DOI: https://doi.org/10.1038/s41598-025-87625-0
PMID: https://pubmed.ncbi.nlm.nih.gov/39900684
تاريخ النشر: 2025-02-03
المؤلف: Venkatachalam Mohanasundaram وآخرون
الموضوع الرئيسي: الإشعاع الشمسي والطاقة الشمسية
نظرة عامة
تقدم البحث نهجًا مبتكرًا للتنبؤ بإنتاج الطاقة الشمسية الكهروضوئية (PV-SE) من خلال دمج تحليل الاتجاهات الموسمية القوي (RSTL) مع خوارزمية تحسين النورس التكيفية (ASOA) المحسّنة بشبكة الذاكرة طويلة وقصيرة المدى (LSTM). تعالج هذه المنهجية بفعالية التحديات التي تطرحها تقلبات وتقطع الإشعاع الشمسي (SI) من خلال تحليل بيانات السلاسل الزمنية إلى مكونات تطوير وموسمية وبقايا باستخدام RSTL. تعزز ASOA قدرات LSTM التنبؤية من خلال تقليد سلوكيات الاستكشاف والاستغلال الديناميكية التي لوحظت في النوارس، مما يؤدي إلى تحسين تحسين المعلمات.
تشير تقييمات الأداء باستخدام مقاييس مثل متوسط الخطأ التربيعي الجذري (RMSE) ومتوسط الخطأ المطلق (MAE) ومعامل التحديد ($R^2$) إلى أن النموذج المقترح RSTL + (ASOA + LSTM) يتفوق بشكل كبير على الطرق التقليدية، بما في ذلك نماذج STL وLSTM المستقلة. تؤكد النتائج على مزايا دمج تقنيات تحليل البيانات القوية مع خوارزميات التحسين التكيفية لتعزيز دقة التنبؤ في توقعات الطاقة الشمسية. تشمل اتجاهات البحث المستقبلية تحسين خوارزمية التحسين، ودمجها مع تقنيات التعلم الآلي الأخرى، واستكشاف قابليتها للتطبيق عبر مصادر الطاقة المتجددة المختلفة، مما يساهم في حلول إدارة الطاقة المتجددة الأكثر كفاءة وموثوقية.
الطرق
توضح قسم المنهجية نهجًا مبتكرًا لتعزيز دقة توقعات إنتاج الطاقة الشمسية الكهروضوئية (SE) من خلال دمج خوارزمية تحسين البحث التكيفية (ASOA) مع شبكات الذاكرة طويلة وقصيرة المدى (LSTM). تقوم ASOA بتعديل عامل تعديل ديناميكيًا لتحسين أداء LSTM، مما يساعد في التنقل في فضاء البحث وتخفيف التقارب المبكر. بالإضافة إلى ذلك، يتم تحليل بيانات السلاسل الزمنية إلى مكونات الاتجاه والموسمية والبقايا، والتي تتم معالجتها بشكل منفصل بواسطة LSTM المحسّنة بواسطة ASOA، مما يلتقط الخصائص الفريدة لكل مكون ويحسن دقة التنبؤ.
استخدمت الإعدادات التجريبية نظام حوسبة عالي الأداء يتميز بمعالج Intel Core i7 وذاكرة RAM سعة 64 جيجابايت وبطاقة رسومات NVIDIA GeForce GTX 1080 Ti. تم إجراء التجارب باستخدام Python 3.8 مع مكتبات مثل TensorFlow وPandas وMatplotlib. كانت مجموعة البيانات تتكون من ثلاث سنوات من بيانات SE التاريخية، والتي تم معالجتها مسبقًا لإزالة الشواذ. تم استخدام دالة خسارة هوبر لتعزيز القوة ضد القيم الشاذة. تضمنت عملية تحسين ASOA تعديل عامل التعديل ديناميكيًا بناءً على عامل التكيف، مع معدل تعلم أولي قدره \(5 \times 10^{-5}\) وحجم دفعة قدره 48. تم تقسيم البيانات إلى شرائح تدريب (85%)، والتحقق (10%)، والاختبار (5%) لضمان تقييم شامل للنموذج. تم استخدام مقاييس الأداء، بما في ذلك متوسط الخطأ التربيعي الجذري (RMSE) ومتوسط الخطأ المطلق (MAE) ومتوسط الخطأ النسبي المطلق (MAPE)، لتقييم فعالية النماذج، مما يؤكد قدرة ASOA على تعزيز تحسين معلمات LSTM ودقة التنبؤ لتطبيقات الطاقة المتجددة.
المناقشة
في قسم المناقشة من ورقة البحث، يستعرض المؤلفون مجموعة متنوعة من الأساليب الإحصائية وتقنيات التعلم الآلي (ML) لتوقع إنتاج الطاقة الشمسية (SE). يسلطون الضوء على تطور المنهجيات، بدءًا من النماذج الإحصائية المبكرة التي قدمها كورنارو وآخرون والتي أنشأت علاقات بين البيانات المناخية والإشعاع الشمسي (SI). شملت التطورات اللاحقة المتوسط المتحرك ذو الوزن الأسي (EWMA) وطرق هولت-وينترز، التي حسنت التعامل مع الاتجاهات والموسمية في بيانات السلاسل الزمنية. ومع ذلك، واجهت النماذج التقليدية مثل ARMA وARIMA قيودًا بسبب افتراضها الثبات، والذي غالبًا ما يتم انتهاكه في بيانات SI الديناميكية المتأثرة بعوامل خارجية مختلفة.
يؤكد المؤلفون على فعالية النماذج الهجينة التي تدمج تقنيات ML مع الأساليب الإحصائية. ويذكرون أن نماذج مثل الشبكات العصبية الاصطناعية (ANN) والشبكات العصبية التلافيفية (CNN) وشبكات الذاكرة طويلة وقصيرة المدى (LSTM) تتفوق في التنبؤات القصيرة الأجل، بينما تعتبر SARIMAX وProphet أكثر ملاءمة للتنبؤات طويلة الأجل. أظهر نموذج هجين للتعلم الآلي والإحصاء (ML-SHM) أداءً متفوقًا من خلال دمج عدة طرق للتنبؤ واستخدام تقنيات التجميع. كما تقدم الدراسة خوارزمية تحسين النورس التكيفية (ASOA) لتعزيز تحسين معلمات LSTM، مما يؤدي إلى تحسين دقة التنبؤ لإنتاج PV-SE. بشكل عام، تؤكد النتائج على إمكانيات الأساليب الهجينة في تعزيز دقة توقعات SE، وهو أمر حاسم لتحسين إنتاج الطاقة المتجددة ودعم مبادرات استدامة الطاقة.
DOI: https://doi.org/10.1038/s41598-025-87625-0
PMID: https://pubmed.ncbi.nlm.nih.gov/39900684
Publication Date: 2025-02-03
Author(s): Venkatachalam Mohanasundaram et al.
Primary Topic: Solar Radiation and Photovoltaics
Overview
The research presents an innovative approach for predicting photovoltaic solar energy (PV-SE) output by integrating Robust Seasonal-Trend Decomposition (RSTL) with an Adaptive Seagull Optimisation Algorithm (ASOA)-optimized Long Short-Term Memory (LSTM) neural network. This methodology effectively addresses the challenges posed by the variability and intermittency of solar irradiance (SI) by decomposing time series data into development, seasonal, and residual components using RSTL. The ASOA enhances the LSTM’s predictive capabilities by mimicking the dynamic exploration and exploitation behaviors observed in seagulls, leading to improved parameter optimization.
Performance evaluations using metrics such as Root Mean Square Error (RMSE), Mean Absolute Error (MAE), and the coefficient of determination ($R^2$) indicate that the proposed RSTL + (ASOA + LSTM) model significantly outperforms traditional methods, including standalone STL and LSTM models. The findings underscore the advantages of combining robust data decomposition techniques with adaptive optimization algorithms to enhance prediction accuracy in solar energy forecasting. Future research directions include refining the optimization algorithm, integrating it with other machine learning techniques, and exploring its applicability across various renewable energy sources, thereby contributing to more efficient and reliable renewable energy management solutions.
Methods
The methodology section details an innovative approach to enhance the accuracy of photovoltaic solar energy (SE) output predictions through the integration of an Adaptive Search Optimization Algorithm (ASOA) with Long Short-Term Memory (LSTM) networks. The ASOA dynamically adjusts a modulation factor to optimize the LSTM’s performance, effectively navigating the search space and mitigating premature convergence. Additionally, the time-series data is decomposed into trend, seasonality, and residual components, which are processed separately by the ASOA-optimized LSTM, thereby capturing the unique characteristics of each component and improving prediction accuracy.
The experimental setup utilized a high-performance computing system featuring an Intel Core i7 processor, 64 GB RAM, and an NVIDIA GeForce GTX 1080 Ti GPU. The experiments were conducted using Python 3.8 with libraries such as TensorFlow, Pandas, and Matplotlib. The dataset comprised three years of historical SE data, which was pre-processed to eliminate anomalies. The Huber loss function was employed to enhance robustness against outliers. The ASOA’s optimization process involved dynamically modifying the modulation factor based on an adaptation factor, with an initial learning rate of \(5 \times 10^{-5}\) and a batch size of 48. Data was split into training (85%), validation (10%), and testing (5%) segments to ensure comprehensive model evaluation. Performance metrics, including Root Mean Square Error (RMSE), Mean Absolute Error (MAE), and Mean Absolute Percentage Error (MAPE), were utilized to assess the models’ effectiveness, confirming the ASOA’s capability to significantly enhance LSTM parameter optimization and prediction accuracy for renewable energy applications.
Discussion
In the discussion section of the research paper, the authors review various statistical and machine learning (ML) approaches for predicting solar energy (SE) generation. They highlight the evolution of methodologies, starting from early statistical models by Cornaro et al. that established correlations between meteorological data and solar irradiance (SI). Subsequent advancements included the Exponentially Weighted Moving Average (EWMA) and Holt-Winters methods, which improved the handling of trends and seasonality in time-series data. However, traditional models like ARMA and ARIMA faced limitations due to their assumption of stationarity, which is often violated in dynamic SI data influenced by various external factors.
The authors emphasize the efficacy of hybrid models that integrate ML techniques with statistical methods. They report that models such as Artificial Neural Networks (ANN), Convolutional Neural Networks (CNN), and Long Short-Term Memory (LSTM) networks excel in short-term predictions, while SARIMAX and Prophet are more suitable for long-term forecasting. A proposed Machine Learning and Statistical Hybrid Model (ML-SHM) demonstrated superior performance by combining multiple prediction methods and utilizing ensemble techniques. The study also introduces an Adaptive Seagull Optimization Algorithm (ASOA) to enhance LSTM parameter optimization, resulting in improved prediction accuracy for PV-SE generation. Overall, the findings underscore the potential of hybrid approaches in advancing the accuracy of SE predictions, which is crucial for optimizing renewable energy generation and supporting energy sustainability initiatives.