A missing-data-robust hybrid neural network for photovoltaic power forecasting using improved Golden Jackal optimization
Cet article propose un cadre de réseau neuronal hybride robuste pour la prévision de la puissance photovoltaïque qui intègre des techniques d'imputation de données exhaustives avec un optimiseur Golden Jackal amélioré afin de renforcer la précision et la fiabilité en présence de données de surveillance manquantes.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Le soleil est un partenaire fiable pour les réseaux électriques modernes, mais il est aussi un partenaire imprévisible. Les panneaux solaires ne génèrent de l'électricité que lorsque le ciel est dégagé et la lumière intense, ce qui signifie que leur production fluctue énormément au cours de la journée et change selon les saisons. Pour maintenir l'éclairage, les gestionnaires de réseau doivent savoir exactement quelle quantité de puissance sera disponible des heures ou des jours à l'avance. Cela nécessite des prévisions précises, mais le processus est souvent entravé par une réalité simple et frustrante : les données provenant des fermes solaires sont fréquemment défectueuses. Les capteurs tombent en panne, les lignes de communication se coupent et les erreurs d'enregistrement laissent des lacunes dans la chronologie. Lorsqu'un modèle informatique tentant de prédire l'avenir est alimenté par un historique truffé de trous, il apprend des schémas déformés et fait de mauvaises suppositions. Le défi pour les scientifiques n'est pas seulement de construire un meilleur prédicteur, mais d'en construire un capable d'observer un enregistrement désordonné et incomplet pour y voir encore la véritable forme de la production d'énergie de la journée.
Des chercheurs de l'Université des sciences et technologies de Harbin et de la société Guangdong Huibo Robotics Technology Co., Ltd. ont développé un nouveau système conçu spécifiquement pour gérer ce genre de chaos de données. Leurs travaux se concentrent sur une centrale solaire à Ningxia, en Chine, où ils ont été confrontés au problème courant des enregistrements manquants. Au lieu de rejeter les mauvaises données ou d'essayer de deviner les pièces manquantes avec des règles simples et rigides, ils ont créé un cadre qui répare d'abord la chronologie brisée, puis utilise un réseau de neurones sophistiqué pour prévoir la production d'énergie. L'équipe a testé quatre façons différentes de combler les chiffres manquants, allant de simples suppositions de lignes droites à des techniques complexes d'apprentissage automatique. Ils ont constaté qu'une méthode appelée imputation multiple, qui génère plusieurs versions possibles des données manquantes et les combine, était bien supérieure aux autres. Cette approche s'est avérée robuste même lorsque jusqu'à trente pour cent des données étaient manquantes, maintenant des taux d'erreur incroyablement bas par rapport aux méthodes traditionnelles qui peinaient à faire face à de tels écarts.
Une fois les données nettoyées et restaurées, les chercheurs les ont injectées dans un réseau de neurones hybride, un type d'intelligence artificielle conçu pour imiter la façon dont le cerveau humain traite les séquences d'informations. Ce réseau spécifique combine trois capacités distinctes pour comprendre les données solaires. Premièrement, il utilise un réseau de neurones convolutifs temporels pour repérer les motifs locaux, tels que la chute soudaine de puissance lorsqu'un nuage passe. Deuxièmement, il emploie une unité récurrente à porte bidirectionnelle pour examiner les données à la fois du passé et du futur, permettant de comprendre comment une tendance matinale influence une production d'après-midi. Enfin, un mécanisme d'attention agit comme un projecteur, apprenant au système à se concentrer sur les moments les plus critiques de la chronologie tout en ignorant le bruit. Pour faire fonctionner parfaitement ce système complexe, l'équipe a utilisé une version améliorée d'un algorithme d'optimisation appelé l'optimiseur de l'Éjaculateur Doré (Golden Jackal optimizer). Cet algorithme agit comme un régleur infatigable, ajustant automatiquement les paramètres internes du réseau pour trouver la configuration exacte qui minimise les erreurs de prédiction.
Les résultats de cette approche ont été testés à travers les quatre saisons, révélant un système qui s'adapte à la nature changeante de la météo. Au printemps, le nouveau modèle a réduit l'erreur de prédiction moyenne de plus de la moitié par rapport à un modèle de base standard. L'amélioration est encore plus spectaculaire en automne, où l'erreur est tombée à moins d'un quart de ce que produisait le modèle de base. Même dans les conditions difficiles de l'hiver, lorsque la lumière est faible et la météo volatile, le système a maintenu un haut niveau de précision, surpassant d'autres modèles avancés par une marge significative. Les chercheurs ont comparé leur méthode à plusieurs autres architectures de réseaux de neurones populaires, y compris celles basées sur la mémoire à long terme et les réseaux convolutifs standards. Leur système hybride a systématiquement produit les erreurs les plus faibles, prouvant que la combinaison de la réparation des données avec un moteur de prédiction spécialisé et multicouche crée un outil plus fiable pour les gestionnaires de réseau.
Ce travail démontre que la qualité d'une prévision dépend autant de la manière dont les données sont préparées que de la complexité du modèle utilisé pour les analyser. En testant rigoureusement différentes façons de corriger les informations manquantes et en appliquant ensuite une stratégie d'optimisation sur mesure, l'équipe a créé un système qui reste précis même lorsque les données d'entrée sont imparfaites. Les conclusions suggèrent que pour que l'énergie solaire soit intégrée plus profondément dans le mix énergétique mondial, les outils de prévision doivent être résilients aux lacunes inévitables de la surveillance en conditions réelles. Le cadre proposé offre une voie pratique pour l'avenir, garantissant que les gestionnaires de réseau puissent prendre des décisions confiantes concernant la distribution d'énergie, même lorsque les capteurs ne fonctionnent pas parfaitement.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.