Published September 16, 2022
| Version v1
Publication
Open
Variational mode decomposition combined fuzzy—Twin support vector machine model with deep learning for solar photovoltaic power forecasting
- 1. Anna University, Chennai
- 2. Government of Tamil Nadu
Description
A novel Variational Mode Decomposition (VMD) combined Fuzzy-Twin Support Vector Machine Model with deep learning mechanism is devised in this research study to forecast the solar Photovoltaic (PV) output power in day ahead basis. The raw data from the solar PV farms are highly fluctuating and to extract the useful stable components VMD is employed. A novel Fuzzy-Twin Support Vector Machine (FTSVM) model developed acts as the forecasting model for predicting the solar PV output power for the considered solar farms. The twin support vector machine (SVM) model formulates two separating hyperplanes for predicting the output power and in this research study a fuzzy based membership function identifies most suitable two SVM prediction hyperplanes handling the uncertainties of solar farm data. For the developed, new VMD-FTSVM prediction technique, their optimal parameters for the training process are evaluated with the classic Ant Lion Optimizer (ALO) algorithm. The solar PV output power is predicted using the novel VMD-FTSVM model and during the process multi-kernel functions are utilized to devise the two fuzzy based hyperplanes that accurately performs the prediction operation. Deep learning (DL) based training of the FTSVM model is adopted so that the deep auto-encoder and decoder module enhances the accuracy rate. The proposed combined forecasting model, VMD-ALO-DLFTSVM is validated for superiority based on a two 250MW PV solar farm in India. Results prove that the proposed model outperforms the existing model in terms of the performance metrics evaluated and the forecasted PV Power.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
تم ابتكار نموذج جديد لتحلل الوضع المتغير (VMD) يجمع بين نموذج آلة دعم متجه التوأم الضبابي وآلية التعلم العميق في هذه الدراسة البحثية للتنبؤ بطاقة خرج الطاقة الشمسية الكهروضوئية (PV) في اليوم التالي. البيانات الخام من مزارع الطاقة الشمسية الكهروضوئية متقلبة للغاية ولاستخراج المكونات المستقرة المفيدة يتم استخدام VMD. تم تطوير نموذج جديد لآلة ناقلات دعم التوأم الضبابي (FTSVM) كنموذج للتنبؤ بخرج الطاقة الشمسية الكهروضوئية للمزارع الشمسية المدروسة. يصوغ نموذج آلة متجه الدعم المزدوج (SVM) مستويين فائقيين منفصلين للتنبؤ بقدرة الخرج، وفي هذه الدراسة البحثية، تحدد وظيفة العضوية القائمة على الضبابية أنسب مستويين فائقيين للتنبؤ بـ SVM يتعاملان مع حالات عدم اليقين في بيانات المزارع الشمسية. بالنسبة لتقنية التنبؤ VMD - FTSVM الجديدة المطورة، يتم تقييم المعلمات المثلى لعملية التدريب باستخدام خوارزمية Ant Lion Optimizer (ALO) الكلاسيكية. يتم التنبؤ بخرج الطاقة الشمسية الكهروضوئية باستخدام نموذج VMD - FTSVM الجديد وأثناء العملية يتم استخدام وظائف متعددة النوى لابتكار طائرتين فائقتين غامضتين تقومان بتنفيذ عملية التنبؤ بدقة. يتم اعتماد التدريب القائم على التعلم العميق (DL) لنموذج FTSVM بحيث تعزز وحدة الترميز التلقائي العميق ووحدة فك الترميز معدل الدقة. تم التحقق من صحة نموذج التنبؤ المشترك المقترح، VMD - ALO - DLFTSVM للتفوق بناءً على مزرعتين للطاقة الشمسية الكهروضوئية بقدرة 250 ميجاوات في الهند. تثبت النتائج أن النموذج المقترح يتفوق على النموذج الحالي من حيث مقاييس الأداء التي تم تقييمها والطاقة الكهروضوئية المتوقعة.Translated Description (French)
Un nouveau modèle de machine vectorielle de support Fuzzy-Twin à décomposition en mode variationnel (VMD) avec mécanisme d'apprentissage profond est conçu dans cette étude de recherche pour prévoir la puissance de sortie solaire photovoltaïque (PV) dans le jour à venir. Les données brutes des fermes photovoltaïques solaires sont très fluctuantes et pour extraire les composants stables utiles, VMD est utilisé. Un nouveau modèle Fuzzy-Twin Support Vector Machine (FTSVM) développé sert de modèle de prévision pour prédire la puissance de sortie solaire photovoltaïque pour les fermes solaires considérées. Le modèle de machine à vecteurs de support jumeaux (SVM) formule deux hyperplans de séparation pour prédire la puissance de sortie et dans cette étude de recherche, une fonction d'appartenance à base floue identifie les deux hyperplans de prédiction SVM les plus appropriés pour gérer les incertitudes des données de la ferme solaire. Pour la nouvelle technique de prédiction VMD-FTSVM développée, leurs paramètres optimaux pour le processus d'entraînement sont évalués avec l'algorithme classique Ant Lion Optimizer (ALO). La puissance de sortie solaire photovoltaïque est prédite à l'aide du nouveau modèle VMD-FTSVM et pendant le processus, des fonctions multi-noyaux sont utilisées pour concevoir les deux hyperplans à base floue qui effectuent avec précision l'opération de prédiction. La formation basée sur l'apprentissage profond (DL) du modèle FTSVM est adoptée de sorte que l'auto-encodeur profond et le module décodeur améliorent le taux de précision. Le modèle de prévision combiné proposé, VMD-ALO-DLFTSVM, est validé pour sa supériorité sur la base de deux parcs solaires photovoltaïques de 250 MW en Inde. Les résultats prouvent que le modèle proposé surpasse le modèle existant en termes de métriques de performance évaluées et de puissance photovoltaïque prévue.Translated Description (Spanish)
En este estudio de investigación se ideó un novedoso modelo combinado de máquina vectorial de soporte Fuzzy-Twin de descomposición de modo variacional (VMD) con un mecanismo de aprendizaje profundo para pronosticar la potencia de salida solar fotovoltaica (PV) en el día a día. Los datos brutos de las granjas solares fotovoltaicas son muy fluctuantes y para extraer los componentes estables útiles se emplea VMD. Un nuevo modelo de máquina de vectores de soporte Fuzzy-Twin (FTSVM) desarrollado actúa como el modelo de pronóstico para predecir la potencia de salida solar fotovoltaica para las granjas solares consideradas. El modelo de máquina de vectores de soporte gemelos (SVM) formula dos hiperplanos de separación para predecir la potencia de salida y en este estudio de investigación una función de membresía basada en fuzzy identifica los dos hiperplanos de predicción SVM más adecuados que manejan las incertidumbres de los datos de la granja solar. Para la nueva técnica de predicción VMD-FTSVM desarrollada, sus parámetros óptimos para el proceso de entrenamiento se evalúan con el algoritmo clásico Ant Lion Optimizer (Alo). La potencia de salida de la energía solar fotovoltaica se predice utilizando el nuevo modelo VMD-FTSVM y durante el proceso se utilizan funciones de múltiples núcleos para diseñar los dos hiperplanos de base difusa que realizan con precisión la operación de predicción. El entrenamiento basado en aprendizaje profundo (DL) del modelo FTSVM se adopta para que el módulo de autocodificador y decodificador profundo mejore la tasa de precisión. El modelo de pronóstico combinado propuesto, VMD-ALO-DLFTSVM, está validado por su superioridad en base a dos parques solares fotovoltaicos de 250 MW en la India. Los resultados demuestran que el modelo propuesto supera al modelo existente en términos de las métricas de rendimiento evaluadas y la potencia fotovoltaica prevista.Files
journal.pone.0273632&type=printable.pdf
Files
(4.0 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:8ea15f14accf8603ec540b0cb919673c
|
4.0 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- تحلل الوضع المتغير الجمع بين نموذج آلة ناقل الدعم الغامض والتوأم مع التعلم العميق للتنبؤ بالطاقة الشمسية الكهروضوئية
- Translated title (French)
- Décomposition en mode variationnel combinée à un modèle de machine à vecteur de support fuzzy-Twin avec apprentissage en profondeur pour la prévision de l'énergie solaire photovoltaïque
- Translated title (Spanish)
- Modelo combinado de máquina vectorial de soporte fuzzy-Twin de descomposición en modo variacional con aprendizaje profundo para la previsión de energía solar fotovoltaica
Identifiers
- Other
- https://openalex.org/W4296027176
- DOI
- 10.1371/journal.pone.0273632
References
- https://openalex.org/W1496670420
- https://openalex.org/W2000982976
- https://openalex.org/W2001979953
- https://openalex.org/W2092466978
- https://openalex.org/W2291000060
- https://openalex.org/W2802145672
- https://openalex.org/W2804093763
- https://openalex.org/W2897143050
- https://openalex.org/W2901362949
- https://openalex.org/W2904566383
- https://openalex.org/W2913939418
- https://openalex.org/W2917445752
- https://openalex.org/W2921774528
- https://openalex.org/W2954779884
- https://openalex.org/W2965284298
- https://openalex.org/W2966305977
- https://openalex.org/W2969690146
- https://openalex.org/W2980434883
- https://openalex.org/W2984252744
- https://openalex.org/W3011512429
- https://openalex.org/W3014512718
- https://openalex.org/W3014842612
- https://openalex.org/W3080550762
- https://openalex.org/W3107590832
- https://openalex.org/W3127038081
- https://openalex.org/W3128109447
- https://openalex.org/W3129734871
- https://openalex.org/W3134316734
- https://openalex.org/W3163454495
- https://openalex.org/W3164894090
- https://openalex.org/W3169350799
- https://openalex.org/W3174422284
- https://openalex.org/W3175909547
- https://openalex.org/W3180765063
- https://openalex.org/W3183572711
- https://openalex.org/W3183786811
- https://openalex.org/W3197283584
- https://openalex.org/W3200032635
- https://openalex.org/W3206736865
- https://openalex.org/W3209511343
- https://openalex.org/W3210317110
- https://openalex.org/W3210697054
- https://openalex.org/W3214910795
- https://openalex.org/W3214919236
- https://openalex.org/W3215515000
- https://openalex.org/W3216912271
- https://openalex.org/W3217588419
- https://openalex.org/W4200148061
- https://openalex.org/W4205276539
- https://openalex.org/W4205897889
- https://openalex.org/W4206802447
- https://openalex.org/W4210478957
- https://openalex.org/W4210748472
- https://openalex.org/W4210922522
- https://openalex.org/W4211006273
- https://openalex.org/W4212862493
- https://openalex.org/W4213186888
- https://openalex.org/W4220656477
- https://openalex.org/W4220686422
- https://openalex.org/W4220699773
- https://openalex.org/W4220703723
- https://openalex.org/W4220726206
- https://openalex.org/W4220758235
- https://openalex.org/W4220764003
- https://openalex.org/W4220877827
- https://openalex.org/W4220885731
- https://openalex.org/W4220954082
- https://openalex.org/W4221032146
- https://openalex.org/W4224059020
- https://openalex.org/W4224236816
- https://openalex.org/W4224259865
- https://openalex.org/W4225407783
- https://openalex.org/W4226253475
- https://openalex.org/W4226345300
- https://openalex.org/W4226449636
- https://openalex.org/W4283833803
- https://openalex.org/W4286264654
- https://openalex.org/W4287444846