DOI: https://doi.org/10.1038/s41598-024-57398-z
PMID: https://pubmed.ncbi.nlm.nih.gov/38509162
تاريخ النشر: 2024-03-20
المؤلف: Mawloud Guermoui وآخرون
الموضوع الرئيسي: الإشعاع الشمسي والطاقة الشمسية
نظرة عامة
يتطلب دمج مصادر الطاقة المتجددة، وخاصة أنظمة الطاقة الشمسية الكهروضوئية (PV)، في أطر توليد الطاقة الحالية توقعات دقيقة لإدارة ديناميات العرض والطلب بشكل فعال. يقدم هذا البحث نموذجًا هجينًا جديدًا، VMD-IF-FSRA-CNN، يجمع بين معلومات متعددة التردد من تقنيات التحليل المختلفة مع شبكة عصبية تلافيفية عميقة (CNN) لتعزيز توقعات الطاقة الشمسية الكهروضوئية على المدى القصير. تم تقييم النموذج بدقة عبر ثلاث محطات طاقة شمسية متصلة بالشبكة في الجزائر، بإجمالي قدرة مركبة تبلغ 73.1 ميغاوات. أظهرت النتائج دقة توقعات متفوقة، مع خطأ متوسط الجذر التربيعي (RMSE) يتراوح بين 0.454 و1.54، متفوقًا على كل من النماذج المستقلة والنماذج الهجينة الأخرى.
يؤكد الدراسة على قدرة النموذج على توقع إنتاج الطاقة الشمسية الكهروضوئية قبل 15-30 دقيقة، حتى في غياب بيانات المناخ، معتمدًا فقط على بيانات تاريخية محدودة من محطات الطاقة الشمسية. قدم التحليل الشامل لطرق التحليل المختلفة المقترنة بتقنيات التعلم العميق رؤى حول العوامل التي تؤثر على أداء التوقعات. تشير النتائج إلى أن النهج الهجين المقترح فعال بشكل خاص لتوقعات السلاسل الزمنية متعددة المواقع ويمكن تكييفه لأنظمة الطاقة الشمسية الكهروضوئية المتصلة بالشبكة الأخرى. ستركز الأبحاث المستقبلية على تعزيز دقة التوقعات من خلال دمج طرق التعلم العميق المتقدمة مع بيانات تصوير السماء، بهدف تحسين توقعات الإشعاع الشمسي وتوسيع قابلية تطبيق النموذج عبر سياقات جغرافية وبيئية متنوعة.
الطرق
توضح قسم المنهجية النهج المنهجي المستخدم في البحث للتحقيق في الفرضيات المحددة. يتضمن تصميم التجربة، بما في ذلك اختيار المشاركين، وتقنيات جمع البيانات، والأساليب التحليلية المستخدمة لتفسير النتائج. استخدمت الدراسة مزيجًا من الأساليب الكمية والنوعية، مما يضمن فهمًا شاملاً للظواهر قيد التحقيق.
تم جمع البيانات من خلال استبيانات منظمة وتجارب محكومة، مع إجراء تحليلات إحصائية باستخدام أدوات البرمجيات لتقييم أهمية النتائج. كما تؤكد المنهجية على أهمية القابلية للتكرار والصرامة، مع الالتزام بالمعايير الأخلاقية طوال عملية البحث. تم اشتقاق النتائج الرئيسية من التحليل، مما يبرز العلاقات والأنماط التي لوحظت في البيانات، والتي تساهم في الفهم الأوسع لموضوع البحث.
النتائج
تؤكد نتائج هذه الدراسة على أهمية التقييمات الدقيقة قصيرة المدى للطاقة الشمسية الكهروضوئية (PV) للحفاظ على استقرار نظام الطاقة. يقدم البحث تقنية توقع هجينة تجمع بين استراتيجيات التحليل المختلفة مع أساليب التعلم العميق، مصممة خصيصًا لتوقع إنتاج الطاقة الشمسية الكهروضوئية قبل 15 دقيقة و30 دقيقة. تم تطبيق المنهجية على ثلاث محطات طاقة شمسية متصلة بالشبكة، باستخدام 50% من البيانات للتدريب والباقي للاختبار. ركزت الدراسة على العلاقة بين الطاقة الشمسية الكهروضوئية التاريخية والإنتاج المستقبلي، مستخدمة التجربة والخطأ لتحسين معلمات التأخير لتدريب النموذج الخاضع للإشراف.
تشير النتائج إلى أن النماذج الهجينة تتفوق بشكل كبير على النماذج المستقلة، حيث تحقق قيم خطأ متوسط الجذر التربيعي الطبيعي (nRMSE) أقل من 10% عبر جميع المناطق التي تم تحليلها، بينما أظهرت النماذج الفردية قيم nRMSE تتراوح بين 22% و39%. ومن الجدير بالذكر أن نماذج VMD-CNN وIF-CNN ظهرت كأكثر خوارزميات التوقع فعالية، حيث أظهرت دقة متفوقة في توقعات الطاقة الشمسية الكهروضوئية مقارنة بالنماذج التقليدية مثل GPR وLS-SVM وELM. تكشف المقارنات الإحصائية والتمثيلات المرئية للإنتاج الفعلي مقابل التقديري للطاقة الشمسية الكهروضوئية أن النماذج الهجينة تتماشى عن كثب مع اتجاهات البيانات الحقيقية، خاصة في ظل ظروف الطقس المتغيرة، مما يثبت فعاليتها في توقع الطاقة الشمسية الكهروضوئية.
المناقشة
في قسم المناقشة من الورقة، يتم مراجعة طرق التحليل الهجينة المختلفة لتقييم الإشعاع الشمسي وتوقع الطاقة الشمسية الكهروضوئية (PV). تبرز الأدبيات عدة منهجيات، بما في ذلك تحليل الوضع التجريبي (EMD)، تحويل الموجات، وتحليل الوضع التغيري (VMD)، والتي تم دمجها مع تقنيات التعلم الآلي مثل آلات الدعم الشعاعي (SVM) ونماذج التعلم العميق مثل الشبكات العصبية التلافيفية (CNN). ومن الجدير بالذكر أن تحليل الوضع التجريبي المعزز (EEMD) المدمج مع SVM وتحسين سرب الجسيمات (PSO) قد أظهر دقة توقع متفوقة مقارنة بالنماذج التقليدية. بالإضافة إلى ذلك، تم التأكيد على دمج تقنيات اختيار الميزات، مثل تعظيم الصلة وتقليل التكرار العالمي (MRMGR)، كأمر حاسم لتحسين أداء التوقع من خلال تقليل أبعاد البيانات.
تقدم الورقة نموذج توقع هجيني جديد، IF-VMD-FSRA-CNN، الذي يجمع بين طرق التحليل الجماعي، ودمج الميزات متعددة المقاييس، والتعلم العميق لتعزيز دقة توقعات الطاقة الشمسية الكهروضوئية عبر ظروف جوية متنوعة. يظهر النموذج المقترح قدرات توقع محسنة، تم التحقق منها من خلال اختبارات شاملة على ثلاث أنظمة طاقة شمسية متصلة بالشبكة في الجزائر، محققًا أخطاء توقع أقل من النماذج الحالية. تؤكد هذه الدراسة على إمكانيات الأساليب الهجينة في تطوير منهجيات توقع الطاقة الشمسية الكهروضوئية وتقترح أن الاستكشاف الإضافي لتقنيات التحليل قد يؤدي إلى تحسينات كبيرة في دقة التوقعات.
القيود
تقدم الدراسة نموذجًا لتوقع الطاقة الشمسية الكهروضوئية (PV)، مع تسليط الضوء على إمكانياته الكبيرة مع الاعتراف بعدة قيود. تشمل التحديات الرئيسية الاعتماد على جودة البيانات، والاتجاه نحو الإفراط في التكيف مع مجموعات البيانات الصغيرة، والأسئلة المتعلقة بقدرة النموذج على التكيف مع مواقع جغرافية وأنواع أنظمة الطاقة الشمسية المختلفة. كانت الأبحاث مركزة بشكل أساسي على ثلاث مناطق بسبب توفر البيانات، مما يشير إلى أن الدراسات المستقبلية يجب أن تتوسع لتشمل مناطق متنوعة ذات ظروف جوية متغيرة، خاصة تلك التي تشهد غطاء سحابي متكرر. قد تسهل هذه التوسعة فهمًا أفضل لفعالية تقنيات الألواح الشمسية المختلفة عبر مناخات متميزة.
بالإضافة إلى ذلك، بينما استخدمت الدراسة تقنيات التعلم العميق مثل الشبكات العصبية التلافيفية (CNNs) وشبكات الذاكرة طويلة وقصيرة الأجل (LSTMs)، تشير إلى إمكانية الاستكشاف الإضافي للهياكل المتقدمة مثل المحولات والمعلومات، والتي تُعترف بقدراتها في توقع السلاسل الزمنية. قد يؤدي التحقيق في هذه النماذج المتطورة إلى تحسين الدقة والكفاءة في توقع الطاقة الشمسية الكهروضوئية، مما يعزز القوة العامة لمنهجيات التوقع في هذا المجال.
DOI: https://doi.org/10.1038/s41598-024-57398-z
PMID: https://pubmed.ncbi.nlm.nih.gov/38509162
Publication Date: 2024-03-20
Author(s): Mawloud Guermoui et al.
Primary Topic: Solar Radiation and Photovoltaics
Overview
The integration of renewable energy sources, particularly photovoltaic (PV) systems, into existing power generation frameworks requires precise forecasting to manage supply-demand dynamics effectively. This research introduces a novel hybrid model, VMD-IF-FSRA-CNN, which combines multi-frequency information from various decomposition techniques with a deep convolutional neural network (CNN) to enhance short-term PV power forecasting. The model was rigorously evaluated across three grid-connected PV power plants in Algeria, totaling 73.1 MW of installed capacity. The results demonstrated superior forecasting accuracy, with a root mean square error (RMSE) ranging from 0.454 to 1.54, outperforming both standalone and other hybrid forecasting models.
The study emphasizes the model’s capability to predict PV power output 15-30 minutes ahead, even in the absence of climatic data, relying solely on limited historical data from the PV plants. The comprehensive analysis of different decomposition methods paired with deep learning techniques provided insights into the factors influencing forecasting performance. The findings suggest that the proposed hybrid approach is particularly effective for multi-site time series forecasting and could be adapted for other grid-connected PV systems. Future research will focus on enhancing forecasting accuracy by integrating advanced deep learning methods with sky imager data, aiming to improve solar irradiance predictions and expand the model’s applicability across various geographical and environmental contexts.
Methods
The methodology section outlines the systematic approach employed in the research to investigate the specified hypotheses. It details the experimental design, including the selection of participants, data collection techniques, and analytical methods used to interpret the results. The study utilized a combination of quantitative and qualitative methods, ensuring a comprehensive understanding of the phenomena under investigation.
Data were gathered through structured surveys and controlled experiments, with statistical analyses performed using software tools to evaluate the significance of the findings. The methodology also emphasizes the importance of replicability and rigor, adhering to ethical standards throughout the research process. Key findings are derived from the analysis, highlighting the relationships and patterns observed in the data, which contribute to the broader understanding of the research topic.
Results
The results of this study emphasize the importance of precise short-term assessments of photovoltaic (PV) power for maintaining power system stability. The research introduces a hybrid forecasting technique that combines various decomposition strategies with deep learning approaches, specifically tailored for predicting PV power output 15 minutes and 30 minutes ahead. The methodology was applied to three grid-connected PV stations, utilizing 50% of the data for training and the remaining for testing. The study focused on the relationship between historical PV power and future output, employing trial and error to optimize delay parameters for training the supervised model.
The findings indicate that the hybrid models significantly outperform standalone models, achieving normalized root mean square error (nRMSE) values below 10% across all analyzed regions, while individual models exhibited nRMSE values ranging from 22% to 39%. Notably, the VMD-CNN and IF-CNN models emerged as the most effective forecasting algorithms, demonstrating superior accuracy in PV power predictions compared to traditional models such as GPR, LS-SVM, and ELM. Statistical comparisons and visual representations of actual versus estimated PV outputs reveal that the hybrid models closely align with real data trends, particularly under varying weather conditions, thus validating their efficacy in PV power forecasting.
Discussion
In the discussion section of the paper, various hybrid decomposition approaches for solar radiation evaluation and photovoltaic (PV) power forecasting are reviewed. The literature highlights several methodologies, including Empirical Mode Decomposition (EMD), Wavelet Transform, and Variational Mode Decomposition (VMD), which have been integrated with machine learning techniques such as Support Vector Machines (SVM) and deep learning models like Convolutional Neural Networks (CNN). Notably, the Enhanced Empirical Mode Decomposition (EEMD) combined with SVM and Particle Swarm Optimization (PSO) has shown superior forecasting accuracy compared to traditional models. Additionally, the integration of feature selection techniques, such as Maximize Relevancy Minimize Global Redundancy (MRMGR), has been emphasized as crucial for improving prediction performance by reducing the dimensionality of the data.
The paper introduces a novel hybrid forecasting model, IF-VMD-FSRA-CNN, which combines ensemble decomposition methods, multi-scale feature fusing, and deep learning to enhance the accuracy of PV power predictions across varying meteorological conditions. The proposed model demonstrates improved forecasting capabilities, validated through extensive testing on three grid-connected PV systems in Algeria, achieving lower forecasting errors than existing models. This research underscores the potential of hybrid approaches in advancing PV power forecasting methodologies and suggests that further exploration of decomposition techniques could yield significant improvements in predictive accuracy.
Limitations
The study presents a model for forecasting photovoltaic (PV) power, highlighting its significant potential while acknowledging several limitations. Key challenges include dependence on data quality, a tendency for overfitting with small datasets, and questions regarding the model’s adaptability to various geographical locations and PV system types. The research was primarily focused on three regions due to data availability, suggesting that future studies should expand to include diverse areas with varying weather conditions, particularly those with frequent cloud cover. This expansion could facilitate a better understanding of the effectiveness of different PV panel technologies across distinct climates.
Additionally, while the study utilized deep learning techniques such as Convolutional Neural Networks (CNNs) and Long Short-Term Memory networks (LSTMs), it notes the potential for further exploration of advanced architectures like Transformers and Informers, which are recognized for their capabilities in time series forecasting. Investigating these sophisticated models could lead to improved accuracy and efficiency in PV power forecasting, thereby enhancing the overall robustness of forecasting methodologies in this field.