Система непрямого прогнозирования вырабатываемой электроэнергии массивом солнечных панелей на основе модифицированной нечеткой нейросети
Автор: Энгель Е.А., Энгель Н.Е.
Журнал: Журнал Сибирского федерального университета. Серия: Техника и технологии @technologies-sfu
Рубрика: Информационно-коммуникационные технологии
Статья в выпуске: 6 т.16, 2023 года.
Бесплатный доступ
Интеллектуальные системы прогнозирования вырабатываемой электроэнергии массивом солнечных панелей повышают эффективность солнечной электростанции и, таким образом, актуальны в соответствии с пунктом 20А Стратегии научно-технологического развития РФ. Вырабатываемая массивом солнечных панелей электроэнергия имеет сложную нелинейную динамику с неопределенностями, обусловленными изменением облачности. В связи с этим идентифицировать систему прогнозирования вырабатываемой электроэнергии массивом солнечных панелей классическими методами с заданной точностью нельзя, в то время как нейросети обеспечивают требуемую точность. Системы прогнозирования вырабатываемой электроэнергии массивом солнечных панелей на основе нейросетей в сравнении с традиционными методами обеспечивают требуемую точность прогноза, способствуя безопасному и эффективному управлению электрическими сетями, интегрирующими солнечные электростанции. В условиях неопределенности на основе модифицированной нечеткой нейросети, обеспечивающей средствами рекуррентных нейронов и механизма внимания эффективное формирование и передачу скрытого представления информации как сигнала выходного слоя скрытых рекуррентных нейронов глубоких нейросетей, на основе выходов которых алгоритмом нечетко-возможностной свертки генерируется прогнозируемое значение вырабатываемой электроэнергии массивом солнечных панелей. Модифицированная нечеткая нейросеть эффективно выделяет на основе архивных данных существенные функциональные аспекты прогнозирования вырабатываемой электроэнергии массивом солнечных панелей, включая аспекты идентификации облачности часа. Полученные результаты экспериментального моделирования системы прогнозирования на сутки вперед вырабатываемой электроэнергии массивом солнечных панелей на основе модифицированной нечеткой нейросети демонстрируют ее робастность и снижение среднеквадратичной ошибки прогноза в среднем в три и шесть раз в сравнении с рекуррентными нейросетями и стандартной моделью авторегрессии скользящего среднего в условиях неопределенности.
Прогнозирование вырабатываемой электроэнергии массивом солнечных панелей, рекуррентные нейросети, механизм внимания, модифицированная нечеткая нейросеть
Короткий адрес: https://sciup.org/146282721
IDR: 146282721
Список литературы Система непрямого прогнозирования вырабатываемой электроэнергии массивом солнечных панелей на основе модифицированной нечеткой нейросети
- Большие вызовы и приоритеты научно-технологического развития [Электронный ресурс] - Режим доступа: https://xn - mlagf.xn - plai/challenges-priorities/ - Заглавие с экрана [Great challenges and priorities of scientific and technological development [Electronic resource] -Access: https://xn - m1agf.xn - p1ai/challenges-priorities/
- Wu Y. K. Completed Review of Various Solar Power Forecasting Techniques Considering Different Viewpoints. Energies, 2022, 15, 332.
- Das U. K. Forecasting of photovoltaic power generation and model optimization: A review. Renew. Sustain. Energy Rev, 2018, 81, 912-928.
- Liu L. Forecasting Power Output of Photovoltaic System Using A BP Network. Energy Procedia, 2017, 142, 80-786.
- Vishnu S. Forecasting Solar PV Output Using Convolutional Neural Networks with a Sliding Window Algorithm. Energies, 2020, 13, 723.
- Omar M. Day-ahead forecasting for photovoltaic power using artificial neural networks ensembles. In Proceedings of the 2016 IEEE International Conference on Renewable Energy Research and Applications, Piscatavai: Institute of Electrical and Electronics Engineers (IEEE), 2016, 1152-1157.
- Pombo D. V. Increasing the Accuracy of Hourly Multi-Output Solar Power Forecast with Physics-Informed Machine Learning. Sensors, 2022, 22, 749.
- Ahn H.K., Park N. Deep RNN-Based Photovoltaic Power Short-Term Forecast Using Power IoT Sensors. Energies, 2021, 14, 436.
- Wang Y. Adaptive Solar Power Forecasting based on Machine Learning Methods. Appl. Sci, 2018, 8, 2224.
- Durrani S. P. Photovoltaic yield prediction using an irradiance forecast model based on multiple neural networks. J. Mod. Power Syst. Clean Energy, 2018, 6, 255-267.
- Wang Y. Short-term load forecasting with multi-source data using gated recurrent unit neural networks, Energies, 2018, 11, 1138.
- Pan C. Very Short-Term Solar Generation Forecasting Based on LSTM with Temporal Attention Mechanism. IEEE 5th International Conference on Computer and Communications (ICCC), 2019, 267-271.
- Akhter M. N. An Hour-Ahead PV Power Forecasting Method Based on an RNN-LSTM Model for Three Different PV Plants. Energies, 2022, 15, 33.
- Xing Luo, Dongxiao Zhang, Xu Zhu. Combining transfer learning and constrained long short-term memory for power generation forecasting of newly-constructed photovoltaic plants. Renewable Energy, 2022, 185, 1062-1077.
- Zjavka L. PV power intra-day predictions using PDE models of polynomial networks based on operational calculus. IETRenew. Power Gener, 2020, 14, 1405-1412.
- Zhen Z. Deep learning based surface irradiance mapping model for solar PV power forecasting using sky image. IEEE Trans. Ind. Appl., 2020, 56, 3385-3396.
- Abdel-Nasser M., Mahmoud K. Accurate photovoltaic power forecasting models using deep LSTM-RNN. Neural Comput. Appl,, 2019, 31, 2727-2740.
- Zhang J. Deep photovoltaic nowcasting. Sol. Energy, 2018, 176, 267-276.
- Akhter M. N. Review on forecasting of photovoltaic power generation based on machine learning and metaheuristic techniques. IETRenew. Power Gener, 2019, 13, 1009-1023.
- Zjavka L., Snasel V. PV Energy Prediction in 24 h Horizon Using Modular Models Based on Polynomial Conversion of the L-Transform PDE Derivatives in Node-by-Node-Evolved Binary-Tree Networks. Eng. Proc., 2022, 18, 34.
- Engel E., Engel N. A Review on Machine Learning Applications for Solar Plants. Sensors, 2022, 22, 9060.
- Derrick Nguyen, Bernard Widrow Improving the learning speed of 2-layer neural networks by choosing initial values of the adaptive weights. Proceedings of the International Joint Conference on Neural Networks, 1990, 3, 21-26.
- Модуль модифицированной нечеткой нейронной сети. М.: РОСПАТЕНТ, 2021. Свидетельство о регистрации программы для ЭВМ 2021681065 [Module of modified fuzzy neural network. M.: ROSPATENT, 2021. Certificate of software registration 2021681065].
