💻 computer science

A Novel Hybrid VMD-TCN-BiGRU Model for Solar Irradiation Prediction Using Long-Term Monthly Meteorological Data

यह अध्ययन एक नवीन हाइब्रिड डीप लर्निंग मॉडल प्रस्तावित करता है जो वेरिएशनल मोड डिकंपोजिशन (VMD), टेम्पोरल कनवल्शनल नेटवर्क (TCN), और बायडायरेक्शनल गेटेड रिकरेंट यूनिट (BiGRU) को संयोजित करता है, जो तुर्की के नासा पावर (NASA POWER) डेटा का उपयोग करके दीर्घकालिक मासिक सौर विकिरण की भविष्यवाणी करने में नौ अन्य मशीन लर्निंग एल्गोरिदम की तुलना में काफी बेहतर प्रदर्शन करता है।

मूल लेखक: Suat Ozturk, Ahmet Emir, Halil Ibrahim Topal

प्रकाशित 2026-07-02

📖 4 मिनट में पढ़ें☕ कॉफ़ी ब्रेक में पढ़ें

CC BY 4.0

मूल लेखक: Suat Ozturk, Ahmet Emir, Halil Ibrahim Topal

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप यह सटीक भविष्यवाणी करने की कोशिश कर रहे हैं कि तुर्की के एक विशिष्ट शहर (करपिनार) में अगले कुछ दशकों तक हर महीने एक सौर पैनल पर कितनी धूप पड़ेगी। यह केवल आकाश को देखने के बारे में नहीं है; यह 40 वर्षों के मौसम के डेटा (तापमान, हवा, बारिश, आर्द्रता) का विश्लेषण करके एक आदर्श पैटर्न खोजने के बारे में है।

इस शोध पत्र के लेखकों ने इस पहेली को सुलझाने के लिए एक "सुपर-प्रिडिक्टर" बनाया है। उनका यह नया तरीका कैसे काम करता है, यहाँ सरल भाषा में समझाया गया है:

समस्या: मौसम एक अस्त-व्यस्त ऑर्केस्ट्रा है

सौर ऊर्जा का डेटा एक तूफान में बज रहे अराजक ऑर्केस्ट्रा की तरह है। मौसम, बादलों और हवा के कारण संगीत (धूप) लगातार बदलता रहता है। यदि आप एक साथ पूरे ऑर्केस्ट्रा को सुनने की कोशिश करेंगे, तो मुख्य धुन को सुनना कठिन हो जाएगा। पारंपरिक तरीके अक्सर शोर (noise) के कारण भ्रमित हो जाते हैं, जिससे भविष्यवाणियां गलत हो जाती हैं।

समाधान: एक तीन-चरणीय "सुपर-टीम"

शोधकर्ताओं ने VMD-TCN-BiGRU नामक एक हाइब्रिड मॉडल बनाया है। इसे एक तीन-सदस्यीय जासूसी टीम के रूप में समझें, जहाँ प्रत्येक सदस्य के पास एक विशेष सुपरपावर है:

डिकन्स्ट्रक्टर (VMD):
- काम: टीम द्वारा अनुमान लगाने से पहले, यह सदस्य बिखरे हुए मौसम के डेटा को लेता है और उसे छह अलग-अलग, साफ "परतों" या "ट्रैक्स" में तोड़ देता है।
- उपमा: एक स्मूदी की कल्पना करें। जब तक फल आपस में मिले हुए हों, तब तक उनके व्यक्तिगत स्वाद को पहचानना कठिन होता है। यह चरण स्ट्रॉबेरी, केले और दूध को उनके मूल रूप में अलग कर देता है ताकि उनका व्यक्तिगत रूप से अध्ययन किया जा सके। यह "शोर" को हटा देता है और सिग्नल को स्पष्ट बनाता है।
पैटर्न स्पॉटर (TCN):
- काम: यह सदस्य प्रत्येक साफ परत को देखता है और दीर्घकालिक पैटर्न ढूंढता है। यह एक इतिहासकार की तरह है जो देख सकता है कि 10 साल पहले मौसम कैसा था और उसका आज से क्या संबंध है।
- उपमा: इसे एक ऐसे जासूस के रूप में सोचें जिसकी याददाश्त बहुत लंबी है और जो डेटा में एक दोहराव वाली लय को पहचान सकता है जिसे अन्य लोग मिस कर देते हैं। यह समय में बहुत पीछे देखने के लिए "डाइलेटेड" (फैली हुई) आँखों का उपयोग करता है ताकि वह भ्रमित हुए बिना अतीत को देख सके।
टाइम ट्रैवलर (BiGRU):
- काम: यह सदस्य दोनों दिशाओं से पैटर्न को देखता है: अतीत और भविष्य।
- उपमा: अधिकांश लोग आज का अनुमान लगाने के लिए केवल कल की घटनाओं को देखते हैं। यह टीम का सदस्य कल और कल के बाद (भविष्य) दोनों को एक साथ देखता है। यह मौसम की पूरी कहानी को समझने के लिए डॉट्स को आगे और पीछे जोड़ता है, जिससे यह सुनिश्चित होता है कि कोई भी विवरण छूटे नहीं।

परिणाम: एक सटीक मिलान

टीम ने अपने "सुपर-टीम" का परीक्षण आठ अन्य प्रसिद्ध भविष्यवाणी विधियों (जैसे XGBoost, LSTM, और Decision Trees) के विरुद्ध किया। उन्होंने मॉडल को प्रशिक्षित करने के लिए 1984 से 2025 तक के डेटा का उपयोग किया।

यहाँ क्या हुआ:

स्कोर: उनके नए मॉडल को 0.9849 का स्कोर मिला (1.0 में से)। भविष्यवाणियों की दुनिया में, यह एक कठिन परीक्षा में 'A+' ग्रेड प्राप्त करने जैसा है। अन्य मॉडलों ने अच्छे ग्रेड (लगभग 0.96 या 0.97) प्राप्त किए, लेकिन नया मॉडल स्पष्ट विजेता था।
त्रुटि (Error): नए मॉडल ने बहुत कम गलतियाँ कीं। इसकी त्रुटि दर इतनी कम थी कि यह अगले सबसे अच्छे प्रतिस्पर्धी से लगभग 50% बेहतर थी।
निरंतरता: जब उन्होंने डेटा के विभिन्न हिस्सों पर मॉडल का परीक्षण किया (जैसे किसी छात्र का अलग-अलग अध्यायों पर परीक्षण करना), तो इसने हर बार बेहतरीन प्रदर्शन किया। यह मौसम के अजीब उतार-चढ़ाव या मौसमी बदलावों से भ्रमित नहीं हुआ।

यह क्यों महत्वपूर्ण है?

शोध पत्र का दावा है कि क्योंकि यह मॉडल इतना सटीक है, इसलिए यह एक अत्यधिक विश्वसनीय उपकरण है:

निवेशकों के लिए: एक सौर संयंत्र कितना ऊर्जा उत्पादन करेगा, यह सटीक रूप से जानने से लोगों को यह तय करने में मदद मिलती है कि कहाँ निर्माण करना है।
ग्रिड ऑपरेटरों के लिए: यह बिजली की आपूर्ति को प्रबंधित करने में मदद करता है ताकि मौसम बदलने पर भी लाइटें जलती रहें।

निचोड़

शोधकर्ताओं ने केवल मौसम का अनुमान लगाने का थोड़ा बेहतर तरीका नहीं खोजा; उन्होंने एक ऐसी प्रणाली बनाई है जो पहले डेटा को साफ करती है, फिर कई कोणों से इसका अध्ययन करती है, और फिर उन अंतर्दृष्टि को जोड़कर सौर ऊर्जा की लगभग पूर्ण सटीकता के साथ भविष्यवाणी करती है। यह एक क्रिस्टल बॉल से हाई-डेफिनिशन टेलीस्कोप में अपग्रेड करने जैसा है।

तकनीकी सारांश: सौर विकिरण पूर्वानुमान के लिए एक नवीन हाइब्रिड VMD-TCN-BiGRU मॉडल

समस्या विवरण
सौर ऊर्जा वैश्विक सतत ऊर्जा संक्रमण का एक महत्वपूर्ण घटक है, फिर भी सौर विकिरण (SI) की अनिश्चित प्रकृति इसके ऊर्जा प्रणालियों में एकीकरण को बाधित करती है। SI पूर्वानुमान के लिए सटीक पूर्वानुमान निवेश निर्णयों, ग्रिड स्थिरता और फोटोवोल्टिक (PV) प्रणालियों के कुशल संचालन के लिए आवश्यक है। हालांकि सौर विकिरण पूर्वानुमान के लिए विभिन्न मशीन लर्निंग (ML) और डीप लर्निंग (DL) विधियों को लागू किया गया है, मौजूदा साहित्य अक्सर शास्त्रीय मॉडलों पर निर्भर करता है या उनमें जटिल मौसम संबंधी डेटा की उच्च-क्रम की गैर-रैखिकता (nonlinearity) और गैर-स्थिरता (non-stationarity) को संभालने में सक्षम शक्तिशाली हाइब्रिड आर्किटेक्चर का अभाव है। चुनौती एक ऐसा मॉडल विकसित करने की है जो जटिल मौसम संबंधी डेटासेट से प्रभावी रूप से टेम्पोरल डिपेंडेंसी (temporal dependencies) और फ्रीक्वेंसी घटकों को निकाल सके ताकि बेहतर पूर्वानुमान सटीकता प्राप्त की जा सके।

कार्यप्रणाली
यह अध्ययन एक नवीन हाइब्रिड डीप लर्निंग फ्रेमवर्क प्रस्तावित करता है जो वेरिएशनल मोड डिकंपोजिशन (VMD), टेम्पोरल कॉन्वोल्यूशनल नेटवर्क (TCN), और बायडायरेक्शनल गेटेड रिकरेंट यूनिट्स (BiGRU) को एकीकृत करता है। इस मॉडल को नासा (NASA) पावर के दीर्घकालिक मौसम संबंधी डेटा (जनवरी 1984 – दिसंबर 2025) का उपयोग करके कार्पनार जिला, कोन्या, तुर्की के लिए मासिक सौर विकिरण (SI) की भविष्यवाणी करने के लिए लागू किया गया था।

प्रस्तावित आर्किटेक्चर चार क्रमिक चरणों के माध्यम से संचालित होता है:

डेटा प्रीप्रोसेसिंग: कच्चे SI डेटा को अचानक आने वाले स्पाइक्स और शोर के प्रभावों को कम करने के लिए लॉगरिदमिक ट्रांसफॉर्मेशन ( $x(t) = \log(1+y(t))$ ) से गुजारा जाता है, जिसके बाद इसे $[0, 1]$ रेंज में नॉर्मलाइज़ किया जाता है।
VMD-आधारित डिकंपोजिशन: प्रीप्रोसेस्ड सिग्नल को $K=6$ अद्वितीय इनट्रिन्सिक मोड फंक्शन्स (IMFs) में विघटित किया जाता है। यह चरण रैखिक और गैर-स्थिर संरचनाओं को अलग करता है, जिससे बाद की परतें विशिष्ट फ्रीक्वेंसी बैंड के भीतर अद्वितीय आवधिक पैटर्न की पहचान कर सकती हैं।
हायरार्किकल TCN-BiGRU इंजन: प्रत्येक IMF घटक को एक डीप लर्निंग ब्लॉक द्वारा समानांतर में प्रोसेस किया जाता है:
- TCN लेयर: यह विस्तारित रिसेप्टिव फील्ड के साथ दीर्घकालिक टेम्पोरल डिपेंडेंसी को कैप्चर करने के लिए डायलेटेड कॉज़ल कॉन्वोल्यूशन का उपयोग करती है, जिससे IMFs से पदानुक्रमित (hierarchical) फीचर्स निकाले जाते हैं।
- BiGRU लेयर: यह डेटा लॉस को रोकने और मानक RNNs में सामान्य रूप से होने वाली ग्रेडिएंट वैनिशिंग समस्याओं को कम करने के लिए फॉरवर्ड और बैकवर्ड दोनों दिशाओं में TCN से प्राप्त फीचर्स को प्रोसेस करती है, जिससे द्विदिशीय (bidirectional) टेम्पोरल संबंधों को कैप्चर किया जाता है।
एग्रीगेशन और रिकंस्ट्रक्शन: अंतिम सिग्नल को पुनर्गठित करने के लिए छह IMFs के पूर्वानुमानों को जोड़ा जाता है। आउटपुट को मूल इकाइयों ( $kW\cdot h/m^2/day$ ) में वापस बदलने के लिए इनवर्स लॉगरिदमिक ट्रांसफॉर्मेशन ( $\exp(x) - 1$ ) लागू किया जाता है।

बेंचमार्किंग
प्रस्तावित VMD-TCN-BiGRU मॉडल का प्रदर्शन आठ स्थापित एल्गोरिदम के विरुद्ध कड़ाई से तुलना की गई: XGBoost, लाइट ग्रेडिएंट बूस्टिंग मशीन (LGBM), कनवोल्यूशनल न्यूरल नेटवर्क (CNN), डिसीजन ट्री (DT), लॉन्ग शॉर्ट-टर्म मेमोरी (LSTM), इलास्टिक नेट (ENet), एक्सट्रीम लर्निंग मशीन (ELM), और हिस्टोग्राम-बेस्ड ग्रेडिएंट बूस्टिंग (HGB)। सभी मॉडलों को समान हाइपरपैरामीटर ऑप्टिमाइज़ेशन रणनीतियों का उपयोग करके डेटासेट के 80/20 स्प्लिट पर प्रशिक्षित किया गया था।

प्रमुख परिणाम
अध्ययन में कई मूल्यांकन मेट्रिक्स का उपयोग किया गया, जिनमें मीन स्क्वेर्ड एरर (MSE), रूट मीन स्क्वेर्ड एरर (RMSE), मीन एब्सोल्यूट एरर (MAE), मीन एब्सोल्यूट परसेंटेज एरर (MAPE), कोएफिशिएंट ऑफ डिटरमिनेशन ( $R^2$ ), और रेसिडुअल प्रेडिक्शन डेविएशन (RPD) शामिल हैं।

त्रुटि में कमी: प्रस्तावित हाइब्रिड मॉडल ने सभी नौ मॉडलों में सबसे कम त्रुटि दर प्राप्त की, जिसमें MSE 0.0593, RMSE 0.2434, MAE 0.1879, और MAPE 4.14% दर्ज किया गया।
व्याख्यात्मक शक्ति: मॉडल ने उच्चतम $R^2$ मान 0.9849 प्राप्त किया, जो दर्शाता है कि इसने सफलतापूर्वक डेटासेट की लगभग सभी परिवर्तनशीलता को मॉडल किया है।
विश्वसनीयता (RPD): मॉडल ने 8.137 का RPD मान प्राप्त किया, जो अगले सर्वश्रेष्ठ मॉडल (XGBoost @ 6.037) से काफी बेहतर है। 8.0 से ऊपर का RPD यह सुझाव देता है कि मॉडल व्यावहारिक अनुप्रयोगों के लिए अत्यधिक विश्वसनीय है।
स्थिरता और सामान्यीकरण: 10-फोल्ड क्रॉस-वैलिडेशन विश्लेषण ने पुष्टि की कि मॉडल स्थिर है, जिसमें सभी फोल्ड्स में $R^2$ मान 97.05% से 99.34% के बीच रहा, जो ओवरफिटिंग के विरुद्ध मजबूती प्रदर्शित करता है।
त्रुटि वितरण: हिस्टोग्राम और प्रोबेबिलिटी डेंसिटी विश्लेषण से पता चला कि प्रस्तावित मॉडल की त्रुटियां शून्य के आसपास सबसे अधिक केंद्रित थीं और उनका फैलाव सबसे कम था, जबकि अन्य मॉडलों में व्यापक त्रुटि टेल और अधिक विचलन देखा गया।

महत्व और दावे
लेखक दावा करते हैं कि VMD-TCN-BiGRU हाइब्रिड मॉडल सिंगल-आर्किटेक्चर मॉडलों की सीमाओं को संबोधित करके SI भविष्यवाणी में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है। अध्ययन का तर्क है कि VMD का एकीकरण शोर और जटिल सिग्नल घटकों को प्रभावी ढंग से अलग करता है, जबकि TCN-BiGRU का संयोजन स्थानीय फीचर निष्कर्षण और द्विदिशीय टेम्पोरल लर्निंग दोनों का लाभ उठाता है।

लेखक निष्कर्ष निकालते हैं कि यह हाइब्रिड दृष्टिकोण दीर्घकालिक मासिक SI पूर्वानुमान के लिए मानक ML और DL विधियों (CNN और LSTM सहित) की तुलना में उच्च सटीकता और विश्वसनीयता प्रदान करता है। वे इस मॉडल को ऊर्जा प्रबंधन, ग्रिड योजना और PV सिस्टम अनुकूलन, विशेष रूप से कार्पनार जैसे उच्च सौर क्षमता वाले क्षेत्रों के लिए एक बेहतर उपकरण के रूप में प्रस्तुत करते हैं। शोध इस बात पर प्रकाश देता है कि सिग्नल डिकंपोजिशन और द्विदिशीय डीप लर्निंग का विशिष्ट संयोजन ही रिपोर्ट की गई 98.5% सटीकता स्तर तक पहुँचने की कुंजी है। लेखकों द्वारा सुझाया गया भविष्य का कार्य विभिन्न जलवायु क्षेत्रों में मॉडल का परीक्षण करना और पवन जैसे अन्य नवीकरणीय ऊर्जा स्रोतों में इसके अनुप्रयोग की खोज करना है।

समस्या: मौसम एक अस्त-व्यस्त ऑर्केस्ट्रा है

समाधान: एक तीन-चरणीय "सुपर-टीम"

परिणाम: एक सटीक मिलान

यह क्यों महत्वपूर्ण है?

निचोड़

इसी तरह के और पेपर