DOI: https://doi.org/10.1016/j.ijepes.2025.111534
تاريخ النشر: 2026-01-27
المؤلف: Masoud Mardani وآخرون
الموضوع الرئيسي: الإشعاع الشمسي والطاقة الشمسية
نظرة عامة
تقدم هذه الدراسة نموذجًا هجينًا متعدد المراحل مصممًا لتوقع الطاقة الشمسية الكهروضوئية (PV) في كرج، إيران، وهي منطقة تتميز بمناخ شبه جاف بارد. تؤكد الدراسة على أهمية التنبؤات الدقيقة للطاقة الشمسية الكهروضوئية من أجل دمج موثوق في الشبكة، خاصة في المناطق التي تفتقر إلى بيانات الأرصاد الجوية. يتضمن نموذج السلسلة نماذج عالية الدقة للإشعاع الأفقي العالمي (GHI)، وإشعاع مستوى اللوحة (POAI)، ودرجة حرارة الوحدة، باستخدام Solcast وPerez وPVsyst على التوالي. أظهرت النتائج الأولية خطأ متوسط الجذر التربيعي (RMSE) بنسبة 15.09% وانحراف متوسط التحيز (MBD) بنسبة 5.12%، والذي تحسن إلى RMSE بنسبة 12.38% وMBD بنسبة -4.87% بعد تعديلات الارتباط الخطي. من الجدير بالذكر أن سلسلة النماذج المحسّنة تفوقت بشكل كبير على مجموعات البيانات الحالية مثل PVGIS-ERA5 وPVGIS-SARAH3، التي سجلت قيم RMSE تتجاوز 85%.
تؤكد النتائج على ضرورة التحقق خطوة بخطوة واختيار النموذج المصمم وفقًا للظروف الجوية المحددة للموقع. بينما يوفر تركيز الدراسة على ظروف السماء الصافية قاعدة موثوقة للتنبؤ، فإنه يعترف بالتحديات المرتبطة بالتنبؤ في ظل ظروف السماء المتغيرة. تهدف الأبحاث المستقبلية إلى تحسين النموذج من خلال دمج ديناميات الغيوم وتقنيات التعلم الآلي المتقدمة، مثل Random Forest وLSTM، لتحسين الدقة في السيناريوهات الأكثر تعقيدًا. الإطار المقترح لا يعمل فقط كقاعدة عملية لتوقع الطاقة الشمسية الكهروضوئية في المناخات شبه الجافة، ولكنه يحمل أيضًا إمكانيات للتكيف مع سياقات مناخية متنوعة وتطبيقات في الوقت الحقيقي من خلال دمج إنترنت الأشياء.
مقدمة
تناقش مقدمة ورقة البحث الأهمية المتزايدة للطاقة الشمسية كمصدر متجدد، مدعومة بالتقدم في تقنيات مثل تسخين الشمس، والطاقة الشمسية الكهروضوئية (PV)، والطاقة الشمسية المركزة. مع ارتفاع حصة الطاقة الشمسية في الاستهلاك العالمي إلى 23%، تصبح التحديات المتعلقة بتقلبها الفطري أكثر أهمية. على عكس محطات الطاقة التي تعمل بالوقود الأحفوري أو الطاقة النووية، يمكن أن تتقلب توليد الطاقة الشمسية وطاقة الرياح بشكل كبير ضمن فترات زمنية قصيرة، مما قد يزعزع استقرار شبكات إمداد الطاقة. وبالتالي، فإن التنبؤ الدقيق بالطاقة الشمسية أمر ضروري لتحسين استخراج الطاقة، وتقليل التكاليف، وتقليل الاعتماد على مصادر الطاقة الاحتياطية.
تستعرض الورقة منهجيات مختلفة لحساب الطاقة في أنظمة الطاقة الشمسية الكهروضوئية، مصنفة إياها إلى طرق فيزيائية وإحصائية وهجينة. تستخدم الطرق الفيزيائية محاكاة نظرية تعتمد على معلمات التصميم، بينما تشمل الطرق الإحصائية النمذجة التقليدية وتقنيات التعلم الآلي المعتمدة على البيانات. تجمع الطرق الهجينة بين عناصر من كلا الفئتين، مما يعزز دقة التنبؤ. كما تؤكد المقدمة على أهمية إمكانية الوصول إلى النماذج، مميزة بين النماذج مفتوحة المصدر، مثل تلك الموجودة في حزمة PVLIB بايثون، والبدائل المغلقة المصدر. يتم تسليط الضوء على سلسلة النماذج لتوقع الطاقة الشمسية الكهروضوئية، التي تدمج نماذج متعددة مترابطة، كوسيلة لتحسين موثوقية التنبؤ. تؤكد النتائج الأخيرة التي توصل إليها يانغ وآخرون على فوائد تحسين النمذجة الفيزيائية في أنظمة الهيدروجين الهجينة الكهروضوئية، مما يظهر تأثيرها على اقتصاديات النظام وربحيته.
طرق
في هذا القسم، يوضح المؤلفون إعداد التجربة والمواد المستخدمة في دراستهم حول أداء وحدة شمسية كهروضوئية (PV) بقدرة 90 واط (KM(P)90) من شركة Komaes Solar Technology. تؤكد المنهجية على القياسات الدقيقة لضمان توقعات دقيقة لأداء الوحدة تحت ظروف بيئية متغيرة. تم مراقبة معلمات رئيسية مثل درجة الحرارة، والجهد، والتيار، والإشعاع الشمسي بدقة. تم تسجيل درجة الحرارة باستخدام مستشعر مثبت على الوحدة، محققًا دقة قدرها 0.5 °C. تم تتبع الجهد والتيار باستخدام مسجل بيانات، مما يوفر مستويات دقة قدرها 320 مللي فولت و0.8 مللي أمبير، على التوالي.
تم قياس الإشعاع الشمسي كإشعاع مستوى اللوحة (POAI) باستخدام جهاز TES 1333R، بدقة 10 واط/م²، بينما تم جمع الإشعاع الأفقي العالمي (GHI) باستخدام مستشعر CMP-22 من شركة Kipp & Zonen. تم تصميم هذه العملية الشاملة لجمع البيانات لتوفير مدخلات موثوقة للتحقق من النموذج، مما يعزز دقة التنبؤات الناتجة عن النتائج التجريبية. يتم تمثيل إعداد الاختبار بصريًا في الشكل 1، مما يوفر سياقًا إضافيًا لظروف التجربة.
نتائج
في هذا القسم، تقيم الدراسة دقة التنبؤ لمختلف النماذج المتعلقة بتوليد الطاقة الشمسية الكهروضوئية (PV). يتبع التقييم منهجية منظمة من أربع خطوات، حيث يكرس كل خطوة لتحليل مكونات محددة من عملية النمذجة. تتوج هذه الطريقة الشاملة بتحسين سلسلة نموذج أداء الطاقة الشمسية الكهروضوئية، مما يبرز فعالية وموثوقية النماذج في التنبؤ بإنتاج الطاقة الشمسية الكهروضوئية. تؤكد النتائج على أهمية التقييم المنهجي في تعزيز دقة توقعات توليد الطاقة الشمسية الكهروضوئية.
مناقشة
في قسم المناقشة من ورقة البحث، يتم مراجعة دراسات مختلفة حول نماذج توقع الطاقة الشمسية الكهروضوئية (PV)، مع تسليط الضوء على منهجياتها ومقاييس أدائها. أظهر لورينز وآخرون (2011) نظام توقع محلي للطاقة الشمسية الكهروضوئية محققًا خطأ متوسط الجذر التربيعي (RMSE) بنسبة 4-5% للتنبؤات قصيرة الأجل، على الرغم من أنهم واجهوا تحديات في دمج الميزات المناخية المحلية. قام ماير وغروف (2021) بتقييم نماذج فيزيائية متعددة، مسجلين خطأ متوسط الجذر التربيعي الطبيعي (nRMSE) الوسيط بنسبة 46.1% إلى 52.1% عبر مناخات مختلفة. استكشفت دراسات حديثة، بما في ذلك تلك التي أجراها مينغ وآخرون (2022) وماني وآخرون (2024)، نماذج هجينة تجمع بين الملاحظات المحلية وبيانات الأرصاد الجوية، مع نجاح متفاوت اعتمادًا على الظروف الموسمية وتعقيد النموذج.
تتناول الدراسة الحالية الاحتياجات المحددة لكارج، إيران، وهي منطقة تتميز بمناخ شبه جاف بارد، من خلال اقتراح سلسلة نماذج مصممة تعزز دقة التنبؤ لأنظمة الطاقة الشمسية الكهروضوئية المحلية. يملأ هذا العمل فجوة حاسمة في الأدبيات الحالية، التي غالبًا ما تتجاهل الظروف المناخية الفريدة لمثل هذه المناطق. تؤكد الدراسة على أهمية أساليب النمذجة الأبسط، نظرًا لمستويات الإشعاع الشمسي العالية في إيران، وتحقق من صحة نماذج الإشعاع الشمسي المختلفة لتحسين التنبؤات. من خلال استخدام عملية تحقق شاملة واستغلال مجموعة بيانات MERRA-2 للبيانات الجوية، تهدف الأبحاث إلى تحسين موثوقية توقعات الطاقة الشمسية الكهروضوئية، خاصة في المناطق التي تفتقر إلى بيانات تاريخية. تؤكد النتائج على ضرورة التقييمات المحددة للموقع وإمكانية دمج تقنيات التحسين المتقدمة والتعلم الآلي في الأعمال المستقبلية لتعزيز دقة التنبؤ بشكل أكبر.
DOI: https://doi.org/10.1016/j.ijepes.2025.111534
Publication Date: 2026-01-27
Author(s): Masoud Mardani et al.
Primary Topic: Solar Radiation and Photovoltaics
Overview
This research presents a hybrid multi-stage model chain tailored for photovoltaic (PV) power forecasting in Karaj, Iran, a region characterized by a cold semi-arid climate. The study emphasizes the importance of accurate PV power predictions for reliable grid integration, especially in areas with limited meteorological data. The model chain incorporates high-accuracy models for global horizontal irradiance (GHI), plane-of-array irradiance (POAI), and module temperature, specifically utilizing Solcast, Perez, and PVsyst, respectively. Initial results indicated a root mean square error (RMSE) of 15.09% and a mean bias deviation (MBD) of 5.12%, which improved to an RMSE of 12.38% and an MBD of -4.87% after linear correlation adjustments. Notably, the optimized model chain significantly outperformed existing datasets like PVGIS-ERA5 and PVGIS-SARAH3, which recorded RMSE values exceeding 85%.
The findings underscore the necessity of step-by-step validation and model selection tailored to site-specific atmospheric conditions. While the study’s focus on clear-sky conditions provides a reliable baseline for forecasting, it acknowledges the challenges of predicting under variable-sky conditions. Future research aims to enhance the model by integrating cloud-cover dynamics and advanced machine-learning techniques, such as Random Forest and LSTM, to improve accuracy in more complex scenarios. The proposed framework not only serves as a practical baseline for PV power prediction in semi-arid climates but also holds potential for adaptation to diverse climatic contexts and real-time applications through IoT integration.
Introduction
The introduction of the research paper discusses the growing significance of solar energy as a renewable resource, facilitated by advancements in technologies such as solar heating, photovoltaics (PV), and concentrating solar power. As solar energy’s share of global consumption rises to 23%, challenges related to its inherent variability become increasingly critical. Unlike fossil fuel or nuclear power plants, solar and wind energy generation can fluctuate significantly within short time frames, which can destabilize power supply networks. Consequently, accurate solar forecasting is essential for optimizing energy extraction, reducing costs, and minimizing reliance on backup power sources.
The paper outlines various methodologies for power calculation in PV systems, categorizing them into physical, statistical, and hybrid approaches. Physical methods utilize theoretical simulations based on design parameters, while statistical methods encompass traditional modeling and data-driven machine learning techniques. Hybrid approaches combine elements from both categories, enhancing predictive accuracy. The introduction also emphasizes the importance of model accessibility, distinguishing between open-source models, like those in the PVLIB Python package, and closed-source alternatives. The model chain for PV power forecasting, which integrates multiple interlinked models, is highlighted as a means to improve prediction reliability. Recent findings by Yang et al. underscore the benefits of enhanced physical modeling in hybrid PV-hydrogen systems, demonstrating its impact on system economics and profitability.
Methods
In this section, the authors detail the experimental setup and materials used for their study on the performance of a 90-watt polycrystalline photovoltaic (PV) module (KM(P)90) from Komaes Solar Technology Co. The methodology emphasizes precise measurements to ensure accurate predictions of the module’s performance under varying environmental conditions. Key parameters such as temperature, voltage, current, and solar radiation were meticulously monitored. Temperature was recorded using a sensor affixed to the module, achieving a resolution of 0.5 °C. Voltage and current were tracked with a data logger, providing accuracy levels of 320 mV and 0.8 mA, respectively.
Solar radiation was measured as plane-of-array irradiance (POAI) using a TES 1333R instrument, with a resolution of 10 W/m², while global horizontal irradiance (GHI) was collected with a CMP-22 sensor from Kipp & Zonen Co. This comprehensive data acquisition process is designed to yield reliable inputs for model validation, thereby enhancing the accuracy of the forecasts generated from the experimental findings. The testing setup is visually represented in Figure 1, providing further context for the experimental conditions.
Results
In this section, the study evaluates the predictive accuracy of various models concerning photovoltaic (PV) power generation. The assessment follows a structured four-step methodology, with each step dedicated to analyzing specific components of the modeling process. This comprehensive approach culminates in the optimization of the PV performance model chain, highlighting the effectiveness and reliability of the models in forecasting PV power output. The findings underscore the importance of a systematic evaluation in enhancing the accuracy of PV generation predictions.
Discussion
In the discussion section of the research paper, various studies on photovoltaic (PV) power prediction models are reviewed, highlighting their methodologies and performance metrics. Lorenz et al. (2011) demonstrated a local PV power prediction system achieving a root mean square error (RMSE) of 4-5% for short-term forecasts, though they faced challenges in integrating local climatic features. Mayer and Gróf (2021) assessed multiple physical models, reporting a median normalized root mean square error (nRMSE) of 46.1% to 52.1% across different climates. Recent studies, including those by Meng et al. (2022) and Manni et al. (2024), further explored hybrid models that combine local observations and meteorological data, with varying success depending on seasonal conditions and model complexity.
The present study addresses the specific needs of Karaj, Iran, a region characterized by a cold semi-arid climate, by proposing a tailored model chain that enhances prediction accuracy for local PV systems. This work fills a critical gap in existing literature, which often overlooks the unique climatic conditions of such areas. The study emphasizes the importance of simpler modeling approaches, given Iran’s high solar radiation levels, and validates various solar irradiance models to optimize predictions. By employing a comprehensive validation process and utilizing the MERRA-2 dataset for atmospheric data, the research aims to improve the reliability of PV power forecasts, particularly in regions with limited historical data. The findings underscore the necessity of site-specific assessments and the potential for integrating advanced optimization techniques and machine learning in future work to further enhance prediction precision.