複雑な環境条件下での太陽光発電の予測のためのハイブリッドのTimeGAN-xLSTM-トランスフォーマーフレームワーク

科学分野:

• 再生可能エネルギーシステム
• エネルギーにおける人工知能
• タイムシリーズの予測

背景:

• 光伏 (PV) 発電の予測は,PVエネルギーの統合が増加しているため,非常に重要です.
• 伝統的な予測方法は,PV出力のストキャスティシティ,非線形性,および異質性と闘っています.
• 限られたまたは不均衡な過去のデータは,PV電力予測に重大な課題をもたらします.

研究 の 目的:

• 精確で確率的なPV電力予測のための新しいハイブリッドフレームワークを開発する.
• 先進的なデータ増強を通じて,希少な歴史的データセットの限界に対処する.
• PV発電におけるローカルおよび長距離の時間的依存性のモデリングを改善する.

主な方法:

• TimeGANを使用して,現実的なPVタイムシリーズデータを合成し,照射量-温度関係を保持します.
• ローカル機能の拡張LSTM (xLSTM) と,長距離依存性のトランスフォーマーを組み合わせたハイブリッドアーキテクチャの開発.
• 提案されたモデルの検証は,中国の国家電網からの現実世界の運用データを使用しています.

主要な成果:

• TimeGAN-xLSTM-トランスフォーマーフレームワークは,PV電力予測の精度を大幅に高めています.
• ベースラインモデルと比較して,ルート・メア・スクエア・エラー (RMSE) が約48.1%,平均絶対エラー (MAE) が約44.1%減少した.
• PV発電の短期的な変動と長期的な時間的動態を把握する優れた能力を実証しています.

結論:

• 提案されたハイブリッドフレームワークは,インテリジェントなPV予測のための堅牢なソリューションを提供します.
• データ生成,時間モデリング,注意力メカニズムを活用することで,信頼性が向上します.
• PV電力を再生可能エネルギーが優勢であるグリッドに統合するための理論的および実用的なサポートを提供します.