Prognozowanie energii słonecznej z wykorzystaniem hybrydowego głębokiego uczenia: Poprawa wydajności dzięki losowemu lasowi-biLSTM oraz modelowaniu zespołowemu

Summary

Badanie to poprawia wydajność skoncentrowanych elektrowni słonecznych dzięki kompleksowej analizie danych i metodologiom korekcji błędów. Poprzez integrację analizy widma, optymalizacji efektywności cieplnej oraz hybrydowych modeli uczenia maszynowego, badania dostarczają praktycznych strategii zwiększających efektywność operacyjną i niezawodność, wspierając tym samym rolę energii słonecznej jako zrównoważonego źródła energii.

Abstract

Dokładne prognozowanie energii słonecznej jest kluczowe dla integracji sieci i stabilności operacyjnej systemów odnawialnych źródeł energii. Niniejsze badanie przedstawia hybrydowe podejście zespołu głębokiego uczenia do przewidywania generowania energii słonecznej poprzez uchwycenie złożonych zależności czasowych w danych o napromieniowaniu. Oceniono pięć hybrydowych architektur: RF-BiLSTM, CNN-LSTM, CNN-BiLSTM, CNN-GRU oraz CNN-Transformer, z których każda łączyła komponenty splotowe lub rekurencyjne, aby wyodrębnić cechy przestrzenne i sekwencyjne z historycznych szeregów czasowych. Model RF-BiLSTM osiągnął najlepsze indywidualne osiągi z R² = 0,6568, MAE = 30 728 W oraz MSE = 1,81 × 10⁹ W². Model zespołowy integrujący trzy najwyższe architektury z wykorzystaniem odwrotnego uśredniania ważonego MAE wykazał lepsze wyniki przy R² = 0,6933, MAE = 28 809,89 W oraz MSE = 1,53 × 10⁹ W², zmniejszając błąd predykcji o 6,2% w porównaniu z najlepszym modelem indywidualnym. Proponowane ramy zespołowe skutecznie równoważą mocne strony modelu, zwiększają odporność prognoz i zapewniają skalowalne, oparte na danych rozwiązanie do prognozowania energii odnawialnej w inteligentnych sieciach i systemach zarządzania energią.

Introduction

Przyspieszająca globalna transformacja w kierunku energii odnawialnej uczyniła energię słoneczną kluczowym źródłem w zrównoważonym miksu energetycznym. W miarę jak kraje coraz bardziej zobowiązują się do dekarbonizacji swoich systemów energetycznych, technologia fotowoltaiczna (PV) odnotowuje wykładniczy wzrost dzięki swojej skalowalności, spadkom kosztów i korzyściom środowiskowym. Jednak powszechna integracja energii słonecznej z krajowymi i regionalnymi sieciami energetycznymi stanowi poważne wyzwania, głównie ze względu na jej przerywany i zależny od warunków pogodowych charakter. Na napromieniowanie słoneczne wpływa wiele czynników środowiskowych, w tym zachmurze....

Protocol

Zbieranie i opis zbiorów danych
Zbiór danych (Rysunek 1) użyty w tych badaniach obejmuje historyczne zapisy kluczowe dla prognozowania energii słonecznej. Zbiór danych obejmuje codzienne dane operacyjne z elektrowni słonecznej o mocy 50 MW, obsługiwanej przez Megha Engineering and Infrastructures Limited (MEIL), zlokalizowanej w pobliżu Anantapur, Andhra Pradesh, Indie, wykorzystującej technologię skoncentrowanej energii słonecznej (CSP) z parabolicznego trumfu (CSP), która wychwytuje bezpośrednie normalne promieniowanie (DNI) i przekazuje ciepło za pomocą płynu transferowego ciepła (HTF) do wytwarzania energii elekt....

Results

Ocena wydajności modelu indywidualnego
Ocena wydajności pięciu hybrydowych modeli głębokiego uczenia (DL) RF-BiLSTM, CNN-GRU, CNN-BiLSTM, CNN-LSTM oraz CNN-transformer została przeprowadzona przy użyciu kompleksowego zestawu standardowych metryk regresji, w tym R² (współczynnik determinacji), średniego błędu bezwzględnego (MAE) i średniego błędu kwadratowego (MSE), aby rygorystycznie ocenić ich zdolność do prognozowania wytwarzania energii słonecznej w różnych warunkach meteorologicznych i zależnośc.......

Discussion

Proponowana metodologia opiera się na uporządkowanym przepływie pracy, jak pokazano na Rysunku 12. Początkowo zbiór danych przechodzi kompleksowe wstępne przetwarzanie, w tym imputację wartości brakującej, normalizację oraz inżynierię cech, aby zapewnić jakość danych i poprawić uczenie się modelu ^3,6. Przetworzony zbiór danych jest następnie dzielony na zestawy treningowe (70%), walidację (15%) oraz testowe (15%), aby umożliwić solid.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
BiLSTM	TensorFlow/Keras	TensorFlow 2.10.0
Warstwy CNN	TensorFlow/Keras	TensorFlow 2.10.0
Google Colab	Google LLC	Platforma chmurowa
GRU	TensorFlow/Keras	TensorFlow 2.10.0
Matplotlib	Zespół deweloperski Matplotlib	3.7.1
NumPy	NumFOCUS	1.25.2
Karta graficzna NVIDIA T4	NVIDIA Corporation	Tesla T4
Pandy	NumFOCUS	2.0.3
Pyrheliometr do pomiaru DNI	Kipp & Zonen	CH1-DL
Python	Python Software Foundation	3.10.12
Losowy Las	Scikit-learn Developers	1.2.2
Scikit-learn	Scikit-learn Developers	1.2.2
Czujniki temperatury	Vaisala	HMP155
TensorFlow/Keras	Google	Wersja 2.10.0
Transformer	TensorFlow/Keras	TensorFlow 2.10.0
Stacja meteorologiczna	Davis Instruments	Vantage Pro2