Прогнозирование солнечной энергии с использованием гибридного глубокого обучения: повышение производительности с помощью случайного лесного и ансамблевого моделирования

Vivek Sharma; Mohit Ranjan Panda; Biswajit Kar

doi:10.3791/69743

Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.

Исследовательская статья

Прогнозирование солнечной энергии с использованием гибридного глубокого обучения: повышение производительности с помощью случайного лесного и ансамблевого моделирования

514 просмотров

⸱

DOI:

10.3791/69743

⸱

3 февраля 2026 г.

Vivek Sharma¹ , Mohit Ranjan Panda¹ , Biswajit Kar²

¹School of Computer Engineering, KiiT-Deemed to be University, ²Department of Mathematics, School of Advanced Sciences, VIT-AP University

В этой статье

Краткое содержание

Это исследование способствует эффективности концентрированных солнечных электростанций с помощью комплексного анализа данных и методологий коррекции ошибок. Интегрируя анализ спектра, оптимизацию тепловой эффективности и гибридные модели машинного обучения, исследование предоставляет практические стратегии повышения операционной эффективности и надёжности, тем самым поддерживая роль солнечной энергии как устойчивого источника энергии.

Аннотация

Точное прогнозирование солнечной энергии крайне важно для интеграции в сеть и эксплуатационной стабильности систем возобновляемой энергетики. В данном исследовании представлен гибридный подход с ансамблем глубокого обучения для прогнозирования генерации солнечной энергии путём фиксации сложных временных зависимостей в данных излучения. Было оценено пять гибридных архитектур: RF-BiLSTM, CNN-LSTM, CNN-BiLSTM, CNN-GRU и CNN-Transformer, каждая из которых объединяет сверточные или рекуррентные компоненты для извлечения пространственных и последовательных признаков из исторических временных рядов. Модель RF-BiLSTM достигла наилучших индивидуальных характеристик: R² = 0,6568, MAE = 30 728 Вт, а MSE = 1,81 × 10⁹ ^{Вт² 2}. Ансамблевая модель, интегрирующая три ведущие архитектуры с использованием обратного взвешенного по MAE усреднения, показала превосходную производительность при R² = 0,6933, MAE = 28 809,89 Вт и MSE = 1,53 × 10⁹ ^{Вт² 2}, снижая ошибку прогноза на 6,2% по сравнению с лучшей индивидуальной моделью. Предлагаемая ансамблевая структура эффективно балансирует сильные стороны модели, повышает устойчивость прогнозов и предоставляет масштабируемое, основанное на данных решение для прогнозирования возобновляемой энергии в умных сетях и системах управления энергией.

Введение

Ускоряющийся глобальный переход к возобновляемой энергии сделал солнечную энергию ключевым источником в устойчивом энергетическом миксе. По мере того как страны всё больше берут на себя обязательства по декарбонизации своих энергетических систем, солнечные фотоэлектрические (PV) технологии демонстрируют экспоненциальный рост благодаря масштабируемости, снижению затрат и экологическим преимуществам. Однако широкая интеграция солнечной энергии в национальные и региональные энергосистемы представляет собой значительные трудности, главным образом из-за её прерывистого и зависимого от погодных условий характера. Солнечное излучение зависит....