Published April 1, 2022
| Version v1
Publication
Adaptive ML-based technique for renewable energy system power forecasting in hybrid PV-Wind farms power conversion systems
Creators
- 1. Capital University of Science and Technology
- 2. University of Science and Technology of China
- 3. University of Agder
Description
Large scale integration of renewable energy system with classical electrical power generation system requires a precise balance to maintain and optimize the supply–demand limitations in power grids operations. For this purpose, accurate forecasting is needed from wind energy conversion systems (WECS) and solar power plants (SPPs). This daunting task has limits with long-short term and precise term forecasting due to the highly random nature of environmental conditions. This paper offers a hybrid variational decomposition model (HVDM) as a revolutionary composite deep learning-based evolutionary technique for accurate power production forecasting in microgrid farms. The objective is to obtain precise short-term forecasting in five steps of development. An improvised dynamic group-based cooperative search (IDGC) mechanism with a IDGC-Radial Basis Function Neural Network (IDGC-RBFNN) is proposed for enhanced accurate short-term power forecasting. For this purpose, meteorological data with time series is utilized. SCADA data provide the values to the system. The improvisation has been made to the metaheuristic algorithm and an enhanced training mechanism is designed for the short term wind forecasting (STWF) problem. The results are compared with two different Neural Network topologies and three heuristic algorithms: particle swarm intelligence (PSO), IDGC, and dynamic group cooperation optimization (DGCO). The 24 h ahead are studied in the experimental simulations. The analysis is made using seasonal behavior for year-round performance analysis. The prediction accuracy achieved by the proposed hybrid model shows greater results. The comparison is made statistically with existing works and literature showing highly effective accuracy at a lower computational burden. Three seasonal results are compared graphically and statistically.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
يتطلب التكامل واسع النطاق لنظام الطاقة المتجددة مع نظام توليد الطاقة الكهربائية الكلاسيكي توازنًا دقيقًا للحفاظ على قيود العرض والطلب في عمليات شبكات الطاقة وتحسينها. لهذا الغرض، هناك حاجة إلى تنبؤ دقيق من أنظمة تحويل طاقة الرياح (WECs) ومحطات الطاقة الشمسية (SPPs). هذه المهمة الشاقة لها حدود مع التنبؤ على المدى الطويل القصير والدقيق بسبب الطبيعة العشوائية للغاية للظروف البيئية. تقدم هذه الورقة نموذجًا مختلطًا للتحلل المتغير (HVDM) كتقنية تطورية ثورية مركّبة قائمة على التعلم العميق للتنبؤ الدقيق بإنتاج الطاقة في مزارع الشبكات الدقيقة. الهدف هو الحصول على تنبؤ دقيق قصير الأجل في خمس خطوات للتطوير. يتم اقتراح آلية بحث تعاوني ديناميكي مرتجل قائم على المجموعة (IDGC) مع الشبكة العصبية لوظيفة الأساس الشعاعي (IDGC - RBFNN) لتعزيز التنبؤ الدقيق بالطاقة على المدى القصير. لهذا الغرض، يتم استخدام بيانات الأرصاد الجوية مع السلاسل الزمنية. توفر بيانات SCADA القيم للنظام. تم إجراء الارتجال على خوارزمية metaheuristic وتم تصميم آلية تدريب معززة لمشكلة التنبؤ بالرياح على المدى القصير (STWF). تتم مقارنة النتائج مع طبولوجيتين مختلفتين للشبكة العصبية وثلاث خوارزميات إرشادية: ذكاء سرب الجسيمات (PSO)، IDGC، وتحسين التعاون الجماعي الديناميكي (DGCO). تتم دراسة الـ 24 ساعة القادمة في المحاكاة التجريبية. يتم إجراء التحليل باستخدام السلوك الموسمي لتحليل الأداء على مدار العام. تُظهر دقة التنبؤ التي حققها النموذج الهجين المقترح نتائج أكبر. يتم إجراء المقارنة إحصائيًا مع الأعمال والأدبيات الحالية التي تظهر دقة فعالة للغاية في عبء حسابي أقل. تتم مقارنة ثلاث نتائج موسمية بيانياً وإحصائياً.Translated Description (French)
L'intégration à grande échelle d'un système d'énergie renouvelable avec un système de production d'énergie électrique classique nécessite un équilibre précis pour maintenir et optimiser les limites de l'offre et de la demande dans le fonctionnement des réseaux électriques. À cette fin, des prévisions précises sont nécessaires à partir des systèmes de conversion de l'énergie éolienne (WEC) et des centrales solaires (SPP). Cette tâche redoutable a des limites avec des prévisions à long terme et à court terme précises en raison de la nature très aléatoire des conditions environnementales. Cet article propose un modèle de décomposition variationnelle hybride (HVDM) en tant que technique évolutive composite révolutionnaire basée sur l'apprentissage en profondeur pour des prévisions précises de la production d'énergie dans les fermes de micro-réseaux. L'objectif est d'obtenir des prévisions précises à court terme en cinq étapes de développement. Un mécanisme de recherche coopérative de groupe dynamique improvisé (IDGC) avec un réseau neuronal à fonction de base radiale IDGC (IDGC-RBFNN) est proposé pour une prévision de puissance à court terme précise et améliorée. À cette fin, des données météorologiques avec des séries chronologiques sont utilisées. Les données SCADA fournissent les valeurs au système. L'improvisation a été faite à l'algorithme métaheuristique et un mécanisme de formation amélioré est conçu pour le problème de la prévision du vent à court terme (STWF). Les résultats sont comparés à deux topologies de réseaux neuronaux différentes et à trois algorithmes heuristiques : l'intelligence en essaim de particules (PSO), l'IDGC et l'optimisation de la coopération de groupe dynamique (DGCO). Les 24 h d'avance sont étudiées dans les simulations expérimentales. L'analyse est faite en utilisant le comportement saisonnier pour l'analyse des performances tout au long de l'année. La précision de prédiction obtenue par le modèle hybride proposé montre de meilleurs résultats. La comparaison est faite statistiquement avec les travaux et la littérature existants montrant une précision très efficace à une charge de calcul plus faible. Trois résultats saisonniers sont comparés graphiquement et statistiquement.Translated Description (Spanish)
La integración a gran escala del sistema de energía renovable con el sistema clásico de generación de energía eléctrica requiere un equilibrio preciso para mantener y optimizar las limitaciones de oferta y demanda en las operaciones de las redes eléctricas. Para este propósito, se necesita un pronóstico preciso de los sistemas de conversión de energía eólica (WEC) y las plantas de energía solar (SPP). Esta tarea desalentadora tiene límites con pronósticos a largo plazo y a corto plazo y precisos debido a la naturaleza altamente aleatoria de las condiciones ambientales. Este documento ofrece un modelo híbrido de descomposición variacional (HVDM) como una técnica evolutiva compuesta basada en el aprendizaje profundo para pronosticar con precisión la producción de energía en granjas de microrredes. El objetivo es obtener pronósticos precisos a corto plazo en cinco pasos de desarrollo. Se propone un mecanismo de búsqueda cooperativa dinámica improvisada basada en grupos (IDGC) con una red neuronal de función de base radial IDGC (IDGC-RBFNN) para mejorar el pronóstico preciso de potencia a corto plazo. Para ello se utilizan datos meteorológicos con series temporales. Los datos SCADA proporcionan los valores al sistema. La improvisación se ha realizado al algoritmo metaheurístico y se ha diseñado un mecanismo de entrenamiento mejorado para el problema de la predicción del viento a corto plazo (STWF). Los resultados se comparan con dos topologías de redes neuronales diferentes y tres algoritmos heurísticos: inteligencia de enjambre de partículas (PSO), IDGC y optimización dinámica de cooperación grupal (DGCO). Las 24 h anteriores se estudian en las simulaciones experimentales. El análisis se realiza utilizando el comportamiento estacional para el análisis de rendimiento durante todo el año. La precisión de predicción alcanzada por el modelo híbrido propuesto muestra mayores resultados. La comparación se realiza estadísticamente con trabajos y literatura existentes que muestran una precisión altamente efectiva con una menor carga computacional. Tres resultados estacionales se comparan gráfica y estadísticamente.Additional details
Additional titles
- Translated title (Arabic)
- تقنية تكيفية قائمة على ML للتنبؤ بطاقة نظام الطاقة المتجددة في أنظمة تحويل طاقة الرياح الكهروضوئية الهجينة
- Translated title (French)
- Technique adaptative basée sur le ML pour la prévision de l'énergie des systèmes d'énergie renouvelable dans les systèmes de conversion d'énergie des fermes hybrides PV-Wind
- Translated title (Spanish)
- Técnica adaptativa basada en ML para la previsión de energía del sistema de energía renovable en sistemas híbridos de conversión de energía de granjas fotovoltaicas y eólicas
Identifiers
- Other
- https://openalex.org/W4220901789
- DOI
- 10.1016/j.enconman.2022.115564
References
- https://openalex.org/W2102836090
- https://openalex.org/W2104978648
- https://openalex.org/W2149723649
- https://openalex.org/W2413927587
- https://openalex.org/W2561807722
- https://openalex.org/W2568673758
- https://openalex.org/W2626353087
- https://openalex.org/W2884143671
- https://openalex.org/W2896920734
- https://openalex.org/W2899717228
- https://openalex.org/W2900921197
- https://openalex.org/W2914856364
- https://openalex.org/W2944245994
- https://openalex.org/W2949167574
- https://openalex.org/W2956797857
- https://openalex.org/W2971810332
- https://openalex.org/W2973960501
- https://openalex.org/W2984455290
- https://openalex.org/W2990255447
- https://openalex.org/W3001563951
- https://openalex.org/W3003152171
- https://openalex.org/W3035596020
- https://openalex.org/W3048536933
- https://openalex.org/W3091937935
- https://openalex.org/W3096619456
- https://openalex.org/W3128767435
- https://openalex.org/W3131928966
- https://openalex.org/W3134482564
- https://openalex.org/W3137459447
- https://openalex.org/W3153895412
- https://openalex.org/W3155513065
- https://openalex.org/W3157757285
- https://openalex.org/W3160144971
- https://openalex.org/W3163835446
- https://openalex.org/W3175217910
- https://openalex.org/W3184971861
- https://openalex.org/W4239613540
- https://openalex.org/W588468042