Оптимизация объединения нейронных сетей для прогнозирования фотоэлектрической энергии

Целью является проведение исследований в области прогнозирования выработки солнечных электростанций. В качестве объекта исследования предложена ансамблевая нейросетевая прогнозная модель ADWM на основе взвешенных нейронных сетей: сети долгой краткосрочной памяти LSTM, рекуррентной нейронной сети RNN и полносвязной нейронной сети DNN. При этом для поиска оптимальных весов использован метод безусловной оптимизации Нелдера-Мида для получения лучшей предсказательной эффективности прогнозной модели. С целью валидации предложенной прогнозной модели использованы реальные данные о выработке солнечных электростанций на основе фотоэлектрических панелей и метеорологические данные из Австралии за период – один год. Для имитации условий неустойчивой низкой инсоляции использована аугментация данных, добавление шума к набору данных. Анализ прогнозных моделей на реальных временных рядах показал, что в разные сезоны как данные выработки, так и наиболее значимые признаки существенно различаются. Установлено, что точность прогнозирования разных нейросетевых моделей в различные сезоны может существенно варьироваться. Результаты прогнозирования показывают, что предложенная комплексная модель имеет более высокую точность прогнозирования, чем отдельные модели в экстремальных погодных условиях. Для проверки надежности предложенной модели использовано скользящее окно для извлечения доверительного интервала и метод Bootstrap для расчета доверительного интервала. Таким образом, экспериментальным путем установлено, что точность и надежность прогнозирования комплексированной прогнозной нейросетевой модели ADWM выше, чем у традиционных нейросетевых моделей. Проведенные исследования позволят более эффективно использовать углеродно-нейтральные источники фотоэлектрической энергии и планировать работу энергосистем с распределенной генерацией.

1. Qazi A., Hussain F., Rahim N.A.B.D., Hardaker G., Alghazzawi D, Shaban K., et al. Towards sustainable energy: a systematic review of renewable energy sources, technologies, and public opinions // IEEE Access. 2019. Vol. 7. P. 63837– 63851. https://doi.org/10.1109/ACCESS.2019.2906402.

2. Hassan Q., Algburi S., Sameen A.Z., Salman H.M., Jaszczur M. A review of hybrid renewable energy systems: solar and wind-powered solutions: challenges, opportunities, and policy implications // Results in Engineering. 2023. Vol. 20. P. 101621. https://doi.org/10.1016/j.rineng.2023.101621.

3. Said D. Intelligent photovoltaic power forecasting methods for a sustainable electricity market of smart micro-grid // IEEE Communications Magazine. 2021. Vol. 59. Iss. 7. P. 122–128. https://doi.org/10.1109/MCOM.001.2001140.

4. Li Qing, Zhang Xinyan, Ma Tianjiao, Jiao Chunlei, Wang Heng, Hu Wei. A multi-step ahead photovoltaic power prediction model based on similar day, enhanced colliding bodies optimization, variational mode decomposition, and deep extreme learning machine // Energy. 2021. Vol. 224. Р. 120094. https://doi.org/10.1016/j.energy.2021.120094.

5. Wang Kejun, Qi Xiaoxia, Liu Hongda. A comparison of day-ahead photovoltaic power forecasting models based on deep learning neural network // Applied Energy. 2019. Vol. 251. Р. 113315. https://doi.org/10.1016/j.apenergy.2019.113315.

6. Mayer M.J., Gróf G. Extensive comparison of physical models for photovoltaic power forecasting // Applied Energy. 2021. Vol. 283. Р. 116239. https://doi.org/10.1016/j.apenergy.2020.116239.

7. De Giorgi M.G., Congedo P.M., Malvoni M. Photovoltaic power forecasting using statistical methods: impact of weather data // IET Science, Measurement & Technology. 2014. Vol. 8. P. 90–97. https://doi.org/10.1049/iet-smt.2013.0135.

8. Markovics D., Mayer M.J. Comparison of machine learning methods for photovoltaic power forecasting based on numerical weather prediction // Renewable and Sustainable Energy Reviews. 2022. Vol. 161. Р. 112364. https://doi.org/10.1016/j.rser.2022.112364.

9. Liu Ling, Liu Fang, Zheng Yuling. A novel ultra-short-term PV power forecasting method based on DBN-based TakagiSugeno fuzzy model // Energies. 2021. Vol. 14. Iss. 20. Р. 6447. https://doi.org/10.3390/en14206447.

10. Tai Bin, Yu Lei, Huang Yangjue, Wang Jinfeng, Wang Yin, Zhu Yuanzhe, et al. Power prediction of photovoltaic power generation based on LSTM model with additive attention mechanism // 7th International Conference on Smart Grid and Smart Cities (Lanzhou, 22–24 September 2023). Lanzhou, 2023. P. 474–480. https://doi.org/10.1109/ICGSC59580.2023.10319231.

11. Wang X., Zhou X., Xing J., Yang J. A prediction method of PV output power based on the combination of improved grey back propagation neural network // Journal of Solar Energy. 2021. Vol. 7. P. 81–87. https://doi.org/10.7667/PSPC151675.

12. Liu Fang, Li Ranran, Li Yong, Yan Ruifeng, Saha Tapan. Takagi–Sugeno fuzzy model‐based approach considering multiple weather factors for the photovoltaic power short‐term forecasting // IET Renewable Power Generation. 2017. Vol. 11. P. 1281–1287. https://doi.org/10.1049/iet-rpg.2016.1036.

13. Hossain M.S., Mahmood Н. Short-term photovoltaic power forecasting using an LSTM neural network and synthetic weather forecast // IEEE Access. 2020. Vol. 8. P. 172524–172533. https://doi.org/10.1109/ACCESS.2020.3024901.

14. Dolara A., Grimaccia F., Leva S., Mussetta M., Ogliari E. Comparison of training approaches for photovoltaic forecasts by means of machine learning // Applied Sciences. 2018. Vol. 8. Iss. 2. P. 228. https://doi.org/10.3390/app8020228.

15. Ozaki Yо., Yano M., Onishi M. Effective hyperparameter optimization using Nelder-Mead method in deep learning // IPSJ Transactions on Computer Vision and Applications. 2017. Vol. 9. Iss. 20. P. 1–12. https://doi.org/10.1186/s41074-017-0030-7.

16. Sherstinsky А. Fundamentals of recurrent neural network (RNN) and long short-term memory (LSTM) network // Physica D: Nonlinear Phenomena. 2020. Vol. 404. Р. 132306. https://doi.org/10.1016/j.physd.2019.132306.

17. Muhuri P.S., Chatterjee P., Yuan Xiaohong, Roy K., Esterline А. Using a long short-term memory recurrent neural network (LSTM-RNN) to classify network attacks // Information. 2020. Vol. 11. Iss. 5. P. 243. https://doi.org/10.3390/info11050243.

18. Lee Donghun, Kim Kwanho. Recurrent neural network-based hourly prediction of photovoltaic power output using meteorological information // Energies. 2019. Vol. 12. Iss. 2. P. 215. https://doi.org/10.3390/en12020215.

19. Vivas E., Allende-Cid H., Salas R. A systematic review of statistical and machine learning methods for electrical power forecasting with reported mape score // Entropy. 2020. Vol. 22. Iss. 12. P. 1412. https://doi.org/10.3390/e22121412.

20. Al-Dahidi S., Ayadi O., Alrbai M., Adeeb J. Ensemble approach of optimized artificial neural networks for solar photovoltaic power prediction // IEEE Access. 2019. Vol. 7. P. 81741–81758. https://doi.org/10.1109/ACCESS.2019.2923905.