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

Vivek Sharma; Mohit Ranjan Panda; Biswajit Kar

doi:10.3791/69743

Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.

Araştırma makalesi

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

514 görüntülenme

⸱

DOI:

10.3791/69743

⸱

3 Şubat 2026

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

Bu makalede

Özet

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.

Özet

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.

Giriş

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....