Novel hybrid modeling approach for enhanced photovoltaic power forecasting
| Parent link: | Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов=Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering/ Национальный исследовательский Томский политехнический университет.— .— Томск: Изд-во ТПУ, 2015-.— 2413-1830 Т. 337, № 1.— 2026.— С. 200-212 |
|---|---|
| Other Authors: | , , , , , |
| Summary: | Renewable energy resources are increasingly important for sustainable power generation, but accurately forecasting their production remains challenging due to non-stationary data and fluctuating environmental conditions. This study presents a novel hybrid model combining Variational Mode Decomposition with advanced forecasting techniques to improve the precision and reliability of photovoltaic power predictions. By evaluating data from two grid-connected photovoltaic power plants in Algeria, the model demonstrates significant improvements over traditional methods, including Long Short-Term Memory, 1D-Convolutional Neural Network, and Gated Recurrent Unit. Key results show a substantial reduction in Root Mean Square Error by up to 89.39%, highlighting the effectiveness of the proposed approach Возобновляемые энергетические ресурсы становятся все более важными для устойчивого производства энергии, но точное прогнозирование их выработки остается сложной задачей из-за нестабильных данных и колеблющихся экологических условий. В этом исследовании представлен новый гибридный модельный подход, сочетающий вариационную модальную декомпозицию с передовыми методами прогнозирования для повышения точности и надежности прогнозов солнечной энергетики. Оценка данных от двух подключенных к сети солнечных электростанций в Алжире показала значительные улучшения по сравнению с традиционными методами, включая Long Short-Term Memory, 1D-Convolutional Neural Network и Gated Recurrent Unit. Ключевые результаты показали значительное сокращение корня из средней квадратичной ошибки до 89,39 %, что подчеркивает эффективность предложенного подхода Текстовый файл |
| Language: | English |
| Published: |
2026
|
| Subjects: | |
| Online Access: | bulletin_tpu-2026-v337-i01-18.pdf https://doi.org/10.18799/24131830/2026/1/4965 |
| Format: | Electronic Book Chapter |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=685176 |
| Summary: | Renewable energy resources are increasingly important for sustainable power generation, but accurately forecasting their production remains challenging due to non-stationary data and fluctuating environmental conditions. This study presents a novel hybrid model combining Variational Mode Decomposition with advanced forecasting techniques to improve the precision and reliability of photovoltaic power predictions. By evaluating data from two grid-connected photovoltaic power plants in Algeria, the model demonstrates significant improvements over traditional methods, including Long Short-Term Memory, 1D-Convolutional Neural Network, and Gated Recurrent Unit. Key results show a substantial reduction in Root Mean Square Error by up to 89.39%, highlighting the effectiveness of the proposed approach Возобновляемые энергетические ресурсы становятся все более важными для устойчивого производства энергии, но точное прогнозирование их выработки остается сложной задачей из-за нестабильных данных и колеблющихся экологических условий. В этом исследовании представлен новый гибридный модельный подход, сочетающий вариационную модальную декомпозицию с передовыми методами прогнозирования для повышения точности и надежности прогнозов солнечной энергетики. Оценка данных от двух подключенных к сети солнечных электростанций в Алжире показала значительные улучшения по сравнению с традиционными методами, включая Long Short-Term Memory, 1D-Convolutional Neural Network и Gated Recurrent Unit. Ключевые результаты показали значительное сокращение корня из средней квадратичной ошибки до 89,39 %, что подчеркивает эффективность предложенного подхода Текстовый файл |
|---|---|
| DOI: | 10.18799/24131830/2026/1/4965 |