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

Sintesi Tecnica: Un Nuovo Modello Ibrido VMD-TCN-BiGRU per la Predizione dell'Irradiazione Solare

Problematica
L'energia solare è una componente critica per la transizione globale verso l'energia sostenibile, tuttavia la sua integrazione nei sistemi energetici è ostacolata dalla natura intermittente dell'irradiazione solare (SI). La previsione accurata della SI è essenziale per le decisioni di investimento, la stabilità della rete e il funzionamento efficiente dei sistemi fotovoltaici (PV). Sebbene siano stati applicati vari metodi di machine learning (ML) e deep learning (DL) alla predizione della SI, la letteratura esistente spesso si basa su modelli classici o manca di potenti architetture ibride capaci di gestire l'alta non-linearità e la non-stazionarietà intrinseche nei dati meteorologici a lungo termine. La sfida rimane quella di sviluppare un modello che possa estrarre efficacementamente le dipendenze temporali e le componenti di frequenza da complessi set di dati meteorologici per ottenere una precisione predittiva superiore.

Metodologia
Questo studio propone un nuovo framework di deep learning ibrido che integra la Decomposizione Modale Variazionale (VMD), le Reti Convoluzionali Temporali (TCN) e le Unità Ricorrenti Gated Bidirezionali (BiGRU). Il modello è stato applicato per predire la SI mensile per il distretto di Karapınar a Konya, Turchia, utilizzando dati meteorologici a lungo termine (gennaio 1984 – dicembre 2025) estratti da NASA POWER.

L'architettura proposta opera attraverso quattro fasi sequenziali:

1. Pre-elaborazione dei Dati: I dati SI grezzi subiscono una trasformazione logaritmica ($x(t) = \log(1+y(t))$) per mitigare gli effetti di picchi improvvisi e rumore, seguita da una normalizzazione nell'intervallo $[0, 1]$.
2. Decomposizione basata su VMD: Il segnale pre-elaborato viene decomposto in $K=6$ Funzioni di Modo Intrinseco (IMF) uniche. Questo passaggio isola le strutture lineari e non stazionarie, permettendo ai livelli successivi di identificare pattern periodici unici all'interno di specifiche bande di frequenza.
3. Motore Gerarchico TCN-BiGRU: Ogni componente IMF è elaborata in parallelo da un blocco di deep learning:
   • Livello TCN: Utilizza convoluzioni causali dilatate per catturare dipendenze temporali a lungo termine con un campo recettivo espanso, estraendo caratteristiche gerarchiche dalle IMF.
   • Livello BiGRU: Elabora le caratteristiche provenienti dalla TCN in entrambe le direzioni (avanti e indietro) per catturare relazioni temporali bidirezionali, prevenendo la perdita di dati e mitigando i problemi di svanimento del gradiente comuni nelle normali RNN.
4. Aggregazione e Ricostruzione: Le predizioni per ciascuna delle sei IMF vengono sommate per ricostruire il segnale finale. Viene applicata una trasformazione logaritmica inversa ($\exp(x) - 1$) per riconvertire l'output nelle unità originali ($kW\cdot h/m^2/giorno$).

Benchmarking
Le prestazioni del modello proposto VMD-TCN-BiGRU sono state rigorosamente confrontate con otto algoritmi consolidati: XGBoost, Light Gradient Boosting Machine (LGBM), Rete Neurale Convoluzionale (CNN), Decision Tree (DT), Long Short-Term Memory (LSTM), Elastic Net (ENet), Extreme Learning Machine (ELM) e Histogram-Based Gradient Boosting (HGB). Tutti i modelli sono stati addestrati su una suddivisione dell'8est 80/20 del dataset utilizzando identiche strategie di ottimizzazione degli iperparametri.

Risultati Chiave
Lo studio ha utilizzato molteplici metriche di valutazione, tra cui Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), Coefficiente di Determinazione ($R^2$) e Residual Prediction Deviation (RPD).

• Riduzione dell'Errore: Il modello ibrido proposto ha ottenuto i tassi di errore più bassi tra tutti i nove modelli, con un MSE di 0,0593, un RMSE di 0,2434, un MAE di 0,1879 e un MAPE del 4,14%.
• Potere Esplicativo: Il modello ha raggiunto il valore di $R^2$ più elevato di 0,9849, indicando che ha modellato con successo quasi tutta la variabilità del dataset.
• Affidabilità (RPD): Il modello ha ottenuto un valore di RPD di 8,137, superando significativamente il secondo miglior modello (XGBoost a 6,037). Un RPD superiore a 8,0 suggerisce che il modello è altamente affidabile per applicazioni pratiche.
• Stabilità e Generalizzazione: Un'analisi di cross-validazione a 10 pieghe (10-fold cross-validation) ha confermato la stabilità del modello, con valori di $R^2$ compresi tra il 97,05% e il 99,34% tra le diverse pieghe, dimostrando robustezza contro l'overfitting.
• Distribuzione dell'Errore: Le analisi dell'istogramma e della densità di probabilità hanno rivelato che gli errori del modello proposto erano più concentrati attorno allo zero con la minore dispersione, mentre gli altri modelli esibivano code di errore più ampie e una maggiore deviazione.

Significato e Rivendicazioni
Gli autori sostengono che il modello ibrido VMD-TCN-BiGRU rappresenti un progresso significativo nella predizione della SI affrontando i limiti dei modelli a singola architettura. Lo studio afferma che l'integrazione di VMD separa efficacementamente il rumore e le componenti di segnale complesse, mentre la combinazione TCN-BiGRU sfrutta sia l'estrazione di caratteristiche locali che l'apprendimento temporale bidirezionale.

Il documento conclude che questo approccio ibrido offre un'accuratezza e un'affidabilità superiori rispetto ai metodi standard di ML e DL (inclusi CNN e LSTM) per la previsione della SI mensile a lungo termine. Gli autori posizionano il modello come uno strumento superiore per la gestione dell'energia, la pianificazione della rete e l'ottimizzazione dei sistemi PV, particolarmente in regioni con alto potenziale solare come Karapınar. La ricerca evidenzia che la specifica combinazione di decomposizione del segnale e deep learning bidirezionale è la chiave per raggiungere il livello di accuratezza riportato del 98,5%. Il lavoro futuro suggerito dagli autori include il test del modello in diverse zone climatiche ed esplorare la sua applicazione ad altre fonti di energia rinnovabile come l'eolico.