Un modelo de predicción fotovoltaica con mecanismo de atención integrado
Autores: Lei, Xiangshu
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Un modelo de predicción fotovoltaica con mecanismo de atención integrado
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Energía solar
Sistemas fotovoltaicos
Modelos de predicción
Factores ambientales
LSTM
Series temporales multivariadas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 25
Citaciones: Sin citaciones
La energía solar se ha convertido en una prometedora fuente de energía renovable, ofreciendo oportunidades significativas para los sistemas fotovoltaicos (PV). Las previsiones precisas y fiables de generación de PV son cruciales para una integración eficiente en la red y una planificación óptima del sistema. Sin embargo, la complejidad de los factores ambientales, incluidos los patrones estacionales y diarios, así como los comportamientos sociales y hábitos de los usuarios, presenta desafíos significativos. Los modelos de predicción tradicionales a menudo tienen dificultades para capturar la compleja dinámica no lineal en series temporales multivariadas, lo que conduce a una baja precisión de predicción. Para abordar este problema, este documento propone un nuevo método de predicción de la potencia de PV que considera factores como la luz, la presión atmosférica, la dirección del viento y el comportamiento social, asignándoles diferentes pesos para extraer con precisión relaciones de características no lineales. El marco integra la memoria a corto y largo plazo (LSTM) y las unidades recurrentes con compuertas (GRU) para capturar características temporales locales, mientras que la LSTM bidireccional (BiLSTM) y un mecanismo de atención extraen relaciones espacio temporales globales, capturando efectivamente características clave relacionadas con la producción histórica. Esto mejora la precisión de las predicciones a varios pasos. Para verificar la viabilidad del método para series temporales multivariadas, realizamos experimentos utilizando la predicción de la potencia de PV como escenario y comparamos los resultados con los modelos LSTM, CNN, BiLSTM, CNN-LSTM y GRU. Los resultados experimentales muestran que el método propuesto supera a estos modelos, con un error absoluto medio (MAE) de 12.133, un error cuadrático medio (RMSE) de 14.234, un error porcentual medio absoluto (MAPE) del 2.1%, y un coeficiente de determinación (R) de 0.895. Estos resultados indican la eficacia y el potencial del método en tareas de predicción de PV.
Descripción
La energía solar se ha convertido en una prometedora fuente de energía renovable, ofreciendo oportunidades significativas para los sistemas fotovoltaicos (PV). Las previsiones precisas y fiables de generación de PV son cruciales para una integración eficiente en la red y una planificación óptima del sistema. Sin embargo, la complejidad de los factores ambientales, incluidos los patrones estacionales y diarios, así como los comportamientos sociales y hábitos de los usuarios, presenta desafíos significativos. Los modelos de predicción tradicionales a menudo tienen dificultades para capturar la compleja dinámica no lineal en series temporales multivariadas, lo que conduce a una baja precisión de predicción. Para abordar este problema, este documento propone un nuevo método de predicción de la potencia de PV que considera factores como la luz, la presión atmosférica, la dirección del viento y el comportamiento social, asignándoles diferentes pesos para extraer con precisión relaciones de características no lineales. El marco integra la memoria a corto y largo plazo (LSTM) y las unidades recurrentes con compuertas (GRU) para capturar características temporales locales, mientras que la LSTM bidireccional (BiLSTM) y un mecanismo de atención extraen relaciones espacio temporales globales, capturando efectivamente características clave relacionadas con la producción histórica. Esto mejora la precisión de las predicciones a varios pasos. Para verificar la viabilidad del método para series temporales multivariadas, realizamos experimentos utilizando la predicción de la potencia de PV como escenario y comparamos los resultados con los modelos LSTM, CNN, BiLSTM, CNN-LSTM y GRU. Los resultados experimentales muestran que el método propuesto supera a estos modelos, con un error absoluto medio (MAE) de 12.133, un error cuadrático medio (RMSE) de 14.234, un error porcentual medio absoluto (MAPE) del 2.1%, y un coeficiente de determinación (R) de 0.895. Estos resultados indican la eficacia y el potencial del método en tareas de predicción de PV.