Innovative Deep-Learning Modell zur ultra-kurzfristigen PV-Leistungsprognose inspiriert von Dung Beetles

Neuartige Deep-Learning-Methode zur ultra-kurzfristigen PV-Leistungsprognose inspiriert von Mistkäfern

Veröffentlicht am: 30. Oktober 2024 | Autor: Lior Kahana

In der heutigen Zeit gewinnen erneuerbare Energien zunehmend an Bedeutung, insbesondere Photovoltaik (PV). Um die Effizienz von PV-Anlagen zu maximieren, spielt die präzise Vorhersage der Stromerzeugung eine entscheidende Rolle. Forscher der Hubei University of Technology in China haben eine innovative Deep-Learning-Methode entwickelt, die auf den Verhaltensweisen von Mistkäfern basiert, um ultra-kurzfristige PV-Leistungsprognosen zu erstellen. Diese neue Methode übertrifft in Tests sieben herkömmliche Prognoseverfahren über einen Zeitraum von einem Jahr.

Was ist die DBO-SATCN-BiLSTM-Methode?

Die neue Technik kombiniert selbstaufmerksame zeitliche Convolutional Networks (SATCN), bidirektionale Long Short-Term Memory-Netzwerke (BiLSTM) und einen Optimierungsansatz, der auf den Navigationsfähigkeiten von Mistkäfern basiert – genannt Dung Beetle Optimization (DBO). Die Wissenschaftler erklären, dass traditionelle Prognosemethoden für die PV-Leistung in mehreren Aspekten Defizite aufweisen. Insbesondere sind meta-heuristische Lernmethoden oft komplex und zeitaufwändig in der Schulung, da sie häufig auf empirischen Parametereinstellungen basieren.

Das DBO-SATCN-BiLSTM-Modell adressiert diese Herausforderungen durch die Kombination moderner Analysemethoden mit einer Optimierungsstrategie, die sich an der Natur orientiert. Mistkäfer verwenden Gerüche und die Position von Sonne oder Mond, um ihren Weg zu finden – ein Prinzip, das auch hier Anwendung findet.

Technische Details des Modells

Das Modell besteht aus mehreren Schichten: einer Eingabeschicht, drei Schichten von SATCN-Residualblöcken und zwei Schichten von BiLSTM, abgeschlossen durch eine vollständig verbundene Schicht. Die SATCN-Struktur ist optimiert, um zeitliche Merkmale aus den PV-Leistungsdaten zu extrahieren, während BiLSTM die zeitliche Korrelation zwischen vorwärts und rückwärts liegenden Merkmalen erfasst.

Das DBO-Element innerhalb des Modells optimiert die Hyperparameter des hybriden SATCN-BiLSTM-Modells. Diese Hyperparameter sind externe Konfigurationen, die LEITEN, wie das Modell funktioniert, im Gegensatz zu den während des Trainings gelernten Parametern.

Ergebnisse und Leistungsfähigkeit

Das Modell wurde mit einem Jahr an Daten von einem 30-MW-PV-Kraftwerk in der Provinz Shaanxi trainiert und getestet. Die Daten wurden alle 15 Minuten erfasst und umfassten Parameter wie Temperatur, Luftfeuchtigkeit, Luftdruck und Sonneneinstrahlung. Das Modell musste die Leistung für die nächsten 15 Minuten sowie mehrstufige Vorhersagen über 45 Minuten hinweg prognostizieren.

Die Leistung des DBO-SATCN-BiLSTM wurde mit sieben Referenzmodellen verglichen, darunter Convolutional Neural Networks (CNN) und verschiedene Hybride. Für die Einzelvorhersage (15 Minuten) erzielte das DBO-SATCN-BiLSTM eine Wurzelmittelquadratabweichung (RMSE) von 0,357, was eine signifikante Verbesserung von 33,1% im Vergleich zu CNN darstellt. Bei der mehrstufigen (3-Stufen-)Vorhersage hat das Modell mit einem RMSE von 0,437 ebenfalls beeindruckende Ergebnisse gezeigt.

Fazit

Diese bahnbrechende Forschung bietet nicht nur eine effektive Lösung zur Verbesserung der Vorhersagegenauigkeit im Bereich der Photovoltaik, sondern zeigt auch, wie tierisches Verhalten als Inspirationsquelle für technische Innovationen dienen kann. Die optimale Vorhersage von PV-Leistung ist entscheidend, um die Effizienz von erneuerbaren Energien weiter zu steigern und die Integration solcher Systeme in unser Energiesystem zu unterstützen.

Die Ergebnisse dieser Studie wurden in der Fachzeitschrift iScience veröffentlicht und markieren einen bedeutenden Fortschritt im Bereich der Energieprognosen.

Lesen Sie mehr über die Studie hier.

Bleiben Sie auf dem Laufenden über die neuesten Entwicklungen in der Photovoltaik-Technologie und folgen Sie uns auf unseren sozialen Medien!