Novel hybrid modeling approach for enhanced photovoltaic power forecasting; Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов; Т. 337, № 1
| 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 |
|---|---|
| Weitere Verfasser: | , , , , , |
| Zusammenfassung: | 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 |
| Sprache: | Englisch |
| Veröffentlicht: |
2026
|
| Schlagworte: | |
| Online-Zugang: | http://earchive.tpu.ru/handle/11683/135116 https://doi.org/10.18799/24131830/2026/1/4965 |
| Format: | Elektronisch Buchkapitel |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=685176 |
MARC
| LEADER | 00000naa2a2200000 4500 | ||
|---|---|---|---|
| 001 | 685176 | ||
| 005 | 20260311124551.0 | ||
| 090 | |a 685176 | ||
| 100 | |a 20260225d2026 k||y0rusy50 ba | ||
| 101 | 0 | |a eng | |
| 102 | |a RU | ||
| 135 | |a drcn uucaa | ||
| 200 | 1 | |a Novel hybrid modeling approach for enhanced photovoltaic power forecasting |d Новый гибридный подход к моделированию для улучшенного прогнозирования солнечной энергетики |z rus |f F. Bennaceur, B. Benlahbib, M. Guermoui [et al.] | |
| 320 | |a References: p. 210-211 (49 tit.) | ||
| 330 | |a 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 | ||
| 330 | |a 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 | ||
| 336 | |a Текстовый файл | ||
| 461 | 1 | |0 288378 |9 288378 |t Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов |l Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering |f Национальный исследовательский Томский политехнический университет |c Томск |n Изд-во ТПУ |d 2015- |x 2413-1830 | |
| 463 | 1 | |0 685014 |9 685014 |t Т. 337, № 1 |d 2026 |v С. 200-212 | |
| 610 | 1 | |a электронный ресурс | |
| 610 | 1 | |a renewable energy resources | |
| 610 | 1 | |a forecasting | |
| 610 | 1 | |a non-stationary data | |
| 610 | 1 | |a variational mode decomposition | |
| 610 | 1 | |a photovoltaic power predictions | |
| 610 | 1 | |a grid-connected photovoltaic power plants | |
| 610 | 1 | |a Long Short-Term Memory | |
| 610 | 1 | |a возобновляемые энергетические ресурсы | |
| 610 | 1 | |a прогнозирование | |
| 610 | 1 | |a нестабильные данные | |
| 610 | 1 | |a вариационная модальная декомпозиция | |
| 610 | 1 | |a прогнозирование солнечной энергии | |
| 610 | 1 | |a подключенные к сети солнечные электростанции | |
| 701 | 1 | |a Bennaceur |b F. |g Fares | |
| 701 | 1 | |a Benlahbib |b B. |g Boualam | |
| 701 | 1 | |a Guermoui |b M. |g Mawloud | |
| 701 | 1 | |a Benbelghit |b А. |g Abdellah | |
| 701 | 1 | |a Belaid |b A. |g Abdelfetah | |
| 701 | 1 | |a Rabehi |b A. |g Abdelaziz | |
| 801 | 0 | |a RU |b 63413507 |c 20260225 | |
| 850 | |a 63413507 | ||
| 856 | 4 | 0 | |u http://earchive.tpu.ru/handle/11683/135116 |z http://earchive.tpu.ru/handle/11683/135116 |
| 856 | 4 | 0 | |u https://doi.org/10.18799/24131830/2026/1/4965 |z https://doi.org/10.18799/24131830/2026/1/4965 |
| 942 | |c CF | ||