- Ghimire, Sujan
- Bhandari, Binayak
- Casillas Pérez, David|||0000-0002-5721-1242
- Deo, Ravinesh C.
- Salcedo Sanz, Sancho|||0000-0002-4048-1676
Este estudio propone un nuevo modelo híbrido de aprendizaje profundo (DL), llamado CSVR, para realizar la predicción de radiación solar global (GSR) mediante la integración de una red neuronal convolucional (CNN) y una máquina de vectores soporte para regresión (SVR). Primero, se utiliza un algoritmo basado en una red Convolucional (CNN) para extraer patrones locales, así como características comunes que ocurren recurrentemente en datos de series de tiempo en diferentes intervalos. Posteriormente, se aplica un algoritmo de SVR para reemplazar las capas de CNN completamente conectadas, y predecir así los datos de series de tiempo GSR diarios en seis parques solares en Queensland, Australia. Para desarrollar el modelo híbrido CSVR, se han considerado considerado las variables meteorológicas más adecuadas de la base de datos de modelos climáticos globales, e información científica para propietarios de tierras en Australia. De esta manera, a partir de un conjunto de variables de modelos climáticos globales y observaciones terrestres, se seleccionan las características óptimas a través de un algoritmo metaheurístico para selección de características. Los hiperparámetros del modelo CSVR propuesto se optimizan mediante el método HyperOpt, y el rendimiento general del algoritmo propuesto se ha comparado con ocho métodos de DL alternativos y algunos de los otros métodos de aprendizaje automático (LSTM, DBN, RBF, BRF, MARS, WKNNR, GPML y M5TREE). Los resultados obtenidos muestran que el modelo CSVR propuesto puede ofrecer varias ventajas predictivas sobre los modelos DL alternativos, así como sobre los modelos ML convencionales. Específicamente, observamos que el modelo CSVR registró un error cuadrático medio/error absoluto medio que oscila entre 2,172?3,305 MJ m2/1,624?2,370 MJ m2 en los seis parques solares probados en comparación con 2,514?3,879 MJ m2/1,939?2,866 MJ m2 de los algoritmos ML y DL alternativos. En consonancia con este error obtenido, la correlación entre el GSR medido y el previsto, incluidos los coeficientes de Willmott & Nash-Sutcliffe así como el índice de Legates & McCabe, fue relativamente mayor para el modelo CSVR propuesto en comparación con otros métodos de aprendizaje automático y de DL para todos los sitios de estudio. En consecuencia, este estudio muestra el buen funcionamiento del modelo CSVR para proporcionar una alternativa viable en la predicción de la GSR en la explotación de energía solar, la demanda de energía u otras aplicaciones basadas en pronósticos de tipo meteorológico., This study proposes a new hybrid deep learning (DL) model, the called CSVR, for Global Solar Radiation (GSR) predictions by integrating Convolutional Neural Network (CNN) with Support Vector Regression (SVR) approach. First, the CNN algorithm is used to extract local patterns as well as common features that occur recurrently in time series data at different intervals. Then, the SVR is subsequently adopted to replace the fully connected CNN layers to predict the daily GSR time series data at six solar farms in Queensland, Australia. To develop the hybrid CSVR model, we adopt the most pertinent meteorological variables from Global Climate Model and Scientific Information for Landowners database. From a pool of Global Climate Models variables and ground-based observations, the optimal features are selected through a metaheuristic Feature Selection algorithm, an Atom Search Optimization method. The hyperparameters of the proposed CSVR are optimized by mean of the HyperOpt method, and the overall performance of the objective algorithm is benchmarked against eight alternative DL methods, and some of the other Machine Learning approaches (LSTM, DBN, RBF, BRF, MARS, WKNNR, GPML and M5TREE) methods. The results obtained shows that the proposed CSVR model can offer several predictive advantages over the alternative DL models, as well as the conventional ML models. Specifically, we note that the CSVR model recorded a root mean square error/mean absolute error ranging between
2.172–3.305 MJ m2/1.624–2.370 MJ m2 over the six tested solar farms compared to
2.514–3.879 MJ m2/1.939–2.866 MJ m2 from alternative ML and DL algorithms. Consistent with this predicted error, the correlation between the measured and the predicted GSR, including the Willmott’s, Nash-Sutcliffe’s coefficient and Legates & McCabe’s Index was relatively higher for the proposed CSVR model compared to other DL and Machine Learning methods for all of the study sites. Accordingly, this study advocates the merits of CSVR model to provide a viable alternative to accurately predict GSR for renewable energy exploitation, energy demand or other forecasting-based applications., Agencia Estatal de Investigación