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 ....

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 (....

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 tempo.......

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 .......

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	Version 2.10.0
Transformer	TensorFlow/Keras	TensorFlow 2.10.0
Weather station	Davis Instruments	Vantage Pro2