ПРИМЕНЕНИЕ МЕТОДОВ ГЛУБОКОГО ОБУЧЕНИЯ ДЛЯ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ МОЩНОСТИ СОЛНЕЧНЫХ ФОТОЭЛЕКТРИЧЕСКИХ СТАНЦИЙ
DOI:
https://doi.org/10.52167/1609-1817-2025-138-3-330-343Ключевые слова:
солнечная фотоэлектрическая электроэнергия, краткосрочное прогнозирование, глубокое обучение, LSTM, MLPАннотация
Солнечная энергия играет важную роль в производстве чистой электроэнергии и может стать основой для интеллектуальных электрических сетей будущего. Однако его волатильность и зависимость от погоды создают проблемы для стабильной работы электрических сетей и управления ими. Чтобы свести к минимуму влияние нестабильной генерации солнечной энергии на электрические сети, необходимо разработать конкретные методы краткосрочного прогнозирования мощности фотоэлектрических установок. Основное внимание в статье уделяется методу краткосрочного прогнозирования мощности фотоэлектрических электростанций с использованием методов глубокого обучения, в частности долговременной сети с кратковременной памятью (LSTM), оцениваемой по её способности прогнозировать данные о солнечной энергии. Производительность сети LSTM сравнивается с многослойным персептроном (MLP) по показателям средней абсолютной ошибки (MAE), средней абсолютной ошибки в процентах (MAPE), среднеквадратичной ошибки (RMSE) и коэффициента детерминации (R2). Результаты исследования показывают, что LSTM сеть предоставляет наиболее точные прогнозы для различных типов дней, что позволяет обеспечивать более эффективную эксплуатацию фотоэлектрических станций. Таким образом, сочетание глубокого обучения и энергоэффективности представляется имеющим значительные перспективы для продвижения энергетической устойчивости и цифровизации электроэнергетического сектора.
Библиографические ссылки
[1] Anderson, D., & Leach, M. (2004). Harvesting and redistributing renewable energy: On the role of gas and electricity grids to overcome intermittency through the generation and storage of hydrogen// Energy Policy.-2004.-Vol. 32(14), 1603-1614. DOI 10.1016/S0301-4215(03)00131-9
[2] Rojat, T., Puget, R., Filliat, D., Del Ser, J., Gelin, R., & Díaz-Rodríguez, N. (2021). Explainable artificial intelligence (XAI) on TimeSeries data: A survey. arXiv: 2104.00950. DOI 10.48550/arXiv.2104.00950
[3] Briganti, G., & Le Moine, O. Artificial intelligence in medicine: Today and tomorrow. //Frontiers in Medicine.-2020. - Vol.7 (27). - P. 509744. DOI 10.3389/fmed.2020.00027
[4] Franco, M.A.; Groesser, S.N. A Systematic Literature Review of the Solar Photovoltaic Value Chain for a Circular Economy. Sustainability 2021, 13, 9615. https://doi.org/10.3390/su13179615 .
[5] Alzubaidi, L., Zhang, J., Humaidi, A. J., Al-Dujaili, A., Duan, Y., Al-Shamma, O., Santamaría, J., Fadhel, M. A., Al-Amidie, M., & Farhan, L. (2021). Review of deep learning: Concepts, CNN architectures, challenges, applications, and future directions. Journal of Big Data, 8(1), 1-74. https://doi.org/10.1186/s40537-021-00444-8
[6] Hochreiter, S. (1998). The vanishing gradient problem during learning recurrent neural nets and problem solutions. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 6(2), 107-116. https://doi.org/10.1142/S0218488598000094
[7] Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735-1780. Available: https://deeplearning.cs.cmu.edu/pdfs/Hochreiter97-lstm.pdf https://doi.org/10.1162/neco.1997.9.8.1735
[8] Persson, C., Bacher, P., Shiga, T., & Madsen, H. (2017). Multi-site solar power forecasting using gradient boosted regression trees. Solar Energy, 150, 423-436. https://doi.org/10.1016/j.solener.2017.04.066.
[9] Tang, N., Mao, S., Wang, Y., & Nelms, R. (2018). Solar power generation forecasting with a lasso-based approach. IEEE Internet of Things Journal, 5, 1090-1099. https://doi.org/10.1109/JIOT.2018.2812155.
[10] Wang, Y., Shen, Y., Mao, S., Chen, X., & Zou, H. (2018). Lasso and lstm integrated temporal model for short term solar intensity forecasting. IEEE Internet of Things Journal, 6(2), 2933-2944. https://doi.org/10.1109/JIOT.2018.2877510.
[11] Gensler, A., Henze, J., Sick, B., & Raabe, N. (2016). Deep learning for solar power forecasting-an approach using autoencoder and lstm neural networks. In 2016 IEEE International Conference on Systems, Man, and Cybernetics (SMC) (pp. 2858-2865). IEEE. https://doi.org/10.1109/SMC.2016.7844673.
[12] Hsu, D. (2017). Time series forecasting based on augmented long short-term memory. arXiv preprint arXiv:1707.00666. https://doi.org/10.48550/arXiv.1707.00666.
[13] De, V., Teo, T., Woo, W., & Logenthiran, T. (2018). Photovoltaic power forecasting using lstm on limited dataset. In 2018 IEEE Innovative Smart Grid Technologies-Asia (ISGT Asia) (pp. 710-715). IEEE. https://doi.org/10.1109/ISGT-Asia.2018.8467934.
[14] Wang, Y., Liao, W., & Chang, Y. (2018). Gated recurrent unit network-based short-term photovoltaic forecasting. Energies, 11(8), 2163-2177. https://doi.org/10.3390/en11082163.
[15] Anitescu, C., Atroshchenko, E., Alajlan, N., & Rabczuk, T. (2019). Artificial neural network methods for the solution of second order boundary value problems. Computers and Materials Continua, 59(1), 345-359. https://doi.org/10.32604/cmc.2019.06641.
[16] Guo, H., Zhuang, X., & Rabczuk, T. (2019). A deep collocation method for the bending analysis of Kirchhoff plate. Computers and Materials Continua, 59(2), 433-456. https://doi.org/10.32604/cmc.2019.06660 .
[17] Sobri, S., Koohi-Kamali, S., & Rahim, N. A. (2018). Solar photovoltaic generation forecasting methods: A review. Energy Conversion and Management, 156, 459-497. https://doi.org/10.1016/j.enconman.2017.11.019.
[18] Yang, D., Kleissl, J., Gueymard, C. A., Pedro, H. T., & Coimbra, C. F. (2018). History and trends in solar irradiance and pv power forecasting: A preliminary assessment and review using text mining. Solar Energy, 168, 60-101. https://doi.org/10.1016/j.solener.2017.11.023.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2025 Guldana Taganova
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
