Published February 13, 2023
| Version v1
Publication
Open
Short-Term PV Power Forecasting Using a Hybrid TVF-EMD-ELM Strategy
Creators
- 1. Renewable Energy Development Center
- 2. Ziane Achour University of Djelfa
- 3. Sichuan University
- 4. University of Laghouat
- 5. Taif University
- 6. Applied Science Private University
- 7. Graphic Era University
- 8. Alexandria University
- 9. Institute of Electrodynamics
- 10. National Academy of Sciences of Ukraine
Description
This paper discusses the efficient implementation of a new hybrid approach to forecasting short-term PV power production for four different PV plants in Algeria. The developed model incorporates a time-varying filter-empirical mode decomposition (TVF-EMD) and an extreme learning machine (ELM) as an essence regression. The TVF-EMD technique is used to deal with the fluctuation of PV power data by splitting it into a series of more stable and constant subseries. The specified set of features (intrinsic mode functions (IMFs)) is utilized for training and improving our forecasting extreme learning machine model. The adjusted ELM model is used to evaluate prediction efficiency. The suggested TVF-EMD-ELM model is assessed and verified in various Algerian locations with varying climate conditions. In all examined regions, the TVF-EMD-ELM model generates less than 4% error in terms of normalized root mean square error (nRMSE).
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
تناقش هذه الورقة التنفيذ الفعال لنهج هجين جديد للتنبؤ بإنتاج الطاقة الكهروضوئية على المدى القصير لأربع محطات كهروضوئية مختلفة في الجزائر. يتضمن النموذج المطور فلترًا متغيرًا زمنيًا - تحلل الوضع التجريبي (TVF - EMD) وآلة تعلم متطرفة (ELM) كارتداد للجوهر. تُستخدم تقنية TVF - EMD للتعامل مع تذبذب بيانات الطاقة الكهروضوئية عن طريق تقسيمها إلى سلسلة من السلاسل الفرعية الأكثر استقرارًا وثباتًا. تُستخدم مجموعة الميزات المحددة (وظائف الوضع الداخلي (IMFs)) للتدريب وتحسين نموذج آلة التعلم المتطرف للتنبؤ. يستخدم نموذج ELM المعدل لتقييم كفاءة التنبؤ. يتم تقييم نموذج TVF - EMD - ELM المقترح والتحقق منه في مواقع جزائرية مختلفة ذات ظروف مناخية متفاوتة. في جميع المناطق التي تم فحصها، يولد نموذج TVF - EMD - ELM خطأ أقل من 4 ٪ من حيث متوسط الخطأ التربيعي للجذر (nRMSE).Translated Description (French)
Ce document traite de la mise en œuvre efficace d'une nouvelle approche hybride pour prévoir la production d'énergie photovoltaïque à court terme pour quatre centrales photovoltaïques différentes en Algérie. Le modèle développé intègre une décomposition en mode filtre-empirique variable dans le temps (TVF-EMD) et une machine d'apprentissage extrême (ELM) en tant que régression d'essence. La technique TVF-EMD est utilisée pour faire face à la fluctuation des données d'alimentation PV en les divisant en une série de sous-séries plus stables et constantes. L'ensemble de fonctionnalités spécifié (fonctions de mode intrinsèque (IMF)) est utilisé pour la formation et l'amélioration de notre modèle de machine d'apprentissage extrême de prévision. Le modèle ELM ajusté est utilisé pour évaluer l'efficacité de la prédiction. Le modèle TVF-EMD-ELM suggéré est évalué et vérifié dans divers endroits algériens avec des conditions climatiques variables. Dans toutes les régions examinées, le modèle TVF-EMD-ELM génère moins de 4% d'erreur en termes d'erreur quadratique moyenne normalisée (nRMSE).Translated Description (Spanish)
Este documento analiza la implementación eficiente de un nuevo enfoque híbrido para pronosticar la producción de energía fotovoltaica a corto plazo para cuatro plantas fotovoltaicas diferentes en Argelia. El modelo desarrollado incorpora una descomposición de modo empírico de filtro variable en el tiempo (TVF-EMD) y una máquina de aprendizaje extremo (ELM) como regresión de esencia. La técnica TVF-EMD se utiliza para hacer frente a la fluctuación de los datos de potencia fotovoltaica dividiéndolos en una serie de subseries más estables y constantes. El conjunto especificado de características (funciones de modo intrínseco (IMF)) se utiliza para capacitar y mejorar nuestro modelo de máquina de aprendizaje extremo de pronóstico. El modelo ELM ajustado se utiliza para evaluar la eficiencia de la predicción. El modelo TVF-EMD-ELM sugerido se evalúa y verifica en varios lugares de Argelia con diferentes condiciones climáticas. En todas las regiones examinadas, el modelo TVF-EMD-ELM genera menos del 4% de error en términos de error cuadrático medio normalizado (nRMSE).Files
6413716.pdf.pdf
Files
(16.0 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:a5a78119c6f27202b3b677db75eea46e
|
16.0 kB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- التنبؤ بالطاقة الكهروضوئية على المدى القصير باستخدام استراتيجية هجينة TVF - EMD - ELM
- Translated title (French)
- Prévision de l'énergie photovoltaïque à court terme à l'aide d'une stratégie hybride TVF-EMD-ELM
- Translated title (Spanish)
- Pronóstico de energía fotovoltaica a corto plazo utilizando una estrategia híbrida TVF-EMD-ELM
Identifiers
- Other
- https://openalex.org/W4320484822
- DOI
- 10.1155/2023/6413716
References
- https://openalex.org/W2031939255
- https://openalex.org/W2469734051
- https://openalex.org/W2562861021
- https://openalex.org/W2765587512
- https://openalex.org/W2787832800
- https://openalex.org/W2789037588
- https://openalex.org/W2791227189
- https://openalex.org/W2807548466
- https://openalex.org/W2809183568
- https://openalex.org/W2886034547
- https://openalex.org/W2887743720
- https://openalex.org/W2888449021
- https://openalex.org/W2888992150
- https://openalex.org/W2896210921
- https://openalex.org/W2943886808
- https://openalex.org/W2971368394
- https://openalex.org/W2982154805
- https://openalex.org/W2995847320
- https://openalex.org/W3004489193
- https://openalex.org/W3004531838
- https://openalex.org/W3005885828
- https://openalex.org/W3007733036
- https://openalex.org/W3083957475
- https://openalex.org/W3089961484
- https://openalex.org/W3090232294
- https://openalex.org/W3092360768
- https://openalex.org/W3123712479
- https://openalex.org/W3190354123
- https://openalex.org/W3203568950
- https://openalex.org/W3204431631
- https://openalex.org/W3214979813
- https://openalex.org/W3217371780
- https://openalex.org/W4205276539
- https://openalex.org/W4205386099
- https://openalex.org/W4206936721
- https://openalex.org/W4221052889
- https://openalex.org/W4311988293