DOI: https://doi.org/10.1038/s41598-025-33415-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41495213
تاريخ النشر: 2026-01-06
المؤلف: Sertaç Oruç وآخرون
الموضوع الرئيسي: الإشعاع الشمسي والطاقة الشمسية
نظرة عامة
تبحث هذه الورقة البحثية في تطبيق نماذج آلة الدعم المتجه (SVM)، المعززة من خلال أربعة محسنات ميتاهيرستية—خلية النحل الاصطناعية (ABC)، محسن الذئب الرمادي (GWO)، الخوارزمية الجينية (GA)، وتحسين سرب الجسيمات (PSO)—لتوقع الطاقة الفوتوفولطية (PV) اليومية في جنوب النرويج (كريستيانساند، ستافنجر، وأوسلو) باستخدام بيانات من 2020 إلى 2023. تستخدم الدراسة طريقة الحد الأدنى من التكرار والحد الأقصى من الصلة (MRMR) لإنشاء أربع تكوينات إدخال متميزة، مع دراسة تأثير دمج بيانات الطاقة الفوتوفولطية المتأخرة وبيانات درجة الحرارة على دقة التوقع. تشير النتائج إلى أن تكوين SVM-PSO-M04 حقق أعلى مقاييس الأداء، مع معامل ارتباط ($r=0.7707$)، مما يمثل تحسينًا بنسبة 19% مقارنة بنموذج SVM غير المضبوط.
تظهر النتائج أن ضبط الميتاهيرستية يعزز باستمرار أداء النموذج عبر جميع المواقع والتكوينات، مع ظهور PSO كأكثر المحسنات فعالية. ومن الجدير بالذكر أن النماذج التي تضمنت كل من مدخلات الطاقة الفوتوفولطية ودرجة الحرارة (M03-M04) تفوقت على تلك التي استخدمت بيانات الطاقة الفوتوفولطية فقط (M01-M02)، مما يبرز أهمية العوامل الجوية في توقع الطاقة الفوتوفولطية. بينما تقدم الدراسة رؤى قيمة لتخطيط الطاقة المتجددة في المناطق ذات خطوط العرض العالية، فإنها تعترف بالقيود مثل الاعتماد على بيانات الطاقة الفوتوفولطية المحاكاة وتقسيم التدريب والاختبار المحدد. يُقترح أن تتوسع الأبحاث المستقبلية في ميزات الإدخال وتدمج مصادر بيانات إضافية لتحسين قدرات التوقع بشكل أكبر. بشكل عام، تؤسس هذه العمل معيارًا لتوقع الطاقة الفوتوفولطية المعتمدة على SVM في سياقات جغرافية مماثلة.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم للطاقة الشمسية في جهود إزالة الكربون العالمية، مع التأكيد على اعتمادها على الظروف الجوية التي تتأثر بشكل متزايد بتغير المناخ. تتنبأ نماذج المناخ طويلة الأجل بتحولات إقليمية في الإشعاع الشمسي السطحي ودرجة حرارة الهواء القريبة من السطح، وكلاهما حاسم لكفاءة الطاقة الفوتوفولطية (PV). ومن الجدير بالذكر أن الزيادات الطفيفة في درجة الحرارة يمكن أن تقلل من كفاءة الطاقة الفوتوفولطية، خاصة في المناطق ذات خطوط العرض المنخفضة أو المناطق الحضرية، مما قد يعوض الفوائد الناتجة عن زيادة الإشعاع الشمسي. على سبيل المثال، تشير النمذجة الإقليمية لإسطنبول إلى انخفاض متوقع في الإشعاع الشمسي الوارد مصحوبًا بارتفاع كبير في درجات الحرارة، مما يشير إلى قيود على العوائد المستقبلية للطاقة الفوتوفولطية.
تؤكد هذه الفقرة على ضرورة توقع الطاقة الشمسية بدقة للحفاظ على استقرار الشبكة، حيث إن توليد الطاقة الشمسية متقطع بطبيعته ويتأثر بالظروف الجوية. يمكن أن تعزز طرق التنبؤ الفعالة، بما في ذلك تقنيات التعلم الآلي والتعلم العميق، دقة التوقع، وتحسين أنظمة تخزين البطاريات، وتحسين إدارة الشبكة. تشير الدراسات إلى أن دمج توقعات الطاقة الشمسية مع تخزين الطاقة يمكن أن يقلل من التكاليف والاعتماد على واردات الطاقة من الشبكة. مع اقتراب نماذج المناخ من زيادة التباين في توليد الطاقة الشمسية، يصبح التوقع الدقيق أمرًا ضروريًا للتكيف مع هذه التغيرات وضمان مرونة أنظمة الطاقة الحديثة.
الطرق
تبحث هذه الدراسة في توقع توليد الطاقة الفوتوفولطية (PV) باستخدام بيانات من ثلاثة مواقع مختلفة في النرويج. تستخدم الدراسة خوارزمية آلة الدعم المتجه (SVM)، المعززة بتقنيات تحسين مختلفة، وتحديدًا تحسين سرب الجسيمات (PSO)، وتحسين الذئب الرمادي (GWO)، والخوارزمية الجينية (GA)، وخلية النحل الاصطناعية (ABC). يتم تمثيل الإطار المنهجي بصريًا في الشكل 1 من الورقة.
تم دمج طرق التحسين لتحسين أداء نموذج SVM في توقع توليد الطاقة الفوتوفولطية. تؤكد الدراسة على أهمية هذه التقنيات في تحسين عملية التعلم للخوارزمية، مما قد يزيد من دقة التوقعات التي يقدمها نموذج SVM.
النتائج
في هذه الدراسة، تم تقييم أداء نماذج التوقع لتوليد الطاقة الفوتوفولطية (PV) اليومية باستخدام بيانات من كريستيانساند، ستافنجر، وأوسلو في جنوب النرويج. استخدمت الدراسة مزيجًا من التعلم الآلي، وتحديدًا آلات الدعم المتجه (SVM)، وتقنيات تحسين مختلفة، بما في ذلك خلية النحل الاصطناعية (ABC)، ومحسن الذئب الرمادي (GWO)، والخوارزمية الجينية (GA)، وتحسين سرب الجسيمات (PSO). تم استخدام 70% من البيانات للتدريب، بينما تم تخصيص 30% للاختبار. تم تطبيق طريقة الحد الأدنى من التكرار والحد الأقصى من الصلة (MRMR) لإنشاء أربع هياكل إدخال متميزة لتقييم تأثير المتغيرات المدخلة على أداء التوقع.
أشارت النتائج إلى تباين كبير في مقاييس الأداء عبر الهياكل المدخلة المختلفة التي تم تحليلها باستخدام SVM. تفوق النموذج الأساسي M04، الذي تضمن أربعة متغيرات مدخلة (Pt-5، Pt-3، Tt-4، وTt-1)، على النموذج الأبسط M01 الذي استخدم متغير إدخال واحد فقط (Pt-5)، محققًا معامل ارتباط ($r=0.6469$) وخطأ متوسط الجذر التربيعي ($RMSE=0.8004$). ومن الجدير بالذكر أن نموذج SVM-PSO-M04 حقق أفضل نتائج اختبار في منطقة كريستيانساند، مع $r = 0.7707$، $NSE = 0.5748$، $KGE = 0.7092$، $PI = 0.2964$، و$RMSE = 0.6513$. تؤكد هذه النتائج فعالية دمج نماذج التعلم الآلي مع تقنيات التحسين لتعزيز دقة التوقع، على الرغم من أن الفروق في الأداء بين المحسنات المختلفة كانت ضئيلة، مما يعقد تحديد أفضل نهج واحد لهذه المنطقة.
المناقشة
تسلط فقرة المناقشة في الورقة البحثية الضوء على التقدم في منهجيات توقع الإشعاع الشمسي، مع التأكيد على الانتقال من النماذج الإحصائية التقليدية إلى الأساليب المتقدمة للتعلم العميق. ومن الجدير بالذكر أن النماذج الهجينة التي تدمج بين التقنيات الإحصائية، المعتمدة على الصور، وتوقعات الطقس العددية (NWP) قد أظهرت تحسينات كبيرة في دقة التوقع عبر مناخات مختلفة. على سبيل المثال، تفوقت الشبكات العصبية التلافيفية (CNN) والنماذج الهجينة للذاكرة القصيرة والطويلة (LSTM) على النماذج التقليدية في توقعات دقيقة المقياس، محققة قيم أقل من خطأ متوسط الجذر التربيعي (RMSE). تؤكد النتائج على أهمية اختيار النموذج بناءً على توفر البيانات وضرورة وجود هياكل متعددة الأنماط قابلة للتفسير يمكنها التعميم عبر ظروف مختلفة.
تناقش الورقة أيضًا دور خوارزميات التحسين المستوحاة من الطبيعة، مثل خلية النحل الاصطناعية (ABC)، ومحسن الذئب الرمادي (GWO)، والخوارزمية الجينية (GA)، وخوارزمية تحسين الحوت (WOA)، في تعزيز أداء نماذج التعلم الآلي. تسهل هذه الخوارزميات ضبط المعلمات الفعالة واختيار الميزات، مما يساهم في تحسين نتائج التوقع. تركز الدراسة بشكل خاص على تطوير وتقييم نماذج توقع هجينة تعتمد على آلة الدعم المتجه (SVM) لتوليد الطاقة الفوتوفولطية اليومية (PV) في جنوب النرويج، باستخدام بيانات PVGIS-ERA5. من خلال مقارنة مختلف المحسنات الميتاهيرستية وتكوينات الإدخال، تهدف الدراسة إلى تقديم تقييم شفاف لقيمتها التراكمية في دقة التوقع، مما يعالج الحاجة إلى منهجيات توقع الطاقة الشمسية القوية في المناطق ذات خطوط العرض العالية.
DOI: https://doi.org/10.1038/s41598-025-33415-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41495213
Publication Date: 2026-01-06
Author(s): Sertaç Oruç et al.
Primary Topic: Solar Radiation and Photovoltaics
Overview
This research paper investigates the application of Support Vector Machine (SVM) models, enhanced through four metaheuristic optimizers—Artificial Bee Colony (ABC), Grey Wolf Optimizer (GWO), Genetic Algorithm (GA), and Particle Swarm Optimization (PSO)—for daily photovoltaic (PV) power forecasting in southern Norway (Kristiansand, Stavanger, and Oslo) using data from 2020 to 2023. The study employs the Minimum-Redundancy Maximum-Relevancy (MRMR) method to create four distinct input configurations, examining the impact of incorporating both lagged PV power and temperature data on forecasting accuracy. The results indicate that the SVM-PSO-M04 configuration yielded the highest performance metrics, with a correlation coefficient ($r=0.7707$), representing a 19% improvement over the untuned SVM model.
The findings reveal that metaheuristic tuning consistently enhances model performance across all sites and configurations, with PSO emerging as the most effective optimizer. Notably, models that included both PV power and temperature inputs (M03-M04) outperformed those using PV data alone (M01-M02), underscoring the importance of meteorological factors in PV forecasting. While the study provides valuable insights for renewable energy planning in high-latitude regions, it acknowledges limitations such as reliance on simulated PV data and a specific train-test split. Future research is suggested to expand the input features and incorporate additional data sources to further refine forecasting capabilities. Overall, this work establishes a benchmark for SVM-based PV power forecasting in similar geographical contexts.
Introduction
The introduction highlights the critical role of solar energy in global decarbonization efforts, emphasizing its dependence on meteorological conditions that are increasingly affected by climate change. Long-term climate models predict regional shifts in surface solar radiation and near-surface air temperature, both of which are crucial for photovoltaic (PV) efficiency. Notably, even slight increases in temperature can diminish PV efficiency, particularly in low-latitude or urban areas, potentially offsetting benefits from increased solar insolation. For instance, regional modeling for Istanbul indicates a projected decline in incoming solar radiation coupled with significant warming, suggesting constraints on future PV yields.
The section underscores the necessity of accurate solar power forecasting to maintain grid stability, as solar energy generation is inherently intermittent and influenced by weather conditions. Effective prediction methods, including machine learning and deep learning techniques, can enhance forecasting accuracy, optimize battery storage systems, and improve grid management. Studies indicate that integrating solar prediction with energy storage can reduce costs and reliance on grid energy imports. As climate models suggest increasing variability in solar generation, precise forecasting becomes essential for adapting to these changes and ensuring the resilience of modern power systems.
Methods
This research investigates the prediction of photovoltaic (PV) generation using data from three different locations in Norway. The study employs a Support Vector Machine (SVM) algorithm, enhanced by various optimization techniques, specifically Particle Swarm Optimization (PSO), Grey Wolf Optimization (GWO), Genetic Algorithm (GA), and Artificial Bee Colony (ABC). The methodological framework is visually represented in Figure 1 of the paper.
The optimization methods were integrated to improve the performance of the SVM model in predicting PV generation. The study emphasizes the importance of these optimization techniques in refining the learning process of the algorithm, thereby potentially increasing the accuracy of the predictions made by the SVM.
Results
In this study, the performance of forecasting models for daily photovoltaic (PV) power generation was evaluated using data from Kristiansand, Stavanger, and Oslo in southern Norway. The research employed a combination of machine learning, specifically Support Vector Machines (SVM), and various optimization techniques, including the Artificial Bee Colony (ABC), Grey Wolf Optimizer (GWO), Genetic Algorithm (GA), and Particle Swarm Optimization (PSO). A total of 70% of the data was utilized for training, while 30% was reserved for testing. The Minimum Redundancy Maximum Relevance (MRMR) method was applied to create four distinct input structures to assess the impact of input variables on forecasting performance.
The results indicated significant variability in performance metrics across the different input structures analyzed with SVM. The baseline model M04, which incorporated four input variables (Pt-5, Pt-3, Tt-4, and Tt-1), outperformed the simpler model M01 that used only one input variable (Pt-5), achieving a correlation coefficient ($r=0.6469$) and a root mean square error ($RMSE=0.8004$). Notably, the SVM-PSO-M04 model yielded the best test results in the Kristiansand region, with $r = 0.7707$, $NSE = 0.5748$, $KGE = 0.7092$, $PI = 0.2964$, and $RMSE = 0.6513$. These findings underscore the effectiveness of hybridizing machine learning models with optimization techniques to enhance forecasting accuracy, although the differences in performance among the various optimizers were minimal, complicating the identification of a singular best approach for this region.
Discussion
The discussion section of the research paper highlights the advancements in solar-irradiance forecasting methodologies, emphasizing the transition from traditional statistical models to sophisticated deep learning approaches. Notably, hybrid models that integrate statistical, image-based, and numerical weather prediction (NWP) techniques have shown significant improvements in forecasting accuracy across various climates. For instance, convolutional neural network (CNN) and long short-term memory (LSTM) hybrids have outperformed conventional models in minute-scale forecasts, achieving lower root mean square error (RMSE) values. The findings underscore the importance of model selection based on data availability and the necessity for interpretable, multi-modal architectures that can generalize across different conditions.
The paper also discusses the role of nature-inspired optimization algorithms, such as the Artificial Bee Colony (ABC), Grey Wolf Optimizer (GWO), Genetic Algorithm (GA), and Whale Optimization Algorithm (WOA), in enhancing machine learning model performance. These algorithms facilitate effective parameter tuning and feature selection, contributing to improved forecasting outcomes. The study specifically focuses on developing and evaluating support vector machine (SVM)-based hybrid forecasting models for daily photovoltaic (PV) power in southern Norway, utilizing PVGIS-ERA5 data. By comparing various metaheuristic optimizers and input configurations, the research aims to provide a transparent assessment of their incremental value in forecasting accuracy, thereby addressing the need for robust solar energy forecasting methodologies in high-latitude regions.