspellingen²⁰. Bestaande benaderingen richten zich voornamelijk op temporele voorspelling zonder de spectrale eigenschappen van zonnestraling onder wisselende atmosferische omstandigheden te onderzoeken, ondanks de bekende invloed van spectrale verdeling op systeemprestaties¹⁷. Hoewel hybride architecturen die convolutionele en recurrente netwerken combineren effectief zijn gebleken voor fotovoltaïsche en windtoepassingen, blijft hun aanpassing aan concentrerende zonne-thermische systemen grotendeels onontgonnen, met name configuraties die Random Forest-featureverwerking integreren met bidirectionele recurrente lagen ^7,10. De prevalentie van uurlijkse voorspellingsintervallen in gepubliceerde studies negeert de noodzaak van een hogere temporele resolutie die in staat is om snelle thermische responsdynamiek vast te leggen, essentieel voor realtime systeembeheer^18,19. Bovendien bestaan datakwaliteitsverbetering en voorspellende modellering als losstaande onderzoeksdomeinen zonder geïntegreerde kaders die aantonen hoe meetcorrectie zich vertaalt in voorspellingsverbeteringen²⁰. Ten slotte krijgen factoren op basis van computationele efficiëntie, waaronder trainingsduur, inferentiesnelheid en hardware-eisen, onvoldoende aandacht ten opzichte van alleen nauwkeurigheidsmetingen, wat de praktische implementatierichtlijnen beperkt²⁰.

Dit onderzoek pakt deze tekortkomingen aan door een uitgebreide methodologie op te stellen die geconcentreerde zonne-energie-specifieke analyse combineert met thermische optimalisatie, rigoureuze sensorfoutcorrectieprotocollen toepast, spectrale distributie-onderzoeken uitvoert, een Random Forest-Bidirectional LSTM-architectuur introduceert voor thermische vermogensvoorspelling, nauwkeurige resolutievoorspellingen uitvoert voor verbeterde temporele granulariteit, en data-rectificatieprocessen verbindt met prestaties Outcomes, en biedt systematische computationele benchmarking over vijf hybride architecturen met behulp van gestandaardiseerde grafische verwerkingshardware. De belangrijkste onderzoekstekorten die in de bestaande literatuur zijn geïdentificeerd, zijn samengevat in Tabel 1.

Onderzoekskloof	Bestaande literatuur	Wat ontbreekt er	Deze studie behandelt
Beperkt CSP-specifiek onderzoek	Uitgebreide PV-voorspellingsstudies15,16	CSP thermische efficiëntiegegevensrectificatie	Uitgebreide CSP-data-analyse met thermische optimalisatie
Onvoldoende sensorfoutcorrectie	Studies gaan uit van datanauwkeurigheid17	Zero-error correctieprotocollen voor DNI-instrumenten	Zero-error correctie geïmplementeerd voor nauwkeurige beoordeling
Afwezigheid van DNI-spectrale analyse	Focus op temporele voorspellingen slechts18	Spectrale verdeling onder atmosferische variaties	Spectrumanalyse die invloeden van wolken/atmosfeer aan het licht brengt
Beperkte hybride modellen voor CSP	CNN-LSTM voor PV10, CNN-GRU voor wind7	RF-BiLSTM voor CSP-toepassingen	Nieuwe RF-BiLSTM bereikt R2 = 0,657
Gebrek aan minutieuze analyse	Uurlijkse voorspellingen18,19	Hoge resolutie voor thermische dynamica	Minutenwijze evaluatie voor realtime optimalisatie
Geen geïntegreerd kader	Afzonderlijke prognose- en kwaliteitsstudies20	Koppeling tussen rectificatie en prestaties	Geïntegreerd data-naar-prestatieverbeteringsraamwerk
Onvoldoende computationele analyse	Nauwkeurigheidsvergelijkingen slechts20	Trainingsefficiëntie en inzetbaarheid	Computationele analyse op T4 GPU over 5 modellen heen

Tabel 1: Onderzoekstekorten die in de huidige studie zijn aangepakt. Samenvatting van bestaande onderzoeksbeperkingen, ontbrekende elementen in de huidige literatuur en specifieke bijdragen van deze studie bij het aanpakken van geïdentificeerde hiaten in CSP-voorspellingen en datakwaliteitsbeoordeling.

Protocol

Datasetverzameling en beschrijving
De dataset (Figuur 1) die in dit onderzoek wordt gebruikt, bestaat uit historische gegevens die cruciaal zijn voor het voorspellen van zonne-energie. De dataset bevat dagelijkse operationele gegevens van een 50 MW geconcentreerde zonne-thermische installatie, geëxploiteerd door Megha Engineering and Infrastructures Limited (MEIL), gelegen nabij Anantapur, Andhra Pradesh, India, die gebruikmaakt van parabolische trog Concentrating Solar Power (CSP) technologie die Direct Normal Irradiance (DNI) opvangt en warmte overdraagt via een Heat Transfer Fluid (HTF) om elektriciteit op te wekken. De dataset werd verzameld van 1 januari 2015 tot 3 oktober 2025 en bevat zeven belangrijke attributen die temporele informatie, metingen van zonnestraling en energieproductie vastleggen. De temporele attributen omvatten 'Datum', dat de kalenderdatum in standaardformaat aangeeft, 'Jaar' dat het jaar van gegevensverzameling aangeeft, 'Maand' dat het maandnummer aangeeft, 'Dag' dat de dag van de maand aangeeft, en 'Julian Day' dat een sequentieel dagnummeringssysteem biedt gedurende het hele jaar voor continue temporele analyse. De primaire meteorologische invoervariabele is 'DNI SUM', gemeten in kWh/m², die de totale Direct Normal Irradiance (DNI) vertegenwoordigt, de cumulatieve zonne-energie die per vierkante meter van het collectoroppervlak wordt ontvangen, en dient als de kritieke factor die de thermische conversieefficiëntie van CSP-installatie beïnvloedt. De doelvariabele 'Werkelijke Opwekking', gemeten in kWh, omvat de elektrische stroomproductie van de CSP-centrale en weerspiegelt het resultaat van het energieconversieproces van zon-naar-thermisch naar elektriciteit. Deze eigenschappen maken samen een uitgebreide analyse van de prestaties van de installatie mogelijk, waaronder het bepalen van thermische efficiëntie, DNI-naar-vermogen-conversiemodellering, identificatie van atmosferische en wolkenbedekking door middel van spectrale analyse, implementatie van nul-foutcorrectieprotocollen voor sensorkalibratie, en ontwikkeling van geavanceerde hybride machine learning-voorspellingsmodellen voor het optimaliseren van realtime operationele planning en het verbeteren van de algehele efficiëntie en betrouwbaarheid van CSP-installaties. Plantendetails beschikbaar op: https://solarpaces.nrel.gov/project/megha-solar-plant

Figuur 1: De bovenste vijf rijen van de dataset. Voorbeeldgegevens die de eerste vermeldingen van de zonne-energieopwekkingsdataset tonen, met invoerkenmerken en doelvariabelen die worden gebruikt voor modeltraining en evaluatie. Klik hier om een grotere versie van deze figuur te bekijken.

Datavoorbereiding
De studie maakt gebruik van tijdreeksgegevens uit zonne-energie die zich uitstrekken van 1 januari 2015 tot 10 maart 2025. Om rekening te houden met mogelijke kwaliteitsproblemen in de vroege jaren en zich te richten op recentere patronen, werden de records vanaf 1 januari 2017 gefilterd. Temporele kolommen (Datum, Jaar, Dag) werden verwijderd op basis van voorlopige correlatieanalyse die een verwaarloosbare voorspellende waarde aantoonde. Ontbrekende waarden werden geïmplicteerd met behulp van een voortschrijdend gemiddelde om de temporele continuïteit te behouden en tegelijkertijd vervorming van onderliggende patronen te minimaliseren. Er werden drie vertragingsfuncties gemaakt met behulp van de doelvariabele (Werkelijke Generatie (kW/h)) om temporele afhankelijkheden vast te leggen.

Datasetsplitsing
Om evenwichtige en representatieve trainings-, validatie- en testcohorten op te zetten, werd de vooraf verwerkte dataset gesegmenteerd met behulp van een gestratificeerde steekproefmethode. Deze aanpak zorgde ervoor dat 70% van de data (data uit 2091) werd toegewezen aan training, terwijl zowel validatie- als testsets elk 15% omvatten (448 data per set).

Datanormalisatie
Functies werden gestandaardiseerd met StandardScaler, terwijl doelwaarden via MinMaxScaler werden genormaliseerd naar het [0,1]-bereik voor stabiliteit van neurale netwerken.

Modeltraining
Vijf hybride modellen (Random Forest-BiLSTM, CNN-LSTM, CNN-BiLSTM, CNN-GRU en CNN-Transformer) werden geïmplementeerd voor de voorspelling van zonne-energie. De invoergegevens werden herstructureerd in een sequentieel formaat dat werd hervormd als (samples, timesteps, features) waarbij timesteps = 1 voor de meeste modellen, behalve CNN-LSTM, dat een schuifvenster van 15 stappen gebruikte. Training, validatie en testsets werden opgeschaald terwijl temporele orde behouden bleef om datalekken te voorkomen. Alle modellen worden getraind met 32 batch-grootte en 30 epochs.

Random Forest-BiLSTM (Figuur 2): Het voorgestelde hybride model combineert een Bidirectional Long Short-Term Memory (BiLSTM) netwerk met een Random Forest (RF) regressor om de voorspellingsnauwkeurigheid te verbeteren. Ten eerste wordt het BiLSTM-model getraind op de invoertijdreeksgegevens om temporele patronen vast te leggen en initiële voorspellingen te genereren. Daarna worden de restfouten (verschillen tussen werkelijke en voorspelde waarden) van de BiLSTM berekend. Een Random Forest-model wordt vervolgens getraind op de oorspronkelijke inputkenmerken om deze residuen te leren en te voorspellen. Om de prestaties van het RF-model te verbeteren, worden de zes belangrijkste kenmerken geselecteerd op basis van feature-importance scores. Ten slotte wordt de gecorrigeerde voorspelling verkregen door de RF-voorspelde residuen toe te voegen aan de BiLSTM-uitgangen. Deze hybride benadering maakt gebruik van het sequence-modelleringsvermogen van BiLSTM en de ensemble-leerkracht van Random Forest om betere generalisatie en voorspellende prestaties te bereiken.

Laat de invoerreeks zijn op tijdstap t.

BiLSTM-voorspelling:

, 

 

 

Residuele berekening: 

Residueel leren met Random Forest: Laat Z⊂X de top-k features zijn die geselecteerd zijn met feature-belangrijkheid.

 

Eindvoorspelling: 

Figuur 2: Architectuur van het willekeurig bos-bidirectioneel langetermijngeheugenmodel. Schematisch diagram dat de RF-BiLSTM hybride architectuur illustreert, met de integratie van Random Forest-featureverwerking met bidirectionele LSTM-lagen voor temporele sequentieleren. Klik hier om een grotere versie van deze figuur te bekijken.

CNN-LSTM (Figuur 3): Het CNN-LSTM hybride model begint met het verwerken van de invoersequentie met behulp van een 1D Convolutionele laag om lokale ruimtelijke kenmerken te extraheren, gevolgd door een LeakyReLU-activatie, batchnormalisatie en maximale pooling. De geëxtraheerde features worden vervolgens door een stapel van drie LSTM-lagen gestuurd om temporele afhankelijkheden te leren, waarbij laagnormalisatie en dropout worden toegepast na de eerste twee LSTM's voor regularisatie. De uiteindelijke LSTM-uitgang wordt door volledig verbonden, dichte lagen geleid met activatie en uitval en uiteindelijk met behulp van één neuron op de uitgang toegewezen.

Laat de invoerreeks zijn, waarbij T het tijdsvenster is en F het aantal kenmerken.

CNN-operatie: 

Maximale pooling: 

LSTM-cel: 

 

Output:  

Figuur 3: Architectuur van het CNN-LSTM-model. Structurele representatie van het Convolutioneel Neuraal Netwerk-Lang Kortetermijngeheugen hybride model, waarbij convolutionele feature-extractie gevolgd wordt door unidirectionele temporele sequentieverwerking. Klik hier om een grotere versie van deze figuur te bekijken.

CNN-BiLSTM (Figuur 4): Het CNN-BiLSTM hybride model extraheert eerst ruimtelijke kenmerken met behulp van een 1D convolutionele laag met 32 filters, gevolgd door batchnormalisatie en maximale pooling om de dimensionaliteit te verminderen. De output wordt vervolgens door een stapel van twee bidirectionele LSTM-lagen gestuurd om langdurige temporele afhankelijkheden zowel in voorwaartse als achterwaartse richting vast te leggen. Regularisatie wordt toegepast via dropout en batchnormalisatie. Een dichte laag met 128 neuronen verfijnt de aangeleerde representatie voordat de uiteindelijke uitvoerlaag deze aan één voorspelde waarde koppelt.

CNN-operatie: 

Maximale pooling:

Bidirectionele LSTM:  ,  

 

Output:  

Figuur 4: Architectuur van het CNN-BiLSTM-model. Architectuurdiagram van het Convolutional Neural Network-Bidirectioneel Long Short-Term Memory-model, dat de combinatie van convolutionele lagen met bidirectionele recidiverende verwerking voor verbeterde temporele afhankelijkheidsvastlegging benadrukt. Klik hier om een grotere versie van deze figuur te bekijken.

CNN-GRU (Figuur 5): Het CNN-GRU hybride model begint met een Conv1D-laag waarbij een kernelgrootte van 1 wordt gebruikt om ruimtelijke kenmerken uit de enkele tijdstap te halen. Max pooling vermindert de ruimtelijke dimensies. Hierop volgt een stapel GRU-lagen: de eerste geeft sequenties terug om temporele afhankelijkheden vast te leggen, en de tweede vat de sequence samen tot een compacte representatie. Een laatste dichte laag geeft de voorspelde waarde uit. Dropout-regularisatie wordt toegepast tussen GRU-lagen om overfitting te voorkomen.

CNN-operatie: 

Maximale pooling: 

GRU-cel:

Output:

Figuur 5: Architectuur van het CNN-GRU-model. Schema van het Convolutional Neural Network-Gated Recurrent Unit hybride model, met convolutionele preprocessing geïntegreerd met GRU-lagen voor efficiënte temporele modellering. Klik hier om een grotere versie van deze figuur te bekijken.

CNN-transformator (Figuur 6) Het CNN-transformatormodel begint met een Conv1D-laag om lokale kenmerken uit de invoerreeks te halen, gevolgd door een maximale poolinglaag. Deze functies worden doorgestuurd door een Transformer-encoderblok dat bestaat uit een multi-head zelf-aandacht mechanisme, laagnormalisatie en een feed-forward dicht netwerk. Global average pooling wordt vervolgens toegepast voordat een laatste dichte laag de voorspelling geeft. Deze architectuur is ontworpen om zowel ruimtelijke patronen (via CNN) als globale afhankelijkheden (via Transformer attention) vast te leggen.

CNN-operatie:

Zelf-aandacht met meerdere hoofden:

Waarbij: Q, K, V = XW^Q, XW^K, XW^V en d_k de dimensie van sleutels is.

Feed Forward-netwerk:

Voeg toe en norm lagen:

Output:

Figuur 6: Architectuur van het CNN-Transformer model. Structureel overzicht van het Convolutioneel Neural Network-Transformer hybride model, waarbij convolutionele feature-extractie wordt gecombineerd met multi-head attention mechanismen voor geavanceerde temporele patroonherkenning. Klik hier om een grotere versie van deze figuur te bekijken.

Ontwikkeling van ensemblemodellen
Om de voorspellingsnauwkeurigheid en modelrobuustheid te verbeteren, hebben we een gewogen gemiddelde ensemblebenadering geïmplementeerd met voorspellingen van de vijf hybride deep learning-modellen: RF-BiLSTM, CNN-LSTM, CNN-BiLSTM, CNN-GRU en CNN-Transformer. Het ensemble werd samengesteld door geoptimaliseerde gewichten toe te kennen aan de voorspellingen van elk model, waarbij hogere gewichten werden gegeven aan modellen die superieure individuele prestaties aantonen, gemeten aan hun R²-scores. Deze wegingsstrategie zorgt ervoor dat nauwkeurigere modellen aanzienlijk bijdragen aan de uiteindelijke prognose, terwijl ze toch de complementaire sterke punten van alle architecturen benutten. De ensemble-output werd vervolgens geëvalueerd met behulp van standaard prestatie-metrics: R², gemiddelde absolute fout (MAE) en gemiddelde kwadratische fout (MSE) om de voorspellende nauwkeurigheid, consistentie en generalisatiecapaciteit te beoordelen. Dit deep learning-ensemble heeft als doel temporele feature-extractie vanuit meerdere perspectieven te integreren, waardoor een grotere nauwkeurigheid en robuustheid wordt bereikt dan bij elk enkel hybride model op zichzelf.

Wiskundige formulering van de ensembletechniek:

Laat

Vertegenwoordigen de verzameling basismodellen die overeenkomen met CNN-RF-BiLSTM, CNN-LSTM, CNN-BiLSTM, CNN-GRU en CNN-Transformer.

Elk basismodel M_i levert een voorspelling op:

De meta-feature-matrix voor stapeling wordt gevormd als:

De Ridge Regression meta-learner schat de uiteindelijke voorspelling als:

waarbij:

-- w_i zijn de geleerde stapelgewichten

-- w₀ is de biasterm

Om overfitting te voorkomen, minimaliseert Ridge Regressie de volgende geregulariseerde verliesfunctie:

waarbij:

-- y_j = ware target voor de^j-de steekproef

-- N = totaal aantal monsters

-- α = regularisatieparameter die de gewichtskrimp regelt

De ensemblevoorspelling wordt verkregen als:

waarbij de gewichten w_i automatisch worden geleerd door de Ridge-verliesfunctie te minimaliseren.

Results

Individuele modelprestatie-evaluatie
De prestatie-evaluatie van vijf hybride deep learning (DL) modellen RF-BiLSTM, CNN-GRU, CNN-BiLSTM, CNN-LSTM en CNN-transformer werd uitgevoerd met behulp van een uitgebreide set standaard regressiemetrics, waaronder R² (determinatiecoëfficiënt), gemiddelde absolute fout (MAE) en gemiddelde kwadratische fout (MSE), om hun vermogen in het voorspellen van zonne-energieopwekking onder wisselende meteorologische omstandigheden en temporele afhankelijkheden rigoureus te...

Discussion

De voorgestelde methodologie volgt een gestructureerde workflow zoals weergegeven in Figuur 12. Aanvankelijk ondergaat de dataset uitgebreide preprocessing, waaronder ontbrekende waardeimputatie, normalisatie en feature engineering, om de datakwaliteit te waarborgen en het modelleren^{te verbeteren 3,6}. De verwerkte dataset wordt vervolgens opgedeeld in trainingssets (70%), validatie (15%) en testsets (15%) om robuuste modelontwikkelin...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
BiLSTM	TensorFlow/Keras	TensorFlow 2.10.0
CNN layers	TensorFlow/Keras	TensorFlow 2.10.0
Google Colab	Google LLC	Cloud Platform
GRU	TensorFlow/Keras	TensorFlow 2.10.0
Matplotlib	Matplotlib Dev Team	3.7.1
NumPy	NumFOCUS	1.25.2
NVIDIA T4 GPU	NVIDIA Corporation	Tesla T4
Pandas	NumFOCUS	2.0.3
Pyrheliometer for DNI measurement	Kipp & Zonen	CH1-DL
Python	Python Software Foundation	3.10.12
Random Forest	Scikit-learn Developers	1.2.2
Scikit-learn	Scikit-learn Developers	1.2.2
Temperature sensors	Vaisala	HMP155
TensorFlow/Keras	Google	Versie 2.10.0
Transformer	TensorFlow/Keras	TensorFlow 2.10.0
Weather station	Davis Instruments	Vantage Pro2