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

Technische Samenvatting: Een Nieuw Hybride VMD-TCN-BiGRU Model voor het Voorspellen van Zonnestraling

Probleemstelling
Zonne-energie is een cruciaal onderdeel van de wereldwijde transitie naar duurzame energie, maar de integratie ervan in energiesystemen wordt gehinderd door de intermitterende aard van zonnestraling (SI). Nauwkeurige voorspelling van SI is essentieel voor investeringsbeslissingen, netstabiliteit en de efficiënte exploitatie van fotovoltaïsche (PV) systemen. Hoewel diverse machine learning (ML) en deep learning (DL) methoden zijn toegepast voor SI-voorspelling, leunt de bestaande literatuur vaak op klassieke modellen of mist het krachtige hybride architecturen die in staat zijn om de hoogwaardige niet-lineariteit en niet-stationariteit te verwerken die inherent zijn aan langetermijn meteorologische data. De uitdaging blijft het ontwikkelen van een model dat effectief temporele afhankelijkheden en frequentiecomponenten kan extraheren uit complexe weerdatasets om een superieure voorspellingsnauwkeurigheid te bereiken.

Methodologie
Deze studie stelt een nieuw hybride deep learning framework voor dat Variational Mode Decomposition (VMD), Temporal Convolutional Networks (TCN) en Bidirectional Gated Recurrent Units (BiGRU) integreert. Het model werd toegepast om de maandelijkse SI voor het district Karapınar in Konya, Turkije, te voorspellen, gebruikmakend van langdurige meteorologische data (januari 1984 – december 2025) afkomstig van NASA POWER.

De voorgestelde architectuur werkt via vier opeenvolgende stadia:

1. Data Preprocessing: Ruwe SI-data ondergaat een logaritmische transformatie ($x(t) = \log(1+y(t))$) om de effecten van plotselinge pieken en ruis te verzachten, gevolgd door normalisatie naar het bereik $[0, 1]$.
2. VMD-gebaseerde Decompositie: Het voorbewerkte signaal wordt gedecomposeerd in $K=6$ unieke Intrinsic Mode Functions (IMFs). Deze stap isoleert lineaire en niet-stationaire structuren, waardoor opeenvolgende lagen unieke periodieke patronen binnen specifieke frequentiebanden kunnen identificeren.
3. Hiërarchische TCN-BiGRU Engine: Elk IMF-component wordt parallel verwerkt door een deep learning blok:
   • TCN-laag: Maakt gebruik van gedilateerde causale convoluties om langetermijn temporele afhankelijkheden te vangen met een uitgebreid receptief veld, waardoor hiërarchische kenmerken uit de IMFs worden geëxtraheerd.
   • BiGRU-laag: Verwerkt de kenmerken van de TCN in zowel voorwaartse als achterwaartse richting om bidirectionele temporele relaties te vangen, wat gegevensverlies voorkomt en de problemen van verdwijnende gradiënten (gradient vanishing) die gebruikelijk zijn bij standaard RNN's, mitigeert.
4. Aggregatie en Reconstructie: De voorspellingen voor elk van de zes IMFs worden opgeteld om het uiteindelijke signaal te reconstrueren. Een inverse logaritmische transformatie ($\exp(x) - 1$) wordt toegepast om de output terug te converteren naar de oorspronkelijke eenheden ($kW\cdot h/m^2/dag$).

Benchmarking
De prestaties van het voorgestelde VMD-TCN-BiGRU model werden rigoureus vergeleken met acht gevestigde algoritmen: XGBoost, Light Gradient Boosting Machine (LGBM), Convolutioneel Neuraal Netwerk (CNN), Decision Tree (DT), Long Short-Term Memory (LSTM), Elastic Net (ENet), Extreme Learning Machine (ELM) en Histogram-Based Gradient Boosting (HGB). Alle modellen werden getraind op een 80/20 split van de dataset met identieke hyperparameter optimalisatiestrategieën.

Belangrijkste Resultaten
De studie maakte gebruik van meerdere evaluatiemetrieken, waaronder Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), Coefficient of Determination ($R^2$) en Residual Prediction Deviation (RPD).

• Foutreductie: Het voorgestelde hybride model behaalde de laagste foutpercentages onder alle negen modellen, met een MSE van 0,0593, RMSE van 0,2434, MAE van 0,1879 en MAPE van 4,14%.
• Verklarende Kracht: Het model bereikte de hoogste $R^2$-waarde van 0,9849, wat aangeeft dat het bijna alle variabiliteit in de dataset succesvol heeft gemodelleerd.
• Betrouwbaarheid (RPD): Het model behaalde een RPD-waarde van 8,137, waarmee het het op één na beste model (XGBoost met 6,037) aanzienlijk overtrof. Een RPD boven de 8,0 suggereert dat het model zeer betrouwbaar is voor praktische toepassingen.
• Stabiliteit en Generalisatie: Een 10-voudige cross-validatie analyse bevestigde de stabiliteit van het model, met $R^2$-waarden variërend van 97,05% tot 99,34% over de folds, wat de robuustheid tegen overfitting aantoont.
• Foutverdeling: Histogram- en waarschijnlijkheidsdichtheidsanalyses toonden aan dat de fouten van het voorgestelde model het meest geconcentreerd waren rond nul met de minste dispersie, terwijl andere modellen bredere fout-staarten en grotere afwijkingen vertoonden.

Betekenis en Claims
De auteurs beweren dat het VMD-TCN-BiGRU hybride model een significante vooruitgang vormt in SI-voorspelling door de beperkingen van single-architectuur modellen aan te pakken. De studie stelt dat de integratie van VMD effectief ruis en complexe signaalcomponenten scheidt, terwijl de TCN-BiGRU combinatie zowel lokale kenmerkextractie als bidirectioneel temporeel leren benut.

De paper concludeert dat deze hybride aanpak een hogere nauwkeurigheid en betrouwbaarheid biedt dan standaard ML en DL methoden (inclusen CNN's en LSTM's) voor langetermijn maandelijkse SI-voorspelling. De auteurs positioneren het model als een superieur instrument voor energiemanagement, netplanning en PV-systeemoptimalisatie, met name in regio's met een hoog zonnepotentieel zoals Karapınar. Het onderzoek benadrukt dat de specifieke combinatie van signaaldecompositie en bidirectioneel deep learning de sleutel is tot het bereiken van het gerapporteerde nauwkeurigheidsniveau van 98,5%. Toekomstig werk gesuggereerd door de auteurs omvat het testen van het model in verschillende klimatologische zones en het verkennen van de toepassing op andere hernieuwbare energiebronnen zoals wind.