Novel hybrid modeling approach for enhanced photovoltaic power forecasting

Abstract

Возобновляемые энергетические ресурсы становятся все более важными для устойчивого производства энергии, но точное прогнозирование их выработки остается сложной задачей из-за нестабильных данных и колеблющихся экологических условий. В этом исследовании представлен новый гибридный модельный подход, сочетающий вариационную модальную декомпозицию с передовыми методами прогнозирования для повышения точности и надежности прогнозов солнечной энергетики. Оценка данных от двух подключенных к сети солнечных электростанций в Алжире показала значительные улучшения по сравнению с традиционными методами, включая Long Short-Term Memory, 1D-Convolutional Neural Network и Gated Recurrent Unit. Ключевые результаты показали значительное сокращение корня из средней квадратичной ошибки до 89,39 %, что подчеркивает эффективность предложенного подхода

Renewable energy resources are increasingly important for sustainable power generation, but accurately forecasting their production remains challenging due to non-stationary data and fluctuating environmental conditions. This study presents a novel hybrid model combining Variational Mode Decomposition with advanced forecasting techniques to improve the precision and reliability of photovoltaic power predictions. By evaluating data from two grid-connected photovoltaic power plants in Algeria, the model demonstrates significant improvements over traditional methods, including Long Short-Term Memory, 1D-Convolutional Neural Network, and Gated Recurrent Unit. Key results show a substantial reduction in Root Mean Square Error by up to 89.39%, highlighting the effectiveness of the proposed approach