A missing-data-robust hybrid neural network for photovoltaic power forecasting using improved Golden Jackal optimization
Dit artikel stelt een robuust hybride neuraal netwerkframework voor de voorspelling van fotovoltaïsche energie voor, dat uitgebreide datanimputatietechnieken integreert met een verbeterde Golden Jackal-optimizer om de nauwkeurigheid en betrouwbaarheid te vergroten in aanwezigheid van ontbrekende monitoringsgegevens.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
De zon is een betrouwbare partner voor moderne elektriciteitsnetten, maar het is ook een onvoorspelbare partner. Zonnepanelen wekken alleen elektriciteit op wanneer de lucht helder is en het licht sterk is, wat betekent dat hun output gedurende de dag wild fluctueert en verandert met de seizoenen. Om het licht aan te houden, moeten netbeheerders precies weten hoeveel vermogen er uren of dagen van tevoren beschikbaar zal zijn. Dit vereist nauwkeurige voorspellingen, maar het proces wordt vaak gehinderd door een eenvoudige, frustrerende realiteit: de gegevens die afkomstig zijn van de zonneparken zijn regelmatig defect. Sensoren falen, communicatielijnen vallen weg en registatiefouten laten gaten achter in de tijdlijn. Wanneer een computermodel dat de toekomst probeert te voorspellen, wordt gevoed met een geschiedenis vol gaten, leert het vertekende patronen en maakt het slechte gokken. De uitdaging voor wetenschappers is niet alleen om een betere voorspeller te bouwen, maar om er een te bouwen die naar een rommelig, incompleet verslag kan kijken en toch de ware vorm van de energieproductie van de dag kan zien.
Onderzoekers van de Harbin University of Science and Technology en Guangdong Huibo Robotics Technology Co., Ltd. hebben een nieuw systeem ontwikkeld dat specifiek is ontworpen om met dit soort datachaos om te gaan. Hun werk richt zich op een zonnepark in Ningxia, China, waar zij tegen het algemene probleem van ontbrekende records aanliepen. In plaats van de slechte gegevens weg te gooien of te proberen de ontbrekende stukjes in te vullen met eenvoudige, rigide regels, creëerden zij een framework dat eerst de defecte tijdlijn herstelt en vervolgens een geavanceerd neuraal netwerk gebruikt om de vermogensoutput te voorspellen. Het team testte vier verschillende manieren om de ontbrekende getallen in te vullen, variërend van eenvoudige rechte lijn-gokken tot complexe technieken van machine learning. Zij ontdekten dat een methode genaamd multiple imputation, die verschillende mogele versies van de ontbrekende gegevens genereert en deze combineert, veel superieur was aan de andere. Deze aanpak bleek robuust, zelfs wanneer tot dertig procent van de gegevens ontbrak, waarbij de foutmarges ongelooflijk laag bleven in vergelijking met traditionele methoden die moeite hadden om met dergelijke grote hiaten om te gaan.
Zodra de gegevens waren schoongemaakt en hersteld, voedden de onderzoekers deze aan een hybride neuraal netwerk, een type kunstmatige intelligentie dat is ontworpen om de manier na te bootsen waarop het menselijk brein sequenties van informatie verwerkt. Dit specifieke netwerk combineert drie onderscheidende capaciteiten om de zonnegegevens te begrijpen. Ten eerste gebruikt het een temporal convolutional network om lokale patronen te herkennen, zoals de plotselinge daling in vermogen wanneer een wolk voorbijtrekt. Ten tweede maakt het gebruik van een bidirectional gated recurrent unit om de gegevens zowel vanuit het verleden als vanuit de toekomst te bekijken, waardoor het kan begrijpen hoe een ochtendtrend de output in de middag beïnvloedt. Ten slotte werkt een aandachtsmechanisme (attention mechanism) als een spotlight, die het systeem leert om zich te concentreren op de meest kritieke momenten in de tijdlijn terwijl de ruis wordt genegeerd. Om dit complexe systeem perfect te laten werken, gebruikte het team een verbeterde versie van een optimalisatiealgoritme genaamd de Golden Jackal optimizer. Dit algoritme fungeert als een onvermoeibare tuner die de interne instellingen van het netwerk automatisch aanpast om de exacte configuratie te vinden die de voorspellingsfouten minimaliseert.
De resultaten van deze aanpak werden gedurende alle vier de seizoenen getest, wat een systeem onthulde dat zich aanpast aan de veranderende aard van het weer. In de lente verminderde het nieuwe model de gemiddelde voorspellingsfout met meer dan de helft in vergelijking met een standaard baseline-model. De verbetering was nog dramatischer in de herfst, waar de fout daalde tot minder dan een kwart van wat het baseline-model produceerde. Zelfs onder de harde omstandigheden van de winter, wanneer het zonlicht zwak is en het weer volatiel is, behield het systeem een hoog niveau van nauwkeurigheid en presteerde het aanzienlijk beter dan andere geavanceerde modellen. De onderzoekers vergeleken hun methode met verschillende andere populaire neurale netwerkarchitecturen, inclusief die gebaseerd op long short-term memory en standaard convolutionele netwerken. Hun hybride systeem produceerde consequent de laagste fouten, wat bewees dat het combineren van datareparatie met een gespecialiseerde, meerlaagse voorspellingsmotor een betrouwbaarder instrument creëert voor netbeheerders.
Dit werk toont aan dat de kwaliteit van een voorspelling evenzeer afhangt van hoe goed de gegevens worden voorbereid als van de complexiteit van het model dat wordt gebruikt om de gegevens te analyseren. Door verschillende manieren om ontbrekende informatie te herstellen rigoureus te testen en vervolgens een op maat gemaakte optimalisatiestrategie toe te passen, heeft het team een systeem gecreëerd dat nauwkeurig blijft, zelfs wanneer de invoergegevens imperfect zijn. De bevindingen suggereren dat voor een diepere integratie van zonne-energie in de wereldwijde energiemix, voorspellingsinstrumenten veerkrachtig moeten zijn tegen de onvermijdelijke hiaten in de real-world monitoring. Het voorgestelde framework biedt een praktisch pad voorwaarts, waardoor netbeheerders vertrouwen kunnen hebben bij het nemen van beslissingen over energieverdeling, zelfs wanneer de sensoren niet perfect werken.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.