One-Step-Ahead Solar Radiation Forecasting Using Bi-LSTM and GRU Models in Semi-Desert Climates

ABDELLATIF AIT MANSOUR; Youssef BOUTAHRI; Amine  TILIOUA

doi:10.51646/jsesd.v15iMME.424

المؤلفون

ABDELLATIF AIT MANSOUR Mechanics, Energy Efficiency and Renewable Energies Laboratory, Department of Engineering Sciences, Faculty of Sciences and Techniques Errachidia, Moulay Ismaïl University of Meknès, Morocco
Youssef BOUTAHRI Research Team in ThermalMechanics, Energy Efficiency and Renewable Energies Laboratory , Faculty of Sciences and Techniques Errachidia, Moulay Ismaïl University of Meknès, Morocco.
Amine TILIOUA Research Team in Thermal Mechanics, Energy Efficiency and Renewable Energies Laboratory , Faculty of Sciences and Techniques Errachidia, Moulay Ismaïl University of Meknès, Morocco. https://orcid.org/0000-0002-8928-9431

DOI:

https://doi.org/10.51646/jsesd.v15iMME.424

الكلمات المفتاحية:

Solar Radiation Forecasting، Solar Energy ، Time series.، Artificial Neural Networks

الملخص

أدى تزايد الطلب على الطاقة والضرورة الملحة للحد من انبعاث الغازات الدفيئة الى زيادة الإقبال على مصادر الطاقة المتجددة، ما نتج عنه ارتفاع ملحوظ في الأبحاث العلمية في مجال الاستطلاع الطاقي لأشعاع الشمس. تهدف هذه الدراسة الى استطلاع إشعاع الشمس، باستخدام شبكات عصبية عميقة (DNNs)، تشمل شبكات عصبية ثنائية الاتجاه ذات الذاكرة القصيرة والطويلة (BiLSTM)، والوحدات المغلقة المتكررة (GRU)، باستخدام قياسات لإشعاع الشمس مسجلة بتردد نصف ساعة في منطقة تتميز بمناخ شبه صحراوي على مدى سنتين ابتداءً من يناير 2020. لتقييم ومقارنة دقة النموذجيين تم استخدام مقاييس ارتياب مختلفة، بما في دلك الارتياب المربع الجذري (RMSE) ، الارتياب المطلق المتوسط (MAE) ، الارتياب القصوي(ME) ، ومعامل تحديد التباين.(R²) في هذه الدراسة تم توقع قيمة إشعاع الشمس استناداً على القيم المسجلة خلال الأربع والعشرين ساعة الاخيرة. أظهرت النتائج المحصل عليها قدرة النموذجين على توقع اشعاع الشمس بدقة استثنائية، حيت حققا معامل تحديد التباين يتجاوز97.2%، مما يشير الى إمكانية واعدة لهذين النموذجين من اجل تحسين توقع اشعاع الشمس. وبالتالي يمكن استخدامهما لتوقع كمية انتاج الطاقة في أنظمة الطاقة الشمسية. مما سيساهم في تحسين كفاءة هذه الأنظمة ويسهل التحكم العام فيها. كما كشفت الدراسة عن التحديات التي واجهت هذين النموذجين في الاستطلاع خلال طقس مغيم جزئيا.

التنزيلات

بيانات التنزيل غير متوفرة بعد.

المقاييس

يتم تحميل المقاييس...

المراجع

G.W. Hunter, D. Vettorato, G. Sagoe, “Creating smart energy cities for sustainability through project implementation: A case study of Bolzano, Italy”, Sustainability, vol. 10, no. 7, 2167, 2018.

A.N. Karakilic, A. Karafil, N. Genc, “Effects of temperature and solar irradiation on performance of monocrystalline, polycrystalline and thin-film PV panels”, International Journal on Technical and Physical Problems of Engineering, vol. 14, no. 2, 2022.

C. Ling, “A review of the recent progress in battery informatics”, npj Computational Materials, vol. 8, no. 1, 33, 2022.

A. Ameur, A. Berrada, K. Loudiyi, M. Aggour, “Forecast modeling and performance assessment of solar PV systems”, Journal of Cleaner Production, vol 267, p. 122167, 2020.

A. Alshahrani, S. Omer, Y. Su, E. Mohamed E, S. Alotaibi, “The technical challenges facing the integration of small-scale and large-scale PV systems into the grid: A critical review”, Electronics, vol. 8, no. 12, 1443, 2019.

R.E. Cabanillas, H. Munguía, “Dust accumulation effect on efficiency of Si photovoltaic modules”, Journal of Renewable and Sustainable Energy, vol. 3, no. 4, 2011.

E. Kabir, P. Kumar, S. Kumar,A.A. Adelodun, K-H Kim, “Solar energy: Potential and future prospects”, Renewable and Sustainable Energy Reviews, vol. 82, p.894–900, 2018.

IEA – International Energy Agency. IEA [Internet]. [accessed 2024 Feb 7]. https://www.iea.org

S. Badakhshan, N. Hajibandeh, M. Shafie-khah, Catalão JoãoPS, “Impact of solar energy on the integrated operation of electricity-gas grids”, Energy, vol. 183, p. 844–853, 2019.

Q. Liu, J. Zhang, X. Liu, Y. Zhang, X. Xu, M. Khosravi, M. Bilal, “Improving wireless indoor non-intrusive load disaggregation using attention-based deep learning networks”, Physical Communication. vol. 51, p. 101584, 2022.

A. Ait Mansour, A. Tilioua, M. Touzani, “Bi-LSTM, GRU and 1D-CNN models for shortterm photovoltaic panel efficiency forecasting case amorphous silicon grid-connected PV system”, Results in Engineering, vol. 21, p. 101886, 2024.

A.A. Mansour, A. Tilioua, M. Touzani, “Implementation of Artificial Intelligence Methods for Solar Energy Prediction”, In: The International Conference on Artificial Intelligence and Smart Environment, Cham: Springer International Publishing, Vol. 635, p. 518–523, 2022.

Y. Boutahri, A. Tilioua, “Artificial Intelligent-Based System for Thermal Comfort Control in Smart Building”, In: The International Conference on Artificial Intelligence and Smart Environment, Cham: Springer International Publishing, p. 240–246, 2022.

A. Gensler, J. Henze, B. Sick, N. Raabe, “Deep Learning for solar power forecasting — An approach using AutoEncoder and LSTM Neural Networks”, In: 2016 IEEE International Conference on Systems, Man, and Cybernetics (SMC), p. 002858–002865, 2016.

M. Hossain, S. Mekhilef, M. Danesh, L. Olatomiwa, S. Shamshirband, “Application of extreme learning machine for short term output power forecasting of three grid-connected PV systems”, Journal of Cleaner Production, vol. 167, p. 395–405, 2017.

I. Jebli, F-Z. Belouadha, M.I. Kabbaj, A. Tilioua, “Prediction of solar energy guided by pearson correlation using machine learning”, Energy, vol. 224, p. 120109, 2021.

E.W. Law, A.A. Prasad, M. Kay, R.A. Taylor, “Direct normal irradiance forecasting and its application to concentrated solar thermal output forecasting – A review”, Solar Energy, vol. 108, p. 287–307, 2014.

M. Neshat, M.M. Nezhad, S. Mirjalili, D.A. Garcia, E. Dahlquist, A.H. Gandomi, “Short-term solar radiation forecasting using hybrid deep residual learning and gated LSTM recurrent network with differential covariance matrix adaptation evolution strategy”, Energy, vol. 278 p. 127701, 2023.

A. Carpentieri, D. Folini, D. Nerini, S. Pulkkinen, M. Wild, A. Meyer, “Intraday probabilistic forecasts of surface solar radiation with cloud scale-dependent autoregressive advection”, Applied Energy, vol. 351, p. 121775, 2023.