DOI: https://doi.org/10.1038/s41598-025-95118-3
PMID: https://pubmed.ncbi.nlm.nih.gov/40155655
تاريخ النشر: 2025-03-28
المؤلف: Yuvaraj Mariappan وآخرون
الموضوع الرئيسي: الإشعاع الشمسي والطاقة الشمسية
نظرة عامة
تقدم هذه الدراسة نموذج تعلم عميق هجين، يدمج الشبكات العصبية التلافيفية (CNN) وشبكات الذاكرة القصيرة والطويلة المكدسة (SLSTM)، يهدف إلى توقع متوسط الإشعاع الأفقي العالمي اليومي (GHI). يستفيد النموذج من المعلمات الجوية في الوقت الحقيقي وبيانات الإشعاع الشمسي التاريخية، معالجًا الطبيعة العشوائية الكامنة في توقع الطاقة الشمسية. تشمل المنهجيات الرئيسية اختيار 14 ميزة هامة من خلال إزالة الميزات المتكررة، وتحسين المعلمات الفائقة عبر خوارزمية تحسين العفن الطحلبي، وتقييم صارم باستخدام التحقق المتقاطع بعشر طيات. أظهر نموذج CNN-SLSTM أداءً تنبؤيًا متفوقًا، محققًا خطأ متوسط مربع (MSE) قدره 0.0359، ومعامل تحديد ($R^2$) قدره 0.9790، و$R^2$ المعدل قدره 0.9789، متفوقًا على نماذج التعلم الآلي والتعلم العميق المختلفة.
في الختام، لا يعزز نموذج CNN-SLSTM المحسن دقة التنبؤ من خلال تقنيات هندسة الميزات المتقدمة وتقنيات معالجة البيانات، مثل استبدال القيم المتوسطة والترميز الأحادي، فحسب، بل يظهر أيضًا معدل خطأ منخفض مع خطأ متوسط الجذر التربيعي (RMSE) قدره 0.1895 وخطأ متوسط النسبة المطلقة (MAPE) قدره 3.6344%. تشير النتائج إلى أن هذا النهج الهجين يحسن بشكل كبير توقع GHI مقارنة بالنماذج المتطورة الحالية. تشمل اتجاهات البحث المستقبلية تطوير نماذج تجميعية لتوقعات توليد الطاقة الشمسية وطاقة الرياح واستخدام بيانات من مواقع متعددة لتعزيز قدرات توقع GHI بشكل أكبر.
الطرق
تحدد قسم “الطرق” تصميم التجربة والمواد المستخدمة في الدراسة. استخدم الباحثون نهجًا منهجيًا لجمع البيانات، مما يضمن موثوقية وصدق نتائجهم. تم تفصيل منهجيات محددة، بما في ذلك تقنيات أخذ العينات، وإجراءات جمع البيانات، والأدوات التحليلية، لتسهيل إعادة الإنتاج.
بالإضافة إلى ذلك، تم اختيار المواد المستخدمة في التجارب بعناية لتتوافق مع أهداف البحث. شمل ذلك كل من المواد الفيزيائية وأي برامج أو أدوات حسابية ضرورية لتحليل البيانات. يبرز القسم الالتزام بالإرشادات والمعايير الأخلاقية طوال عملية البحث، مما يبرز الصرامة والنزاهة في المنهجية المستخدمة.
النتائج
يقدم قسم النتائج تصورًا مفصلًا لنتائج توقع الإشعاع الشمسي، مع التأكيد على فعالية نموذج CNN-SLSTM المطور. توضح مخطط الانتشار العلاقة بين القيم الفعلية والمتوقعة للإشعاع الأفقي العالمي (GHI)، مع تمثيل السيناريو المثالي بواسطة الخط $y = x$، مما يدل على توقعات مثالية. تكشف التحليلات عن وجود ارتباط قوي بين القيم الفعلية والمتوقعة، خاصة بالنسبة لنموذج CNN-SLSTM، الذي يظهر انحرافًا ضئيلًا عن القيم الفعلية لـ GHI مقارنةً بالنماذج الأخرى مثل GRU وLSTM وCNN-LSTM وSLSTM.
تشير النتائج إلى أن نموذج CNN-SLSTM يتفوق على خوارزميات الانحدار الأخرى في التعلم الآلي من حيث الدقة لتوقعات متوسط الإشعاع الشمسي العالمي اليومي. يُعزى هذا الأداء المتفوق إلى المعلمات الفائقة المحسنة للنموذج والمزايا الكامنة في بنية LSTM المكدسة، التي تقدم قابلية التوسع والصلابة والقدرة على التكيف في معالجة البيانات. بشكل عام، تؤكد النتائج على إمكانيات نموذج CNN-SLSTM في توقع الإشعاع الشمسي بدقة.
المناقشة
تستخدم الدراسة مجموعة بيانات من حديقة كارور الشمسية في تاميل نادو، الهند، لتوقع متوسط الإشعاع الشمسي العالمي اليومي (GHI). تقع حديقة الطاقة الشمسية في مناخ حار وشبه جاف، وتتميز بسعة 10 ميجاوات مع حوالي 33,000 لوحة شمسية. تشمل البيانات المجمعة من أبريل 2019 إلى سبتمبر 2021 معلمات جوية متنوعة، مثل درجة الحرارة المحيطة، وسرعة الرياح، والرطوبة، والتي تعتبر حاسمة لتوقعات GHI الدقيقة. تستخدم البحث نموذج تعلم عميق هجين يجمع بين الشبكات العصبية التلافيفية (CNN) وشبكات الذاكرة القصيرة والطويلة المكدسة (SLSTM)، المحسنة باستخدام خوارزمية تحسين العفن الطحلبي (SMO).
يتم تقييم أداء النموذج مقابل عدة خوارزميات انحدار في التعلم الآلي، بما في ذلك آلات الدعم الناقل (SVM) وأشجار القرار (DT) والغابات العشوائية (RF). تشير النتائج إلى أن نموذج CNN-SLSTM يتفوق على جميع النماذج الأخرى، محققًا قيمة R² المعدلة قدرها 0.9789 وخطأ متوسط مربع (MSE) قدره 0.0359، مما يدل على فعاليته في توقع الإشعاع الشمسي. بالإضافة إلى ذلك، حدد اختيار الميزات من خلال إزالة الميزات المتكررة (RFE) المتنبئين الرئيسيين، مع كشف تحليل SHAP أن متوسط الإشعاع الشمسي يؤثر بشكل كبير على مخرجات النموذج. بشكل عام، تسلط الدراسة الضوء على إمكانيات تقنيات التعلم العميق في تعزيز دقة توقعات الطاقة الشمسية.
DOI: https://doi.org/10.1038/s41598-025-95118-3
PMID: https://pubmed.ncbi.nlm.nih.gov/40155655
Publication Date: 2025-03-28
Author(s): Yuvaraj Mariappan et al.
Primary Topic: Solar Radiation and Photovoltaics
Overview
This study presents a hybrid deep learning model, integrating Convolutional Neural Networks (CNN) and Stacked Long Short-Term Memory (SLSTM) networks, aimed at predicting daily average global horizontal irradiance (GHI). The model leverages real-time meteorological parameters and historical solar irradiance data, addressing the inherent stochastic nature of solar energy prediction. Key methodologies include the selection of 14 significant features through recursive feature elimination, hyperparameter optimization via the Slime Mould Optimization algorithm, and rigorous evaluation using tenfold cross-validation. The CNN-SLSTM model demonstrated superior predictive performance, achieving a Mean Squared Error (MSE) of 0.0359, a coefficient of determination ($R^2$) of 0.9790, and an adjusted $R^2$ of 0.9789, outperforming various machine learning and deep learning models.
In conclusion, the optimized CNN-SLSTM model not only enhances predictive accuracy through advanced feature engineering and data preprocessing techniques, such as median imputation and one-hot encoding, but also exhibits a low error rate with a Root Mean Squared Error (RMSE) of 0.1895 and a Mean Absolute Percentage Error (MAPE) of 3.6344%. The findings indicate that this hybrid approach significantly improves GHI prediction compared to existing state-of-the-art models. Future research directions include developing ensemble models for solar and wind power generation predictions and utilizing data from multiple sites to further enhance GHI forecasting capabilities.
Methods
The “Methods” section outlines the experimental design and materials utilized in the study. The researchers employed a systematic approach to gather data, ensuring the reliability and validity of their findings. Specific methodologies, including sampling techniques, data collection procedures, and analytical tools, were detailed to facilitate reproducibility.
Additionally, the materials used in the experiments were carefully selected to align with the research objectives. This included both physical materials and any software or computational tools necessary for data analysis. The section emphasizes adherence to ethical guidelines and standards throughout the research process, underscoring the rigor and integrity of the methodology employed.
Results
The results section presents a detailed visualization of solar irradiance prediction outcomes, emphasizing the effectiveness of the developed CNN-SLSTM model. A scatter plot illustrates the relationship between actual and predicted Global Horizontal Irradiance (GHI) values, with the ideal scenario represented by the line $y = x$, indicating perfect predictions. The analysis reveals a strong correlation between actual and predicted values, particularly for the CNN-SLSTM model, which demonstrates minimal deviation from the actual GHI values compared to other models such as GRU, LSTM, CNN-LSTM, and SLSTM.
The findings indicate that the CNN-SLSTM model outperforms the other machine learning regression algorithms in terms of accuracy for daily average global solar irradiance predictions. This superior performance is attributed to the model’s optimized hyperparameters and the inherent advantages of stacked LSTM architecture, which offers scalability, robustness, and adaptability in processing the data. Overall, the results underscore the potential of the CNN-SLSTM model for accurate solar irradiance forecasting.
Discussion
The study utilizes a dataset from the Karur Solar Park in Tamil Nadu, India, to predict daily average global solar irradiation (GHI). The solar park, situated in a hot and semi-arid climate, features a 10 MW capacity with approximately 33,000 solar panels. Data collected from April 2019 to September 2021 includes various meteorological parameters, such as ambient temperature, wind speed, and humidity, which are crucial for accurate GHI predictions. The research employs a hybrid deep learning model combining Convolutional Neural Networks (CNN) and Stacked Long Short-Term Memory (SLSTM) networks, optimized using the Slime Mould Optimization (SMO) algorithm.
The model’s performance is evaluated against several machine learning regressors, including Support Vector Machines (SVM), Decision Trees (DT), and Random Forests (RF). Results indicate that the CNN-SLSTM model outperforms all other models, achieving an adjusted R² value of 0.9789 and a mean squared error (MSE) of 0.0359, demonstrating its effectiveness in predicting solar irradiance. Additionally, feature selection through Recursive Feature Elimination (RFE) identified key predictors, with SHAP analysis revealing that average solar irradiance significantly impacts model output. Overall, the study highlights the potential of deep learning techniques in enhancing solar energy forecasting accuracy.