Hibrit Derin Öğrenme Kullanarak Güneş Enerjisi Tahmini: Rastgele Orman-BiLSTM ve Topluluk Modelleme ile Performans Artışı

Summary

Bu çalışma, kapsamlı veri analizi ve hata düzeltme metodolojileriyle yoğunlaştırılmış güneş enerjisi santrali performansını ilerletmektedir. Spektrum analizi, termal verimlilik optimizasyonu ve hibrit makine öğrenimi modellerini entegre ederek, araştırma operasyonel verimlilik ve güvenilirliği artırmak için uygulanabilir stratejiler sunar ve böylece güneş enerjisinin sürdürülebilir bir enerji kaynağı olarak rolünü destekler.

Abstract

Doğru güneş enerjisi tahmini, şebeke entegrasyonu ve yenilenebilir enerji sistemlerinin operasyonel istikrarı için kritik öneme sahiptir. Bu çalışma, ışınlanma verilerindeki karmaşık zamansal bağımlılıkları yakalayarak güneş oluşumunu tahmin etmek için hibrit derin öğrenme topluluk yaklaşımı sunmaktadır. Beş hibrit mimari değerlendirildi: RF-BiLSTM, CNN-LSTM, CNN-BiLSTM, CNN-GRU ve CNN-Transformer; her biri konvolüsyon veya tekrarlayan bileşenleri birleştirerek tarihsel zaman serilerinden mekansal ve ardışık özellikler çıkardı. RF-BiLSTM modeli R² = 0.6568, MAE = 30.728 W ve MSE = 1.81 × 10⁹ W² ile en iyi bireysel performansı elde etti. En üst üç mimariyi ters MAE ağırlıklı ortalamayla entegre eden bir topluluk modeli, R² = 0.6933, MAE = 28.809.89 W ve MSE = 1.53 × 10⁹ W² ile üstün performans göstererek tahmin hatasını en iyi bireysel modele göre %6.2 azalttı. Önerilen topluluk çerçevesi, modelin güçlü yönlerini etkili bir şekilde dengeler, tahmin sağlamlığını artırır ve akıllı şebeke ile enerji yönetim sistemlerinde yenilenebilir enerji tahmini için ölçeklenebilir, veri odaklı bir çözüm sunar.

Introduction

Yenilenebilir enerjiye geçişin hızlanması, güneş enerjisini sürdürülebilir enerji karışımında kilit bir kaynak haline getirmiştir. Ülkeler enerji sistemlerini karbondan arındırmaya giderek daha fazla taahhüt ettikçe, güneş fotovoltaik (PV) teknolojisi ölçeklenebilirliği, azalan maliyetleri ve çevresel faydaları nedeniyle katlanarak büyüme yaşadı. Ancak, güneş enerjisinin ulusal ve bölgesel enerji şebekelerine yaygın entegrasyonu, özellikle aralıklı ve hava koşullarına bağlı doğası nedeniyle önemli zorluklar yaratmaktadır. Güneş ışınlanması, bulut örtüsü, atmosfer koşulları, mevsimsel değişimler ve günlük döngüler gibi çeşitli çevresel faktörlerden etkilenir; bunların hepsi güneş enerjisi üretimine değişkenlik ve belirsizlik getirir. Bu doğası gereği değişiklik, şebeke dengeleme ve enerji sistemi planlaması görevini karmaşıklaştırır. Operatörler, en iyi kaynak tahsisini sağlamak, fosil yakıt tabanlı yedekleme sistemlerine bağımlılığı azaltmak, altyapının aşırı yüklenmesini veya yetersiz kullanımını önlemek ve genel şebeke istikrarını korumak için güneş enerjisi üretimini doğru şekilde tahmin etmelidir. Güneş enerjisi kullanımı arttıkça, sağlam, güvenilir ve hassas tahmin modellerine olan ihtiyaç daha da acil hale geliyor. Doğru kısa vadeli ve günlük güneş tahminleri, enerji pazarına katılım, yük dağıtımı, pil planlaması ve mikroşebeke yönetimi gibi uygulamalar için özellikle^kritiktir.

Meteorolojik verilere dayalı fiziksel modeller ve istatistiksel zaman serisi teknikleri (örneğin, ARIMA, üstel düzgünleştirme) gibi geleneksel tahmin yöntemleri, güneş oluşumunun doğrusal olmayan ve dinamik davranışını yakalamakta sıklıkla yetersiz kalır. Bu modeller, güneş verilerindeki değişen desenlere ölçeklenebilirliklerini ve uyum sağlama güçlerini sınırlayan doğrusal varsayımlara, el yapımı özelliklere veya ayrıntılı hava simülasyonlarına dayanma^{eğilimindedir.} Buna karşılık, derin öğrenme (DL) modelleri zaman serisi tahmininde dönüştürücü bir yaklaşım olarak ortaya çıkmıştır. Bu veri odaklı yöntemler, karmaşık özellikleri ve zamansal bağımlılıkları doğrudan ham girdi verilerinden otomatik olarak öğrenebilir ve açık özellik^{mühendisliği gerektirmeden 3,4}.

En yaygın kullanılan mimariler arasında Tekrarlayan Sinir Ağları (RNN) ve Uzun Kısa Süreli Bellek (LSTM) ve Kapılı Tekrarlayan Birim (GRU) ağları gibi geliştirilmiş varyantları yer alır. Bu modeller, zaman serisi verileri 2,5,6'da ardışık bağımlılıkları ve uzun vadeli zaman ilişkilerini yakalamak için tasarlanmıştır. Bu arada, Konvolüsyon Sinir Ağları (CNN'ler), mekânsal özellik çıkarımında güçlü yetenekler göstermiş ve özellikle hibrit^{konfigürasyonlarda 7,8} numaralı 7,8'de 1B konvolüsyonlar yoluyla zamansal verileri işlemeye uyarlanmıştır. CNN ve RNN gibi farklı mimarilerin güçlü yönlerini birleştiren hibrit DL modelleri, zaman serisi verilerinden hem yerel hem de uzun vadeli bağımlılıkları^{çıkarabilme yetenekleri sayesinde güneş tahmininde popülerlik kazanmıştır 7,8,9}

Örneğin, CNN-LSTM veya CNN-BiLSTM modelleri, giriş dizisini tekrar eden katmanlara beslemeden önce ön işleme ve filtrelemek için konvolüsyon katmanlar uygular, böylece daha verimli ve doğru öğrenme^{sağlanır 9,10}. Birçok çalışma, hibrit mimarilerin bağımsız modellere göre üstünlüğünü göstermiştir. SSA-RNN-LSTM hibrit modelleri kullanılarak yapılan araştırmalar, birden fazla PV teknolojisinde hata metriklerinde önemli azalmalar sağladı ve alternatif hibrit yaklaşımlara kıyasla RMSE'de %15-23 iyileşmeler^{gösterdi 9}. Benzer şekilde, CNN-LSTM mimarileri hem standart makine öğrenimi yaklaşımlarını hem de tek derin öğrenme modellerini gerçek dünya güneş enerjisi verilerine uygulandığında birden fazla değerlendirme ölçütünde geride^{bırakmıştır 10}. Parçalama temelli hibrit yöntemlerin etkinliği de kanıtlanmıştır; burada dalgalet paket ayrıştırma, LSTM ağlarıyla birleştiğinde, saat önceden PV güç^{tahmini 2'de} bireysel LSTM, RNN, GRU ve MLP modellerine göre üstün performans göstermiştir. Rüzgar enerjisi tahmininde, konvolüsyon katmanları GRU ağlarıyla birleştiren hibrit modeller, çok kısa vadeli tahminlerde kayda değer gelişmeler sağlamış olup, birden fazla konumda doğrulama sağlamlıklarını ve genellenebilirliklerini^{doğrulamıştır 7}. Ayrıca, Transformers gibi dikkat temelli mekanizmalar, zaman adımları boyunca ilgili giriş segmentlerine seçici olarak odaklanarak ek potansiyel sunar. CNN-LSTM-Transformer hibritleri üzerine yapılan son araştırmalar, güneş enerjisi tahmini için hibrit modellere Transformer ağlarını entegre etme konusunda öncü çabaları temsil eden son derece düşük hata^{oranları elde} etmiştir.

Hibrit modellerin başarısı, mimari kombinasyonların ötesine geçerek ön işleme tekniklerini ve gerçek dünya koşullarına özel uyarlamaları da kapsar. Sinyal ayrıştırma teknikleri, PV enerji üretiminin çok ölçekli özelliklerini yakalamakta değerli olduğunu kanıtlamıştır; zamansal desenlerin daha iyi temsil edilmesi yoluyla tahmin doğruluğunu artırır². Kısıtlama koşulları altında çalışan endüstriyel ölçekli güneş enerjisi santralleri için, özel ön işleme içeren geliştirilmiş LSTM tabanlı yaklaşımlar, veri tutarsızlıklarını gidererek önemli hata azaltmaları^{sağlamıştır 12}. Girdi veri kalitesinin etkisi de incelenmiş, tarihsel ve tahmin edilen hava verileri kullanıldığında önemli performans farklılıkları ortaya çıkmıştır; yenilikçi özellik mühendisliği teknikleri, kusursuz giriş koşullarında doğruluk kayıplarını azaltmaya yardımcı olur⁶. Makine öğrenimi yaklaşımları, şebekeye bağlı sistemlerde etkinliğini daha da göstermiş ve doğru tahmin yoluyla geleneksel dönme rezerv kapasitesine olan bağımlılığı azaltma potansiyelini^{göstermiştir 13}. Daha önceki temel çalışmalar, yapay sinir ağlarının çeşitli güneş enerjisi uygulamaları için uygulanabilirliğini ortaya koymuş, gürültülü ve eksik verileri yönetme yeteneklerini göstermiştir ve bir kez eğitildikten sonra hızlı tahminler^{sağlamıştır 3,4,14}. Optimal tahmin ufukları ve minimum girdi yaklaşımları üzerine yapılan araştırmalar, veri kıtlığı olan bölgelerde sistem tasarımı ve dağıtımı için^{pratik rehberlik sağlamıştır 15,16,17}. Mekanizma modellemesini derin öğrenme ile birleştiren hibrit yöntemler, temel meteorolojik faktörleri ve onların mekansal-zaman ilişkilerini doğru şekilde belirleyerek karmaşık güneş termal enerjisi uygulamaları için de umut vaat ettiğini^{göstermiştir 18}. Karşılaştırmalı çalışmalar, özellikle bulutlu hava gibi zorlu çevresel koşullarda olağanüstü performans elde eden çift yönlü LSTM ağlarının avantajlarını^{ortaya koymuştur 19}.

Topluluk öğrenimi, özellikle ağırlıklı ortalamayla yapılacak şekilde etkileyici bir çözüm sunar. Tamamlayıcı modellerin tahminlerini birleştirerek, topluluk yöntemleri genelleme hatasını azaltabilir, sağlamlığı artırabilir ve bireysel modellerin zayıf yönlerini azaltabilir. Bu çalışma, güneş enerjisi tahmini için RF-BiLSTM, CNN-LSTM, CNN-BiLSTM, CNN-GRU ve CNN-Transformer olmak üzere beş gelişmiş hibrit DL modelinin performansını incelemektedir. Her model, belirlenme katsayısı (R²), ortalama mutlak hata (MAE) ve ortalama kare hata (MSE) dahil olmak üzere titiz metriklerle değerlendirilir. Performans kıyaslamalarına dayanarak, en iyi üç model seçilir ve ağırlıklı ortalama tekniğiyle optimize edilmiş bir topluluk oluşturulur. Amaç, tahmin doğruluğunu artırırken genelleştirme ve hesaplama fizibilitesini koruyan sadece DL tabanlı bir topluluk geliştirmektir. Bu araştırma, şebeke operatörleri ve yenilenebilir enerji paydaşları için pratik, yüksek performanslı tahmin çözümleri sunmayı amaçlamaktadır.

Yenilenebilir enerji tahmin yöntemlerindeki önemli ilerlemelere rağmen, mevcut bilgi kitlesinde birkaç kritik sınırlama devam etmektedir. Fotovoltaik sistemler önemli araştırma odakları çekmekle birlikte, güneş enerjisini yoğunlaştırmak için özel olarak tasarlanmış tahmin uygulamaları belirgin şekilde az temsil ediliyor ve termal verimlilik tahmini ile operasyonel optimizasyonu konusundaki sorular büyük ölçüde yanıtlanmamış^{kalıyor 15,16}. Mevcut tahmin çerçeveleri genellikle sensör ölçümlerinin doğası gereği doğru olduğu varsayımıyla ilerler ve Doğrudan Normal Işıltılı enstrümantasyon için sistematik hata düzeltme prosedürlerinin uygulanmasını ihmal eder; bu da hem geriye dönük analiz hem de ileriye dönük tahminler için potansiyel güvenilirlik endişeleri^{yaratır 20}. Mevcut yaklaşımlar, sistem performansı üzerindeki spektral dağılımın bilinen etkisine rağmen, değişken atmosfer koşullarında güneş radyasyonunun spektral özelliklerini incelemeden öncelikle zamansal tahmine^odaklanır. Konvolüsyon ve tekrarlayan ağları birleştiren hibrit mimariler fotovoltaik ve rüzgar uygulamaları için etkili olduğu kanıtlanmış olsa da, yoğunlaştırılan güneş termal sistemlerine uyumları büyük ölçüde keşfedilmemiştir; özellikle Rastgele Orman özellik işlemeyi çift yönlü tekrarlayan^{katmanlarla entegre eden konfigürasyonlar 7,10}. Yayınlanmış çalışmalarda saatlik tahmin aralıklarının yaygınlığı, gerçek zamanlı sistem yönetimi için gerekli olan hızlı termal yanıt dinamiklerini yakalayabilen daha yüksek zamansal çözünürlük gerekliliğini göz ardı^{eder 18,19}. Ayrıca, veri kalitesi geliştirme ve öngörücü modelleme, ölçüm düzeltmenin tahmin iyileştirmelerine nasıl dönüştüğünü gösteren entegre çerçeveler olmadan birbirinden ayrılmış araştırma alanları^{olarak mevcuttur 20}. Son olarak, eğitim süresi, çıkarım hızı ve donanım gereksinimleri gibi hesaplama verimliliği hususları yalnızca doğruluk metriklerine göre yeterince dikkat görmez ve pratik dağıtım rehberliğini^{sınırlamaktadır 20}.

Bu araştırma, güneş enerjisine özgü analizi termal optimizasyonla birleştiren, titiz sensör hata düzeltme protokolleri uygulayan, spektral dağılım incelemesi yapan, termal güç tahmini için Rastgele Orman-İki yönlü LSTM mimarisi uygulayarak, gelişmiş zamansal ayrıntı için dakika çözünürlüklü tahmin yaparak bu eksiklikleri gideriyor, veri düzeltme süreçlerini performansla birbirine bağlayan kapsamlı bir metodoloji oluşturuyor sonuçları ve standart grafik işleme donanımı kullanılarak beş hibrit mimaride sistematik hesaplamalı kıyaslama sağlar. Mevcut literatürde tespit edilen temel araştırma boşlukları Tablo 1'de özetlenmiştir.

Araştırma Boşluğu	Mevcut Literatür	Eksik Olan	Bu çalışma şunları ele almaktadır
Sınırlı CSP-Özel Araştırma	Kapsamlı PV tahminçalışmaları 15,16	CSP termal verimlilik veri düzeltmesi	Termal optimizasyonla kapsamlı CSP veri analizi
Yetersiz Sensör Hata Düzeltmesi	Çalışmalar veri doğruluğunuvarsayıyor 17	DNI cihazları için sıfır hata düzeltme protokolleri	Doğru değerlendirme için sıfır hata düzeltmesi uygulandı
DNI Spektral Analizinin Eksikliği	Sadece zamansal tahminodak 18	Atmosfer varyasyonları altında spektral dağılım	Bulut/atmosfer etkilerini ortaya çıkaran spektrum analizi
CSP için Sınırlı Hibrit Modeller	PV10 için CNN-LSTM, rüzgar7 için CNN-GRU	CSP uygulamaları için RF-BiLSTM	Yenilikçi RF-BiLSTM R2 = 0.657 ile elde etti
Dakikalık analiz eksikliği	Saatliktahminler 18,19	Termal dinamik için yüksek çözünürlük	Gerçek zamanlı optimizasyon için dakika bazında değerlendirme
Entegre Çerçeve Yok	Ayrı tahmin ve kaliteçalışmaları 20	Düzeltme ile performans arasındaki bağlantı	Entegre veri-performans iyileştirme çerçevesi
Yetersiz Hesaplamalı Analiz	Doğruluk karşılaştırmalarısadece 20	Eğitim verimliliği ve konuşlandırma uygulanabilirliği	T4 GPU'da 5 modelde hesaplamalı analiz

Tablo 1: Mevcut çalışmada ele alınan araştırma boşlukları. Mevcut araştırma sınırlamaları, güncel literatürdeki eksik unsurlar ve bu çalışmanın CSP tahmini ve veri kalitesi değerlendirmesinde tespit edilen eksiklikleri ele almadaki özel katkılarının özeti.

Protocol

Veri seti toplama ve tanım
Bu araştırmada kullanılan veri seti (Şekil 1), güneş enerjisi tahmini için hayati öneme sahip tarihsel kayıtları içermektedir. Veri seti, Hindistan'ın Andhra Pradesh eyaletindeki Anantapur yakınlarında bulunan Megha Engineering and Infrastructures Limited (MEIL) tarafından işletilen, parabolik yoğunlaştırıcı güneş enerjisi teknolojisini kullanan, Doğrudan Normal Işıltıyı (DNI) yakalayan ve ısı ileten elektrik üretimi için ısı aktaran 50 MW gücünde yoğun güneş termal santraliğinden günlük operasyonel verilerini içermektedir. Veri seti, 01 Ocak 2015'ten 03 Ekim 2025'e kadar toplandı ve zamansal bilgileri, güneş ışınlanması ölçümlerini ve enerji üretimi çıktısını içeren yedi temel öznitelik içeriyor. Zamansal özellikler arasında 'Tarih' (takvim tarihini standart formatta), 'Yıl' (veri toplanma yılı), 'Ay' ay sayısını temsil eder, 'Gün' ayın gününü gösterir ve 'Julian Günü' (yıl boyunca sürekli zaman analizi için ardışık gün numaralandırma sistemi sunar) bulunur. Birincil meteorolojik giriş değişkeni, toplayıcı yüzeyinin metrekare başına alınan kümülatif güneş enerjisi olan toplam Doğrudan Normal Aşımlanma (DNI) ile ölçülen 'DNI SUM'dur; bu da toplayıcı yüzeyinin metrekare başına alınan kümülatif güneş enerjisini temsil eder ve CSP tesisinin termal dönüşüm verimliliğini etkileyen kritik faktördür. Hedef değişken 'Gerçek Üretim', kWh cinsinden ölçülür, CSP santralinin ürettiği elektrik gücünü yakalar; bu da güneşten termikten elektrikten elektrik enerjisi dönüşüm sürecinin sonucunu yansıtır. Bu özellikler, termal verimlilik belirleme, DNI'dan güç dönüşümü modellemesi, spektral analiz yoluyla atmosfer ve bulut örtüsünün etkilerinin tanımlanması, sensör kalibrasyonu için sıfır hata düzeltme protokollerinin uygulanması ve gerçek zamanlı operasyonel planlamayı optimize etmek ve genel CSP tesis verimliliği ve güvenilirliğini artırmak için gelişmiş hibrit makine öğrenimi tahmin modellerinin geliştirilmesini içeren tesis performansının kapsamlı analizini mümkün kılar. Bitki detayları şu adreste mevcuttur: https://solarpaces.nrel.gov/project/megha-solar-plant

Şekil 1: Veri setinin ilk beş satırı. Güneş enerjisi üretim veri setinin ilk girişlerini gösteren örnek veriler, model eğitimi ve değerlendirmesi için kullanılan giriş özellikleri ve hedef değişkenleri gösterir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Veri hazırlama
Çalışma, 01 Ocak 2015'ten 10 Mart 2025'e kadar uzanan güneş üretimi zaman serisi verilerini kullanmaktadır. Erken yıllardaki olası veri kalitesi sorunlarını hesaba katmak ve daha güncel kalıplara odaklanmak için, kayıtlar 01 Ocak 2017'den itibaren filtrelendi. Geçici sütunlar (Tarih, Yıl, Gün) öngörülü öngörü değeri gösteren ön korelasyon analizine dayanarak çıkarıldı. Eksik değerler, zamansal sürekliliği korumak ve altta yatan desenlerin bozulmasını en aza indirmek için hareketli ortalama tekniğiyle hesaba katıldı. Zaman bağımlılıklarını yakalamak için hedef değişken (Gerçek Üretim (kW/h)) kullanılarak üç gecikme özelliği oluşturuldu.

Veri kümesi bölmesi
Dengeli ve temsilci eğitim, doğrulama ve test kohortları oluşturmak için, önceden işlenmiş veri seti tabakalı örnekleme yöntemiyle segmentlere ayrılmıştır. Bu yaklaşım, verilerin %70'inin (2091 verisi) eğitim için tahsis edilmesini sağlarken, hem doğrulama hem de test setlerinin %15'ini (her set başına 448 veri) oluşturdu.

Veri normalizasyonu
Özellikler StandardScaler kullanılarak standartlaştırılırken, hedef değerler MinMaxScaler ile sinir ağı kararlılığı için [0,1] aralığına normalize edildi.

Model eğitimi
Güneş üretimi tahmini için beş hibrit model (Random Forest-BiLSTM, CNN-LSTM, CNN-BiLSTM, CNN-GRU ve CNN-Transformer) uygulandı. Giriş verileri, çoğu model için zaman adımları = 1 olacak şekilde (örnekler, zaman adımları, özellikler) şeklinde ardışık bir formata yeniden yapılandırıldı; CNN-LSTM hariç, o da 15 adımlık bir kaydırma penceresi kullandı. Eğitim, doğrulama ve test setleri, veri sızıntısını önlemek için zamansal sırayı koruyarak ölçeklendirildi. Tüm modeller 32 parti boyutu ve 30 epoch ile eğitilmiştir.

Rastgele Orman-BiLSTM (Şekil 2): Önerilen hibrit model, tahmin doğruluğunu artırmak için Çift Yönlü Uzun Kısa Süreli Bellek (BiLSTM) ağı ile Rastgele Orman (RF) regressoru birleştirir. İlk olarak, BiLSTM modeli, zaman serisi verileriyle eğitilerek zamansal kalıpları yakalar ve ilk tahminler oluşturur. Bundan sonra, BiLSTM'den kalan hatalar (gerçek ve öngörülen değerler arasındaki farklar) hesaplanır. Rastgele Orman modeli, bu kalıntıları öğrenmek ve tahmin etmek için orijinal giriş özellikleri üzerinde eğitilir. RF modelinin performansını artırmak için, en önemli altı özellik özellik önem puanlarına göre seçilir. Son olarak, düzeltilmiş tahmin, RF tarafından tahmin edilen kalıntıların BiLSTM çıktılarına eklenmesiyle elde edilir. Bu hibrit yaklaşım, BiLSTM'nin dizi modelleme yeteneğini ve Random Forest'ın topluluk öğrenme gücünü kullanarak daha iyi genelleme ve öngörücü performans elde eder.

Zaman adımı t sırasında giriş dizisi olsun.

BiLSTM Tahmini:

, 

 

 

Kalıntı hesaplama: 

Rastgele Orman Kullanarak Kalıntı Öğrenme: Özellik önemi kullanılarak seçilen en üst-k özellikler Z⊂X olsun.

 

Son Tahmin: 

Şekil 2: Rastgele Orman-İki Yönlü Uzun Kısa Süreli Bellek Modelinin Mimarisi. RF-BiLSTM hibrit mimarisini gösteren şematik diyagram, Rastgele Orman özellik işlemenin iki yönlü LSTM katmanlarıyla zamansal dizi öğrenimi için entegrasyonunu gösteriyor. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

CNN-LSTM (Şekil 3): CNN-LSTM hibrit modeli, giriş dizisini 1D Konvolüsyon katman kullanarak yerel mekansal özellikleri çıkararak işleyerek başlar, ardından LeakyReLU aktivasyonu, toplu normalizasyon ve maksimum havuzlama yapılır. Çıkarılan özellikler, zamansal bağımlılıkları öğrenmek için üç LSTM katmanından oluşan bir yığından geçirilir; ilk iki LSTM'den sonra katman normalizasyonu ve çıkarma işlemi uygulanır ve düzenleme yapılır. Son LSTM çıktısı, aktivasyon ve kesinti ile tamamen bağlı yoğun katmanlardan geçirilir ve sonunda tek bir nöron kullanılarak çıktıya eşlenir.

Giriş dizisi bolsun, burada T zaman penceresi, F ise özellikler sayısıdır.

CNN operasyonu: 

Maksimum havuzlama: 

LSTM hücresi: 

 

Çıktı:  

Şekil 3: CNN-LSTM modelinin mimarisi. Konvolüsyon Sinir Ağı-Uzun Kısa Süreli Hafıza hibrit modelinin yapısal temsili, konvolüsyonel özellik çıkarımı ve ardından tek yönlü zaman dizisi işlemesini gösteriyor. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

CNN-BiLSTM (Şekil 4): CNN-BiLSTM hibrit modeli, önce 32 filtreli 1D konvolüsyon katman kullanarak mekânsal özellikleri çıkarır, ardından boyutluluğu azaltmak için toplu normalizasyon ve maksimum havuzlama yapılır. Çıktı, daha sonra iki İki yönlü LSTM katmanından oluşan bir yığın üzerinden geçirilerek hem ileri hem de geri yönlü uzun vadeli zamansal bağımlılıkları yakalar. Düzenleme, bırakış ve toplu normalizasyon yoluyla uygulanır. 128 nörondan oluşan yoğun bir katman, öğrenilen temsili nihai çıktı katmanı tek bir tahmin edilen değere eşlemeden önce iyileştirir.

CNN operasyonu: 

Maksimum havuzlama:

İki yönlü LSTM:  ,  

 

Çıktı:  

Şekil 4: CNN-BiLSTM modelinin mimarisi. Konvolüsyon Sinir Ağı-İki Yönlü Uzun Kısa Süreli Bellek modelinin mimari diyagramı, gelişmiş zamansal bağımlılık yakalama için konvolüsyon katmanların çift yönlü tekrarlayan işleme kombinasyonunu vurgular. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

CNN-GRU (Şekil 5): CNN-GRU hibrit modeli, tek zaman adımından mekansal özellikleri çıkarmak için 1 çekirdek boyutu kullanan bir Conv1D katmanı ile başlar. Maksimum havuzlama mekânsal boyutları azaltır. Bunu takip eden bir GRU katman yığını gelir; ilki zaman bağımlılıklarını yakalamak için dizileri döndürür, ikincisi ise diziyi kompakt bir temsil olarak özetler. Son yoğun bir katman tahmin edilen değeri verir. Aşırı uyumu önlemek için GRU katmanları arasında drop-out düzenlemesi uygulanır.

CNN operasyonu: 

Maksimum havuzlama: 

GRU hücresi:

Çıktı:

Şekil 5: CNN-GRU modelinin mimarisi. Konvolüsyon Sinir Ağı Kapılı Tekrarlayan Birim hibrit modelinin şeması, verimli zamansal modelleme için GRU katmanlarıyla entegre edilmiş konvolüsyon ön işlemeyi gösteriyor. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

CNN-transformer (Şekil 6) CNN-transformatör modeli, giriş dizisinden yerel özellikleri çıkarmak için bir Conv1D katmanı ile başlar, ardından maksimum havuzlama katmanı gelir. Bu özellikler, çoklu başlı öz-dikkat mekanizması, katman normalizasyonu ve ileriye doğru yoğun bir ağdan oluşan bir Transformer kodlayıcı bloğundan geçirilir. Küresel ortalama havuzlama uygulanır ve ardından son yoğun bir katman tahmini verir. Bu mimari, hem mekansal desenleri (CNN aracılığıyla) hem de küresel bağımlılıkları (Transformer attention aracılığıyla) yakalamak için tasarlanmıştır.

CNN operasyonu:

Çok Başlı Öz-Dikkat:

Burada: Q, K, V = XW^Q, XW^K, XW^V ve d_k anahtarların boyutudur.

Feed Forward Ağı:

Katmanları Ekle ve Norm Katmanları:

Çıktı:

Şekil 6: CNN-Transformer modelinin mimarisi. Konvolüsyon Sinir Ağı-Transformatör hibrit modelinin yapısal genel bakışı, gelişmiş zamansal desen tanıma için çok başlı dikkat mekanizmalarıyla konvolüsyon özellik çıkarımı içeriyor. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Topluluk modeli geliştirme
Tahmin doğruluğunu ve model dayanıklılığını artırmak için, beş hibrit derin öğrenme modelinden tahminler kullanılarak ağırlıklı ortalama topluluk yaklaşımı uyguladık: RF-BiLSTM, CNN-LSTM, CNN-LSTM, CNN-GRU ve CNN-Transformer. Topluluk, her modelin tahminlerine optimize edilmiş ağırlıklar atanarak oluşturulmuştur; bireysel performansı üstün gösteren modellere ise R² puanlarıyla ölçülerek daha yüksek ağırlıklar verilmiştir. Bu ağırlıklandırma stratejisi, daha doğru modellerin nihai tahmine daha önemli katkı sağlamasını sağlarken, tüm mimarilerin tamamlayıcı güçlü avantajlarından faydalanmasını sağlar. Topluluk çıktısı, tahmin doğruluğu, tutarlılığı ve genelleştirme yeteneği değerlendirilmek için standart performans metrikleri olan R², ortalama mutlak hata (MAE) ve ortalama kare hata (MSE) kullanılarak değerlendirildi. Bu derin öğrenme topluluğu, zamansal özellik çıkarımı birden fazla perspektiften entegre etmeyi ve böylece tek bir hibrit modelden daha yüksek doğruluk ve dayanıklılık elde etmeyi amaçlar.

Topluluk tekniğinin matematiksel formülasyonu:

Bırakalım

CNN-RF-BiLSTM, CNN-LSTM, CNN-BiLSTM, CNN-GRU ve CNN-Transformer'a karşılık gelen temel modeller kümesini temsil eder.

Her baz model M_i bir tahmin üretir:

Üst üstleme için meta-özellik matrisi şu şekilde oluşturulur:

Ridge Regression meta-öğrenicisi nihai tahmini şu şekilde tahmin eder:

burada:

-- w_, öğrenilen üst üste yığma ağırlıklarıdır

-- w₀ önyargı terimidir

Aşırı uyumu önlemek için, Sırt Regresyonu aşağıdaki düzenli kayıp fonksiyonunu en aza indirir:

burada:

-- y_j = j^. örneklem için gerçek hedef

-- N = toplam örnek sayısı

-- α = ağırlık küçülmesini kontrol eden düzenleme parametresi

Topluluk tahmini şu şekilde elde edilir:

burada ağırlıklar w_i otomatik olarak Ridge kayıp fonksiyonu en aza indirilerek öğrenilir.

Results

Bireysel model performans değerlendirmesi
Beş hibrit derin öğrenme (DL) modelinin performans değerlendirmesi, RF-BiLSTM, CNN-GRU, CNN-BiLSTM, CNN-LSTM ve CNN-transformer olmak üzere R² (belirlenme katsayısı), ortalama mutlak hata (MAE) ve ortalama kare hata (MSE) dahil olmak üzere kapsamlı bir standart regresyon metrikleri seti kullanılarak gerçekleştirildi; böylece güneş enerjisi üretimini tahmin etme yetenekleri değişken meteorolojik koşullar ve zaman bağımlılıkları altında titizlikle değerlendirild...

Discussion

Önerilen metodoloji, Şekil 12'de gösterildiği gibi yapılandırılmış bir iş akışını takip etmektedir. Başlangıçta, veri seti kapsamlı ön işlemeden geçer; eksik değer ödümleme, normalizasyon ve özellik mühendisliği dahil olmak üzere, veri kalitesini sağlamak ve model öğrenimini^{geliştirmek için 3,6}. İşlenen veri seti, sağlam model geliştirme ve performans değerlendirmesini sağlamak için eğitim (%70), doğrulama (%15) ve test (%15) setleri...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
BiLSTM	TensorFlow/Keras	TensorFlow 2.10.0
CNN katmanları	TensorFlow/Keras	TensorFlow 2.10.0
Google Colab	Google LLC	Bulut Platformu
GRU	TensorFlow/Keras	TensorFlow 2.10.0
Matplotlib	Matplotlib Geliştirici Ekibi	3.7.1
NumPy	NumFOCUS	1.25.2
NVIDIA T4 GPU	NVIDIA Corporation	Tesla T4
Pandalar	NumFOCUS	2.0.3
DNI ölçümü için pirheliometre	Kipp & Zonen	CH1-DL
Python	Python Yazılım Vakfı	3.10.12
Rastgele Orman	Scikit-learn Geliştiricileri	1.2.2
Scikit-learn	Scikit-learn Geliştiricileri	1.2.2
Sıcaklık sensörleri	Vaisala	HMP155
TensorFlow/Keras	Google	Sürüm 2.10.0
Transformatör	TensorFlow/Keras	TensorFlow 2.10.0
Hava durumu istasyonu	Davis Instruments	Vantage Pro2