DOI: https://doi.org/10.1038/s41598-025-94239-z
PMID: https://pubmed.ncbi.nlm.nih.gov/40316622
تاريخ النشر: 2025-05-02
المؤلف: Boumediene Ladjal وآخرون
الموضوع الرئيسي: الإشعاع الشمسي والطاقة الشمسية
نظرة عامة
تقدم هذه الورقة البحثية تقييمًا شاملاً لأربعة نماذج لتوقع إشعاع الشمس (SR)، مع التركيز على أدائها خلال فترات التنبؤ القصيرة إلى المتوسطة. تشمل النماذج التي تم تحليلها نموذج التغذية الأمامية مع الانتشار العكسي (FFBP)، ونموذج التغذية الأمامية الالتفافية مع الانتشار العكسي (CFBP)، والانحدار باستخدام دعم المتجهات (SVR)، ونموذج التعلم العميق الهجين الذي يدمج الشبكات العصبية الالتفافية (CNN) مع الشبكات الذاكرة طويلة وقصيرة الأمد (LSTM)، والذي يُشار إليه باسم CNN-LSTM. يتم تقييم فعالية هذه النماذج باستخدام مقاييس إحصائية مثل متوسط الخطأ التربيعي (MSE)، وجذر متوسط الخطأ التربيعي (RMSE)، ومتوسط الخطأ المطلق (MAE)، ومتوسط النسبة المئوية للخطأ المطلق (MAPE)، والخطأ التربيعي الجذري الطبيعي (nRMSE).
تشير النتائج إلى أن نموذج CNN-LSTM يتفوق بشكل كبير على الطرق الأخرى، محققًا أدنى معدلات خطأ (MSE = 0.0069، RMSE = 0.0833، MAE = 0.0679، MAPE = 1.18%، nRMSE = 0.0135) ومعامل تحديد مرتفع ($R^2 = 0.99925$)، مما يدل على دقة استثنائية في توقع قيم SR. تؤكد أدوات التحليل البصري على قوة النموذج في التقاط الاعتماديات المكانية الزمنية المعقدة لبيانات SR. بينما قدم نموذج SVR أداءً جيدًا، إلا أنه لم يتطابق مع دقة نموذج CNN-LSTM، وأظهرت نماذج FFBP وCFBP قيودًا في التعامل مع الديناميات الزمنية. تؤكد الدراسة على إمكانيات نموذج CNN-LSTM للتطبيقات العملية في توقع الطاقة الشمسية، لا سيما في المناطق ذات الظروف الجوية المتغيرة، وتقترح اتجاهات بحثية مستقبلية لتعزيز القدرات التنبؤية من خلال دمج متغيرات أرصاد جوية إضافية واستكشاف هياكل هجينة متقدمة.
طرق البحث
في هذه الدراسة، تشمل المنهجية عدة مكونات رئيسية: الحصول على مجموعة البيانات، تقنيات المعالجة المسبقة، هيكل النموذج، وتقييم الأداء. تؤكد الأبحاث على استخدام تقنيات التعلم العميق المتقدمة، وتحديدًا نماذج الشبكات العصبية الالتفافية-ذاكرة طويلة وقصيرة الأمد (CNN-LSTM)، لتحسين توقع الإشعاع الشمسي. يجمع هذا النهج بشكل فعال بين قدرات استخراج الميزات المكانية للشبكات العصبية الالتفافية مع نقاط القوة في تعلم تسلسل الزمن للشبكات الذاكرة طويلة وقصيرة الأمد، مما يعزز دقة التوقعات.
إن دمج هذه المنهجيات أمر حاسم لمعالجة التعقيدات المرتبطة ببيانات الإشعاع الشمسي، التي تظهر اعتماديات مكانية وزمنية. تقوم الدراسة بتقييم منهجي لأداء النموذج المقترح، مما يضمن أن النتائج تساهم في التقدم المستمر في منهجيات توقع الطاقة الشمسية.
النتائج
في هذا القسم، يقوم المؤلفون بتقييم أداء نموذج CNN-LSTM الهجين المقترح لتوقع السلاسل الزمنية، مقارنةً بنموذج الانحدار باستخدام دعم المتجهات (SVR)، ونموذج التغذية الأمامية المتسلسلة (CFBP)، ونموذج التغذية الأمامية (FFBP). تبدأ التحليلات بفحص العلاقة بين الإشعاع الشمسي (SR) ومجموعة متنوعة من المتغيرات الأرصادية المدخلة، وهو أمر حاسم لفهم القدرات التنبؤية للنماذج.
تشير النتائج إلى أن نموذج CNN-LSTM الهجين يتفوق على النماذج الأخرى من حيث دقة التنبؤ، كما هو موضح في الشكل 3، الذي يوضح سير العمل لتوقع SR باستخدام تقنيات التعلم الآلي. تسلط المناقشة الضوء على نقاط القوة والضعف لكل نموذج، مع التأكيد على مزايا دمج الشبكات العصبية الالتفافية مع الشبكات الذاكرة طويلة وقصيرة الأمد لتحسين توقع السلاسل الزمنية.
المناقشة
في قسم المناقشة من الورقة البحثية، يبرز المؤلفون الاهتمام المتزايد في توقع الإشعاع الشمسي (SR)، مؤكدين على أهميته في تحسين أنظمة الطاقة المتجددة. تستعرض الورقة منهجيات مختلفة وتطورات في تقنيات التنبؤ، مع التركيز بشكل خاص على تطبيق الشبكات العصبية الاصطناعية (ANNs) لتقدير SR. لقد أظهرت ANNs قدرات تعميم قوية، مما يجعلها مناسبة للتعامل مع مجموعات البيانات المعقدة والمتغيرة التي تتسم بها نمذجة الإشعاع الشمسي. يشير المؤلفون إلى دراسات متعددة تظهر فعالية ANNs، لا سيما في البيئات الاستوائية، ودمج ميزات أرصادية إضافية لتعزيز دقة التنبؤ.
كما يقدم المؤلفون نموذج CNN-LSTM الهجين المصمم للتنبؤ قصير المدى بالإشعاع الشمسي المباشر (DNI) باستخدام بيانات أرصادية من غرداية، الجزائر. يستفيد هذا النموذج من قدرات استخراج الميزات المكانية للشبكات العصبية الالتفافية (CNNs) ونقاط القوة في تعلم تسلسل الزمن لشبكات الذاكرة طويلة وقصيرة الأمد (LSTM). يهدف الإطار المقترح إلى تحسين دقة التنبؤ من خلال التقاط الأنماط الزمنية المعقدة والاعتماديات المكانية في بيانات الإشعاع الشمسي. يتم مقارنة أداء هذا النموذج الهجين مع طرق التنبؤ التقليدية، مثل الانحدار باستخدام دعم المتجهات (SVR) والشبكات العصبية التغذوية (FFBP)، باستخدام مقاييس خطأ متنوعة لتقييم فعاليته في توقع الإشعاع الشمسي. بشكل عام، تؤكد النتائج على أهمية تقنيات التعلم الآلي المتقدمة في تعزيز دقة توقعات الإشعاع الشمسي، والتي تعتبر حاسمة لإدارة الطاقة الفعالة في الأنظمة المتجددة.
DOI: https://doi.org/10.1038/s41598-025-94239-z
PMID: https://pubmed.ncbi.nlm.nih.gov/40316622
Publication Date: 2025-05-02
Author(s): Boumediene Ladjal et al.
Primary Topic: Solar Radiation and Photovoltaics
Overview
This research paper presents a comprehensive evaluation of four Solar Radiance (SR) prediction models, focusing on their performance over short to medium-term forecasting periods. The models analyzed include Feed-forward Back Propagation (FFBP), Convolutional Feed-forward Back Propagation (CFBP), Support Vector Regression (SVR), and a hybrid deep learning model that integrates Convolutional Neural Networks (CNN) with Long Short-Term Memory networks (LSTM), referred to as CNN-LSTM. The effectiveness of these models is assessed using statistical metrics such as Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), and Normalized Root Mean Squared Error (nRMSE).
The findings indicate that the CNN-LSTM model significantly outperforms the other methods, achieving the lowest error rates (MSE = 0.0069, RMSE = 0.0833, MAE = 0.0679, MAPE = 1.18%, nRMSE = 0.0135) and a high coefficient of determination ($R^2 = 0.99925$), demonstrating exceptional accuracy in predicting SR values. Visual analytics tools corroborate the model’s robustness in capturing the complex spatial-temporal dependencies of SR data. While the SVR model performed well, it did not match the accuracy of the CNN-LSTM, and the FFBP and CFBP models showed limitations in handling temporal dynamics. The study emphasizes the potential of the CNN-LSTM model for practical applications in solar energy forecasting, particularly in regions with variable weather conditions, and suggests future research directions to enhance predictive capabilities by incorporating additional meteorological variables and exploring advanced hybrid architectures.
Methods
In this study, the methodology encompasses several key components: dataset acquisition, preprocessing techniques, model architecture, and performance evaluation. The research emphasizes the use of advanced deep learning techniques, specifically Convolutional Neural Network-Long Short-Term Memory (CNN-LSTM) models, to improve solar radiation forecasting. This approach effectively combines spatial feature extraction capabilities of CNNs with the temporal sequence learning strengths of LSTMs, thereby enhancing the accuracy of predictions.
The integration of these methodologies is critical for addressing the complexities associated with solar radiation data, which exhibit both spatial and temporal dependencies. The study systematically evaluates the performance of the proposed model, ensuring that the results contribute to the ongoing advancements in solar energy forecasting methodologies.
Results
In this section, the authors evaluate the performance of their proposed hybrid CNN-LSTM model for time series prediction, comparing it against Support Vector Regression (SVR), Cascade Feedforward Backpropagation (CFBP), and Feedforward Backpropagation (FFBP) models. The analysis begins with an examination of the correlation between solar radiation (SR) and various input meteorological variables, which is crucial for understanding the predictive capabilities of the models.
The results indicate that the hybrid CNN-LSTM model outperforms the other models in terms of predictive accuracy, as illustrated in Figure 3, which outlines the workflow for SR forecasting using machine learning techniques. The discussion highlights the strengths and weaknesses of each model, emphasizing the advantages of integrating convolutional neural networks with long short-term memory networks for enhanced time series forecasting.
Discussion
In the discussion section of the research paper, the authors highlight the growing interest in solar radiation (SR) forecasting, emphasizing its significance in optimizing renewable energy systems. The paper reviews various methodologies and advancements in forecasting techniques, particularly focusing on the application of artificial neural networks (ANNs) for SR estimation. ANNs have demonstrated strong generalization capabilities, making them suitable for handling the complex and variable datasets inherent in solar radiation modeling. The authors reference multiple studies that showcase the effectiveness of ANNs, particularly in tropical environments, and the integration of additional meteorological features to enhance forecasting accuracy.
The authors also present a hybrid CNN-LSTM model designed for short-term forecasting of direct normal irradiance (DNI) using meteorological data from Ghardaïa, Algeria. This model leverages the spatial feature extraction capabilities of convolutional neural networks (CNNs) and the temporal sequence learning strengths of long short-term memory (LSTM) networks. The proposed framework aims to improve forecasting precision by capturing intricate temporal patterns and spatial dependencies in solar irradiance data. The performance of this hybrid model is compared against traditional forecasting methods, such as support vector regression (SVR) and feedforward neural networks (FFBP), using various error metrics to evaluate its effectiveness in predicting solar radiation. Overall, the findings underscore the importance of advanced machine learning techniques in enhancing the accuracy of solar irradiance forecasts, which are crucial for effective energy management in renewable systems.