DOI: https://doi.org/10.1038/s41598-026-39632-y
PMID: https://pubmed.ncbi.nlm.nih.gov/41803197
تاريخ النشر: 2026-03-10
المؤلف: Marwa Radwan وآخرون
الموضوع الرئيسي: تحميل الطاقة وتوقعات القدرة
نظرة عامة
تتناول ورقة البحث التحديات الكبيرة في تطبيقات التعلم العميق لتوقع الطاقة المتجددة، وخاصة الأبعاد العالية لمساحات ميزات الإدخال والحساسية لإعدادات المعلمات الفائقة. للتغلب على هذه القضايا، يقترح المؤلفون إطار عمل هجين للتعلم العميق-التحسين يستخدم خوارزمية تحسين iHow الثنائية (biHOW) لاختيار الميزات ونظيرها المستمر، iHOW، لضبط المعلمات الفائقة. يستخدم هذا الإطار شبكة انتباه متعددة المقاييس (MSAN) كعمود فقري للتوقع، والتي تلتقط بفعالية الاعتماد الزمني متعدد المقاييس في سلسلة زمنية للطاقة المتجددة. تظهر النتائج أن MSAN، المعززة بـ biHOW و iHOW، حققت دقة توقع مثيرة للإعجاب، مع متوسط أخطاء مربعة (MSE) قدرها $1.10883 \times 10^{-6}$ لطاقة الرياح و $7.08664 \times 10^{-6}$ لتوليد الطاقة الشمسية، متفوقة على عدة طرق تحسين متطورة.
في الختام، تحسن خوارزمية تحسين iHow (iHOW) ونظيرها الثنائي (biHOW) بشكل كبير من دقة التوقع وموثوقية النموذج في توقع الطاقة المتجددة. تشير النتائج التجريبية إلى أن iHOW تحقق باستمرار مقاييس خطأ أقل وكفاءة أعلى مقارنة بمختلف المحسنات المرجعية. يقترح المؤلفون عدة مجالات للبحث المستقبلي، بما في ذلك تكييف iHOW للبيانات في الوقت الحقيقي، ودمج المعرفة الميدانية في عملية التحسين، وتطوير معلمات متعددة الأهداف، واستكشاف هياكل نماذج التجميع. يمكن أن تضع هذه التحسينات iHOW كعنصر حيوي في التحسين الذكي لشبكات الطاقة الذكية وأنظمة الطاقة المتجددة المستقبلية.
طرق
تحدد قسم الطرق في ورقة البحث هذه نهجًا منهجيًا لتعزيز دقة توقع الطاقة المتجددة، وخاصة للطاقة الشمسية وطاقة الرياح. يدمج إطار العمل الهجين المقترح عدة مكونات رئيسية: معالجة البيانات، استراتيجيات التحسين، تقييم نموذج الأساس، وتقييم الأداء. في البداية، يتم جمع مجموعة بيانات شاملة للطاقة الشمسية والرياح، تتكون من متغيرات مختلفة للظروف الجوية وتوليد الطاقة. تتضمن مرحلة المعالجة المسبقة تنظيف وهيكلة البيانات الخام، ومعالجة القضايا مثل القيم المفقودة والشذوذ، وتطبيق تقنيات مثل إعادة أخذ العينات وهندسة الميزات لضمان اتساق البيانات. بعد ذلك، يتم تقسيم مجموعة البيانات إلى مجموعات تدريب واختبار لتقليل التحيز والتكيف الزائد أثناء تقييم النموذج.
تستخدم الدراسة مجموعة من نماذج التعلم العميق الأساسية، بما في ذلك شبكات الانتباه متعددة المقاييس (MSAN)، والذاكرة طويلة وقصيرة الأجل (LSTM)، ووحدات التكرار المغلقة (GRU)، لالتقاط العلاقات الزمنية والخصائص غير الخطية للبيانات. تُستخدم خوارزميات التحسين، وخاصة خوارزمية تحسين هاريس هوكس المحسنة (iHOW)، جنبًا إلى جنب مع طرق ميتاهيرستية أخرى (مثل، الخوارزمية الجينية، تحسين سرب الجسيمات) لتعزيز الأداء التنبؤي مع تقليل التعقيد الحسابي. يتم إجراء تقييم الأداء باستخدام مقاييس إحصائية مثل خطأ الجذر التربيعي المتوسط (RMSE)، ومتوسط الخطأ المطلق (MAE)، ومعامل التحديد ($R^2$)، مما يسهل التحليل المقارن بين النماذج الأصلية والمحسنة. بشكل عام، يقدم هذا الإطار الهجين نهجًا قويًا وديناميكيًا لنمذجة البيانات، يهدف إلى تحسين دقة التوقع في أنظمة الطاقة المتجددة.
نتائج
في هذا القسم، يتم تحليل النتائج التجريبية للتقنية الهجينة المقترحة للتوقع، والتي تجمع بين شبكة الانتباه متعددة المقاييس (MSAN) وخوارزمية تحسين iHow الثنائية (biHOW)، بشكل نقدي. تقيم الدراسة أداء biHOW مقابل مجموعة متنوعة من نماذج التعلم العميق الأساسية والخوارزميات الميتاهيرستية التقليدية من حيث دقة التوقع واختيار الميزات. تشير النتائج إلى أن biHOW تفوقت باستمرار على الخوارزميات الأخرى عبر مقاييس متعددة، محققة أدنى متوسط خطأ تصنيف (0.3925 لطاقة الرياح و0.4161 للطاقة الشمسية)، وأصغر مجموعة ميزات (0.3453 لطاقة الرياح و0.3689 للطاقة الشمسية)، وأعلى متوسط درجات ملاءمة. تؤكد هذه النتائج فعالية biHOW في تحقيق توازن بين تقليل الأبعاد ودقة التوقع، مما يظهر قوتها واستقرارها في التقارب.
تكشف التحليلات الإضافية أن دمج biHOW مع MSAN يعزز بشكل كبير أداء التوقع، كما يتضح من التحسينات في مقاييس مثل متوسط الخطأ المربع (MSE) وقيم R-squared. على سبيل المثال، تحسن MSE لتوقع الرياح بأكثر من 80% بعد اختيار الميزات، بينما زادت R-squared من 0.8558 إلى 0.9042. لوحظت تحسينات مماثلة في توقع الطاقة الشمسية، حيث ارتفعت R-squared من 0.8299 إلى 0.8933، وانخفضت MSE بشكل كبير. تبرز الدراسة أيضًا أهمية تحسين المعلمات الفائقة، حيث أسفرت مجموعة iHOW وMSAN عن نتائج متفوقة، محققة R-squared قدرها 0.9815 لتوقع الرياح. بشكل عام، تدعو النتائج إلى استخدام خوارزميات التحسين الذكية في تعزيز دقة وكفاءة نماذج توقع الطاقة المتجددة.
مناقشة
تسلط قسم المناقشة في الورقة الضوء على التقدم والتحديات في توقع موارد الطاقة المتجددة، وخاصة الطاقة الشمسية وطاقة الرياح. يؤكد على أهمية التوقعات الدقيقة لمعالجة التباين الفطري لهذه الموارد، وهو أمر حاسم للتكامل الفعال في الشبكات الذكية. أظهرت نماذج متنوعة، بما في ذلك نموذج النبي، والشبكات العصبية الاصطناعية (ANN) المحسنة باستخدام خوارزمية البحث عن التناغم (HSA)، والنهج الهجينة مثل ASTGNN-LSTM، نتائج واعدة في تحسين دقة التوقع. على سبيل المثال، حقق ANN المحسن بواسطة HSA خطأ جذر متوسط مربع قدره 0.21805 للإشعاع الشمسي، متفوقًا على الطرق التقليدية. بالإضافة إلى ذلك، أدى إدخال تقنيات دمج البيانات والنماذج المتقدمة للتعلم العميق إلى تعزيز قدرات التوقع، مما يظهر انخفاضات كبيرة في أخطاء التوقع.
على الرغم من هذه التقدمات، تحدد القسم فجوات بحثية حاسمة، مثل الحاجة إلى إدارة أفضل لمساحات الإدخال عالية الأبعاد وتحسين الشبكات متعددة المقاييس. غالبًا ما تتجاهل المنهجيات الحالية الاعتماد المتبادل بين اختيار الميزات وضبط المعلمات الفائقة، مما يمكن أن يعيق دقة التوقع. لمعالجة هذه القيود، تقترح الورقة إطار عمل متكامل، iHow-MSAN، مصمم لتحسين كل من اختيار الميزات وضبط المعلمات الفائقة لتحقيق استقرار ودقة أفضل في توقع الطاقة الشمسية وطاقة الرياح. تتكون مجموعة البيانات المستخدمة في هذا البحث من بيانات ساعة عالية الدقة من الشبكة الوطنية الفرنسية، والتي تدعم تطوير نماذج توقع قوية من خلال تقنيات معالجة شاملة وهندسة الميزات. بشكل عام، تؤكد النتائج على ضرورة وجود نهج مبتكرة لتعزيز موثوقية وكفاءة أنظمة توقع الطاقة المتجددة.
DOI: https://doi.org/10.1038/s41598-026-39632-y
PMID: https://pubmed.ncbi.nlm.nih.gov/41803197
Publication Date: 2026-03-10
Author(s): Marwa Radwan et al.
Primary Topic: Energy Load and Power Forecasting
Overview
The research paper addresses significant challenges in deep learning applications for renewable energy forecasting, specifically the high dimensionality of input feature spaces and sensitivity to hyperparameter settings. To overcome these issues, the authors propose a hybrid deep learning-optimization framework that utilizes the Binary iHow Optimization Algorithm (biHOW) for feature selection and its continuous variant, iHOW, for hyperparameter tuning. This framework employs a Multi-Scale Attention Network (MSAN) as the forecasting backbone, which effectively captures multi-scale temporal dependencies in renewable energy time series. The results demonstrate that the MSAN, enhanced by biHOW and iHOW, achieved impressive forecasting accuracy, with Mean Squared Errors (MSE) of $1.10883 \times 10^{-6}$ for wind and $7.08664 \times 10^{-6}$ for solar generation, outperforming several state-of-the-art optimization methods.
In conclusion, the iHow Optimization Algorithm (iHOW) and its binary counterpart (biHOW) significantly improve predictive accuracy and model reliability in renewable energy forecasting. The empirical results indicate that iHOW consistently yields lower error metrics and superior efficiency compared to various benchmark optimizers. The authors suggest several avenues for future research, including adapting iHOW for real-time data, integrating domain knowledge into the optimization process, developing a multi-objective parameterization, and exploring ensemble model architectures. These enhancements could position iHOW as a vital component in the intelligent optimization of future smart grids and renewable energy systems.
Methods
The methods section of this research paper outlines a systematic approach for enhancing the accuracy of renewable energy forecasting, specifically for solar and wind energy. The proposed hybrid forecasting framework integrates several key components: data preprocessing, optimization strategies, baseline model evaluation, and performance assessment. Initially, a comprehensive solar-wind dataset is collected, comprising various meteorological and energy generation variables. The preprocessing phase involves cleaning and structuring the raw data, addressing issues such as missing values and anomalies, and applying techniques like resampling and feature engineering to ensure data consistency. Following this, the dataset is divided into training and testing subsets to mitigate bias and overfitting during model evaluation.
The study employs a range of baseline deep learning models, including Multi-Scale Attention Networks (MSAN), Long Short-Term Memory (LSTM), and Gated Recurrent Units (GRU), to capture the temporal relationships and non-linear characteristics of the data. Optimization algorithms, particularly the Improved Harris Hawks Optimization (iHOW) algorithm, are utilized alongside other metaheuristic methods (e.g., Genetic Algorithm, Particle Swarm Optimization) to enhance predictive performance while minimizing computational complexity. The performance evaluation is conducted using statistical measures such as Root Mean Square Error (RMSE), Mean Absolute Error (MAE), and Coefficient of Determination ($R^2$), facilitating a comparative analysis between the original and optimized models. Overall, this hybrid framework presents a robust and dynamic approach to data-driven modeling, aimed at improving forecasting accuracy in renewable energy systems.
Results
In this section, the empirical results of the proposed hybrid forecasting technique, which combines the Multi-Scale Attention Network (MSAN) with the Binary iHow Optimization Algorithm (biHOW), are critically analyzed. The study evaluates the performance of biHOW against various deep learning baselines and traditional metaheuristic algorithms in terms of forecasting accuracy and feature selection. The results indicate that biHOW consistently outperformed other algorithms across multiple metrics, achieving the lowest average classification error (0.3925 for wind and 0.4161 for solar), the smallest feature subset (0.3453 for wind and 0.3689 for solar), and the highest average fitness scores. These findings underscore biHOW’s effectiveness in balancing dimensionality reduction with predictive accuracy, demonstrating its robustness and stability in convergence.
Further analysis reveals that the integration of biHOW with MSAN significantly enhances forecasting performance, as evidenced by improvements in metrics such as Mean Squared Error (MSE) and R-squared values. For instance, the MSE for wind forecasting improved by over 80% post-feature selection, while R-squared increased from 0.8558 to 0.9042. Similar enhancements were observed in solar forecasting, where R-squared rose from 0.8299 to 0.8933, and MSE decreased dramatically. The study also highlights the importance of hyperparameter optimization, where the combination of iHOW and MSAN yielded superior results, achieving an R-squared of 0.9815 for wind forecasting. Overall, the findings advocate for the use of intelligent optimization algorithms in enhancing the accuracy and efficiency of renewable energy forecasting models.
Discussion
The discussion section of the paper highlights the advancements and challenges in forecasting renewable energy resources, particularly solar and wind energy. It emphasizes the importance of accurate predictions to address the inherent variability of these resources, which is crucial for effective integration into smart grids. Various models, including the Prophet model, Artificial Neural Networks (ANN) optimized with the Harmony Search Algorithm (HSA), and hybrid approaches like ASTGNN-LSTM, have shown promising results in improving prediction accuracy. For instance, the HSA-optimized ANN achieved a root mean squared error (RMSE) of 0.21805 for solar irradiation, outperforming traditional methods. Additionally, the introduction of Data Assimilation techniques and advanced deep learning models has further enhanced forecasting capabilities, demonstrating significant reductions in prediction errors.
Despite these advancements, the section identifies critical research gaps, such as the need for better management of high-dimensional input spaces and the optimization of multi-scale attention networks. Current methodologies often overlook the interdependence of feature selection and hyperparameter tuning, which can hinder forecasting accuracy. To address these limitations, the paper proposes an integrated framework, iHow-MSAN, designed to optimize both feature selection and hyperparameter tuning for improved stability and accuracy in solar and wind energy forecasting. The dataset utilized for this research comprises high-resolution hourly data from the French national grid, which supports the development of robust forecasting models through comprehensive preprocessing and feature engineering techniques. Overall, the findings underscore the necessity for innovative approaches to enhance the reliability and efficiency of renewable energy forecasting systems.