الباحثون المشاركون

التخصص: الهندسة الكهربائية

التخصص الدقيق: مقادير الطاقة الشمسية

المستخلص: يمكن أن يساعد الإشعاع الأفقي العالمي المتوقع (GHI) في التصميم والتحجيم والأداء تحليل الأنظمة الكهروضوئية بما في ذلك أنظمة ضخ المياه الكهروضوئية المستخدمة في تطبيقات الري. في هذا البحث ، نماذج مختلفة للشبكات العصبية العميقة (DNN) للتنبؤ بيوم واحد قبل GHI في حائل المدينة (المملكة العربية السعودية) تم تطويرها والتحقيق فيها. تشتمل نماذج DNN المدروسة على ذاكرة طويلة المدى (LSTM) ، ثنائية الاتجاه- LSTM (BiLSTM) ، وحدة بوابات متكررة (GRU) ، ثنائية الاتجاه- GRU (Bi-GRU) ، الشبكة العصبية التلافيفية أحادية البعد (CNN1D) والتكوينات الهجينة الأخرى مثل مثل CNN-LSTM و CNN-BiLSTM. مجموعة بيانات لتسجيلات GHI اليومية التي تم جمعها خلال 1 يناير 2000 إلى 30 يونيو 2020 من الإدارة الوطنية للملاحة الجوية والفضاء (ناسا) في منطقة قاحلة (حائل ، السعودية Arabia) لتطوير ومقارنة النماذج المبنية على DNN أعلاه. المعلمات التي تؤثر على الدقة تم أيضًا تحليل النماذج بعمق. تم استخدام القيم التاريخية فقط من GHI اليومي للبناء النماذج المستندة إلى DNN بينما معلمات الطقس الإضافية مثل درجة حرارة الهواء وسرعة الرياح والرياح الاتجاه والضغط الجوي والرطوبة النسبية لم تؤخذ في الاعتبار في هذا العمل. مكتبة Keras و تم استخدام لغة Python لتطوير ومقارنة نماذج التنبؤ GHI. مقاييس التقييم مثل معامل الارتباط (r) ، متوسط ​​الخطأ المطلق (MAPE) ، متوسط ​​الخطأ المطلق (MAE) ، يتم اختيار دالة التوزيع التراكمي (CDF) والانحراف المعياري (σ) لتقييم الأداء من نماذج التنبؤ. أظهرت النتائج التي تم الحصول عليها أن نماذج DNN قدمت جيدًا على مستوى العالم الأداء بحد أقصى تم الوصول إليه بقيمة r = 96٪ ، للتنبؤ اليومي بـ GHI

Abstract: Forecasted global horizontal irradiation (GHI) can help for designing, sizing and performances analysis of photovoltaic (PV) systems including water PV pumping systems used for irrigation applications. In this paper, various deep neural networks (DNN) models for one day-ahead prediction of GHI at Hail city (Saudi Arabia) are developed and investigated. The considered DNN models include long-shortterm memory (LSTM), bidirectional-LSTM (BiLSTM), gated recurrent unit (GRU), bidirectional-GRU (Bi-GRU), one-dimensional convolutional neural network (CNN 1D ) and other hybrid configurations such as CNN-LSTM and CNN-BiLSTM. A dataset of daily GHI recordings collected during January 1, 2000 to June 30, 2020 from National Aeronautics and Space Administration (NASA) at an arid location (Hail, Saudi Arabia) is used to develop and compare the above DNN-based models. The parameters affecting the accuracy of the models have been also deeply analyzed. Only historical values of daily GHI have been used to build the DNN-based models whereas additional weather parameters such as air temperature, wind speed, wind direction, atmospheric pressure and relative humidity are not considered in this work. Keras library and Python language have been used to develop and compare the GHI forecasting models. The evaluation metrics such as correlation coefficient (r), Mean Absolute Percent Error (MAPE), Mean Absolute Error (MAE), cumulative distribution function (CDF) and standard deviation (σ) are opted to evaluate the performance of the prediction models. The obtained results showed that the DNN models have provided globally good performances with a maximum reached value of r = 96%, for daily GHI forecasting.

الحالة: محكم ومنشور

جهة التحكيم: IEEE ACCESS Journal

دار النشر: EEE-INST ELECTRICAL ELECTRONICS ENGINEERS INC , 445 HOES LANE, PISCATAWAY, USA, NJ, 08855-4141

سنة النشر: 0