DOI: https://doi.org/10.1038/s41598-024-56751-6
PMID: https://pubmed.ncbi.nlm.nih.gov/38509109
تاريخ النشر: 2024-03-21
المؤلف: Xiuli Xiang وآخرون
الموضوع الرئيسي: الإشعاع الشمسي والطاقة الشمسية
نظرة عامة
تقدم ورقة البحث طريقة جديدة للتنبؤ بالطاقة الشمسية (PV) على المدى القصير باستخدام نموذج هجين يجمع بين الشبكات التلافيفية الزمنية (TCNs) ووحدات التكرار المغلقة (GRUs)، معززة بشبكة انتباه القناة الفعالة (ECANet)، المشار إليها باسم TCN-ECANet-GRU. تتناول هذه الطريقة قيود طرق الانحدار التقليدية وتنبؤات السلاسل الزمنية في التنبؤ بدقة بإنتاج الطاقة الشمسية بسبب تعقيدات الظروف الجوية والبيانات عالية الأبعاد. تم التحقق من صحة النموذج باستخدام بيانات من محطة طاقة شمسية أسترالية، مما أظهر أداءً متفوقًا عبر جميع الفصول، حيث حقق الحد الأدنى من خطأ الجذر التربيعي المتوسط الطبيعي (RMSE) قدره 0.0195، وخطأ متوسط مطلق طبيعي (MAE) قدره 0.0128، ومعامل التحديد ($R^2$) قدره 99.72%. كانت التحسينات على النموذج غير الأمثل ملحوظة، مع تحسينات بنسبة 11.32% في RMSE، و8.57% في MAE، و0.38% في $R^2$.
يستطيع نموذج TCN-GRU المقترح التقاط الميزات المكانية من بيانات الطقس وتسلسلات الطاقة الشمسية، مستفيدًا من آلية ECA لتعزيز استخراج الميزات دون تقليل الأبعاد. تشير النتائج إلى أن TCNs أكثر كفاءة من CNNs التقليدية في استخراج الميزات المتعددة بسبب مجالات الاستقبال الأكبر مع عدد أقل من الطبقات. بينما يظهر النموذج نتائج واعدة للتنبؤات قصيرة المدى (3، 6، و9 خطوات للأمام)، يعترف المؤلفون بالحاجة إلى مزيد من البحث لتوسيع آفاق التنبؤ واستكشاف العلاقات الأعمق بين العوامل المؤثرة لتحسين الدقة والاستقرار في التنبؤ بالطاقة الشمسية. قد تتضمن الأعمال المستقبلية أيضًا تدريب النموذج باستخدام مجموعات بيانات ذات دقة زمنية متغيرة لتعزيز قابليته للتطبيق.
طرق
في هذه الدراسة، استخدم المؤلفون نهجًا منهجيًا للتنبؤ بإنتاج الطاقة الشمسية باستخدام إطار عمل الشبكة التلافيفية الزمنية (TCN). تم أولاً تطبيع مجموعات البيانات الموسمية باستخدام MinMaxScaler ثم أعيد بناؤها من خلال تقنية النافذة المنزلقة، باستخدام ترتيب تأخير قدره 46. سمحت هذه التهيئة للنموذج بدمج معلومات الميزات من اللحظات الـ 46 السابقة للتنبؤ بإنتاج الطاقة في اللحظة التالية. تم تقسيم مجموعة البيانات إلى مجموعات تدريب واختبار بنسبة 9:1، مع تخصيص 20% من مجموعة التدريب لأغراض التحقق.
تكون إطار عمل TCN من خمسة وحدات TCN-ECA مكدسة، تحتوي كل منها على 32 فلترًا مع معاملات تمدد قدرها 1، 2، 4، 8، و16، وحجم نواة التلافيف 2. تم ضبط معدلات التسرب بناءً على تقلبات البيانات الموسمية، وتم تعيينها عند [0.2، 0.2، 0.2، 0.1]. لتعزيز انتشار الميزات، تمت إضافة طبقة متصلة بالكامل تحتوي على 16 خلية عصبية بعد وحدات TCN، تليها طبقة وحدة تكرار مغلقة (GRU) تحتوي على 32 خلية عصبية وطبقة متصلة بالكامل أخرى تحتوي على 10 خلايا عصبية. تم تضمين طبقة تسرب بمعدل 0.2، وتم استخدام دالة تفعيل ReLU المتسربة للإخراج. تم استخدام مُحسِّن آدم بمعدل تعلم قدره 0.001، وكان متوسط الخطأ التربيعي (MSE) هو دالة الخسارة، وتم إجراء التدريب على مدى 30 دورة.
نتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. عادةً ما يتضمن بيانات كمية، وتحليلات إحصائية، وتمثيلات رسومية توضح نتائج الدراسة. غالبًا ما تتم مقارنة النتائج مع الفرضيات أو الدراسات السابقة لتسليط الضوء على الفروق أو التأكيدات المهمة.
في هذا القسم، قد يبلغ المؤلفون عن مقاييس محددة، مثل المتوسطات، والانحرافات المعيارية، أو قيم p، لدعم ادعاءاتهم. بالإضافة إلى ذلك، يتم مناقشة أي اتجاهات أو أنماط ملحوظة في البيانات، مما يوفر رؤى حول تداعيات النتائج. بشكل عام، تعتبر النتائج أساسًا للنقاش والاستنتاجات اللاحقة، مما يبرز أهمية وتأثير البحث ضمن السياق الأكاديمي الأوسع.
نقاش
في هذا القسم، يناقش المؤلفون تطوير وتقييم شبكة تلافيفية زمنية (TCN) متكاملة مع آلية انتباه القناة الفعالة (ECA) ووحدة تكرار مغلقة (GRU) لتنبؤ إنتاج الطاقة الشمسية (PV) على المدى القصير. تستخدم TCN التلافيفات السببية الممددة، مما يسمح بوجود مجال استقبال أكبر مع الحفاظ على السببية ومنع تسرب البيانات. تعزز وحدة ECA قدرة النموذج على التقاط التفاعلات المحلية عبر القنوات دون تقليل الأبعاد، مما يحسن استخراج الميزات المكانية. تعالج GRU الخصائص الزمنية بشكل إضافي، مما يربط الميزات المستخرجة بالتنبؤات الناتجة.
تم التحقق من صحة نموذج TCN-ECANet-GRU المقترح باستخدام بيانات حقيقية من محطة الطاقة الشمسية DKASC في أستراليا، مما أظهر أداءً متفوقًا في التنبؤ مقارنة بالنماذج التقليدية مثل الانحدار باستخدام دعم المتجهات (SVR) وهياكل الشبكات العصبية الأخرى. أشارت مقاييس التقييم، بما في ذلك RMSE وMAE العاديين، إلى أن نموذج TCN-ECANet-GRU تفوق باستمرار على النماذج الفردية والهجينة عبر فصول مختلفة، محققًا أقصى R² قدره 99.72%. يبرز المؤلفون متانة النموذج وقدرته على التكيف، مشيرين إلى أنه بينما يتفوق في الخريف، يتفاوت أداؤه موسميًا، خاصة في الشتاء بسبب استقرار أنماط إنتاج الطاقة. يُقترح أن تستكشف الأعمال المستقبلية التنبؤات طويلة الأجل والعلاقات الأعمق بين العوامل المؤثرة لتعزيز دقة التنبؤ بشكل أكبر.
DOI: https://doi.org/10.1038/s41598-024-56751-6
PMID: https://pubmed.ncbi.nlm.nih.gov/38509109
Publication Date: 2024-03-21
Author(s): Xiuli Xiang et al.
Primary Topic: Solar Radiation and Photovoltaics
Overview
The research paper presents a novel short-term photovoltaic (PV) power forecasting method utilizing a hybrid model that combines Temporal Convolutional Networks (TCNs) and Gated Recurrent Units (GRUs), enhanced by an Efficient Channel Attention Network (ECANet), referred to as TCN-ECANet-GRU. This approach addresses the limitations of traditional regression and time series forecasting methods in accurately predicting PV output due to the complexities of weather conditions and high-dimensional data. The model was validated using data from an Australian PV power station, demonstrating superior performance across all seasons, achieving a minimum normalized root mean square error (RMSE) of 0.0195, a normalized mean absolute error (MAE) of 0.0128, and a coefficient of determination ($R^2$) of 99.72%. The improvements over the suboptimal model were significant, with enhancements of 11.32% in RMSE, 8.57% in MAE, and 0.38% in $R^2$.
The proposed TCN-GRU model effectively captures spatial features from weather and PV power sequences, leveraging the ECA mechanism to enhance feature extraction without dimensionality reduction. The findings indicate that TCNs are more adept than traditional CNNs for multifeature extraction due to their larger receptive fields with fewer layers. While the model shows promising results for short-term predictions (3, 6, and 9 steps ahead), the authors acknowledge the need for further research to extend prediction horizons and explore deeper correlations among influencing factors for improved accuracy and stability in PV power forecasting. Future work may also involve training the model with datasets of varying temporal resolutions to enhance its applicability.
Methods
In this study, the authors employed a systematic approach to predict photovoltaic power generation using a temporal convolutional network (TCN) framework. The seasonal datasets were first normalized using MinMaxScaler and subsequently reconstructed through a sliding window technique, utilizing a delay order of 46. This configuration allowed the model to incorporate feature information from the past 46 sampling moments to predict the power generation at the subsequent moment. The dataset was split into training and test sets at a 9:1 ratio, with 20% of the training set reserved for validation purposes.
The TCN framework consisted of five stacked TCN-ECA modules, each containing 32 filters with dilation coefficients of 1, 2, 4, 8, and 16, and a convolution kernel size of 2. The dropout rates were adjusted based on seasonal data variability, set at [0.2, 0.2, 0.2, 0.1]. To enhance feature propagation, a fully connected layer with 16 neurons was added after the TCN modules, followed by a Gated Recurrent Unit (GRU) layer with 32 neurons and another fully connected layer with 10 neurons. A dropout layer with a rate of 0.2 was included, and the leaky ReLU activation function was used for output. The Adam optimizer was employed with a learning rate of 0.001, the mean squared error (MSE) served as the loss function, and the training was conducted over 30 epochs.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments or analyses. It typically includes quantitative data, statistical analyses, and graphical representations that illustrate the outcomes of the study. The results are often compared against hypotheses or previous studies to highlight significant differences or confirmations.
In this section, the authors may report specific metrics, such as means, standard deviations, or p-values, to substantiate their claims. Additionally, any observed trends or patterns in the data are discussed, providing insights into the implications of the findings. Overall, the results serve as a foundation for the subsequent discussion and conclusions, emphasizing the relevance and impact of the research within the broader academic context.
Discussion
In this section, the authors discuss the development and evaluation of a Temporal Convolutional Network (TCN) integrated with an Efficient Channel Attention mechanism (ECA) and a Gated Recurrent Unit (GRU) for short-term photovoltaic (PV) power generation forecasting. The TCN employs dilated causal convolutions, which allow for a larger receptive field while maintaining causality and preventing data leakage. The ECA module enhances the model’s ability to capture local cross-channel interactions without dimensionality reduction, thereby improving the extraction of spatial features. The GRU further processes temporal characteristics, linking the extracted features to the output predictions.
The proposed TCN-ECANet-GRU model was validated using real data from the DKASC photovoltaic power station in Australia, demonstrating superior forecasting performance compared to traditional models such as Support Vector Regression (SVR) and other neural network architectures. Evaluation metrics, including normalized RMSE and MAE, indicated that the TCN-ECANet-GRU model consistently outperformed single and hybrid models across different seasons, achieving a maximum R² of 99.72%. The authors highlight the model’s robustness and adaptability, noting that while it excels in autumn, its performance varies seasonally, particularly in winter due to the stability of power generation patterns. Future work is suggested to explore longer-term predictions and deeper correlations among influencing factors to enhance forecasting accuracy further.