- Tytuł:
-
A hybrid deep learning framework for modeling the short term global horizontal irradiance prediction of a solar power plant in India
Hybrydowa struktura głębokiego uczenia do modelowania krótkoterminowych prognoz globalnego natężenia napromienienia poziomego elektrowni słonecznej w Indiach - Autorzy:
-
Rajaprasad, S. V. S.
Mukkamala, Rambabu - Powiązania:
- https://bibliotekanauki.pl/articles/27312530.pdf
- Data publikacji:
- 2023
- Wydawca:
- Polska Akademia Nauk. Instytut Gospodarki Surowcami Mineralnymi i Energią PAN
- Tematy:
-
global horizontal irradiance
energy
deep neural networks
hybrid model
globalne natężenie napromienienia poziomego
energia
głębokie sieci neuronowe
model hybrydowy - Opis:
-
The rapid development of grid integration of solar energy in developing countries like India has created vital concerns such as fluctuations and interruptions affecting grid operations. Improving the consistency and accuracy of solar energy forecasts can increase the reliability of the power grid. Although solar energy is available in abundance around the world, it is viewed as an unpredictable source due to uncertain fluctuations in climate conditions. Global horizontal irradiance (GHI) prediction is critical to efficiently manage and forecast the power output of solar power plants. However, developing an accurate GHI forecasting model is challenging due to the variability of weather conditions over time. This research aims to develop and compare univariate LSTM models capable of predicting GHI in a solar power plant in India over the short term. The present study introduces a deep neural network-based (DNN) hybrid model with a combination of convolutional neural network bi-directional long short-term memory (CNN BiLSTM) to predict the one minute interval GHI of a solar power plant located in the southern region of India. The model’s effectiveness was tested using data for the month of January 2023. In addition, the results of the hybrid model were compared to the long short-term memory (LSTM) and BiLSTM deep-learning (DL) models. It has been observed that the proposed hybrid model framework is more accurate compared to the LSTM and BiLSTM architectures. Finally, a GHI prediction tool was developed to understand the trend of the results.
Szybki rozwój integracji energii słonecznej z siecią elektroenergetyczną w krajach rozwijających się, takich jak Indie, wywołał istotne obawy, m.in. związane z wahaniami i przerwami wpływającymi na działanie sieci. Poprawa spójności i dokładności prognoz dotyczących energii słonecznej może zwiększyć niezawodność sieci energetycznej. Chociaż energia słoneczna jest dostępna w dużych ilościach na całym świecie, jest ona postrzegana jako nieprzewidywalne źródło ze względu na niepewne wahania warunków klimatycznych. Prognozowanie globalnego natężenia napromienienia horyzontalnego (GHI) ma kluczowe znaczenie dla efektywnego zarządzania i prognozowania mocy elektrowni słonecznych. Jednak opracowanie dokładnego modelu prognozowania GHI jest trudne ze względu na zmienność warunków pogodowych w czasie. Badania te mają na celu opracowanie i porównanie modeli LSTM zdolnych do przewidywania GHI w elektrowni słonecznej w Indiach w krótkim czasie. W niniejszym badaniu wprowadzono hybrydowy model oparty na głębokiej sieci neuronowej (DNN) z kombinacją dwukierunkowej konwolucyjnej sieci neuronowej z długą pamięcią krótkotrwałą (CNN BiLSTM) w celu przewidywania jednominutowych interwałów GHI elektrowni słonecznej zlokalizowanej w południowym regionie Indii. Skuteczność modelu została przetestowana przy użyciu danych za styczeń 2023 roku. Ponadto wyniki modelu hybrydowego porównano z modelami uczenia głębokiego (DL) z długą pamięcią krótkotrwałą (LSTM) i BiLSTM. Zaobserwowano, że proponowany model hybrydowy jest dokładniejszy w porównaniu do architektur LSTM i BiLSTM. Ostatecznie opracowano narzędzie do przewidywania GHI, aby zrozumieć trend wyników. - Źródło:
-
Polityka Energetyczna; 2023, 26, 3; 101--116
1429-6675 - Pojawia się w:
- Polityka Energetyczna
- Dostawca treści:
- Biblioteka Nauki
Artykuł