Hybrid CNN-LSTM Architecture for Enhanced Short-Term Solar Irradiance Forecasting Utilizing NASA POWER Data
- سال انتشار: 1404
- محل انتشار: پانزدهمین کنفرانس بین المللی مهندسی برق، الکترونیک و شبکه های هوشمند
- کد COI اختصاصی: EESCONF15_024
- زبان مقاله: انگلیسی
- تعداد مشاهده: 32
نویسندگان
student, Amirkabir University of Technology
professor, Amirkabir University of Technology
professor, Amirkabir University of Technology
professor, Amirkabir University of Technology
چکیده
This paper proposes a hybrid deep learning framework for short-term solar irradiance forecasting, integrating convolutional neural networks (CNNs) and long short-term memory (LSTM) units. The model is trained using publicly available meteorological data from the NASA POWER API, including parameters such as temperature, wind speed, and humidity. CNN layers are used to extract spatial and temporal features from weather sequences, which are subsequently passed to LSTM layers to capture sequential dependencies in global horizontal irradiance (GHI) data. The hybrid architecture was evaluated on a three-year dataset from California (۲۰۲۰–۲۰۲۲), achieving a mean absolute error (MAE) of ۱.۰۸ kWh/m² and root mean square error (RMSE) of ۱.۳۷ kWh/m². These results demonstrate the model’s capacity to provide accurate and stable forecasts suitable for operational deployment in PV system planning and grid integration. The use of freely accessible data and efficient network architecture further enhances its applicability in regions lacking dense sensor infrastructure.کلیدواژه ها
solar forecasting, CNN-LSTM, NASA POWER, GHI prediction, deep learning, hybrid model, time series, photovoltaic planningمقالات مرتبط جدید
- مدلسازی و شبیه سازی جبران ساز سری سنکرون استاتیکی توزیع برای حل چالش های شبکه توزیع بر پایه الگوریتم بهینه سازی گرگ خاکستری
- Adaptive Control Strategies for Fast Charging of EVs with Battery Degradation Mitigation
- شناسایی مانع با استفاده از دید استریو برای خودروهای بدون سرنشین
- Multi-Gbest Decomposition for Many-Objective Optimization
- ترکیب منابع انرژی پیزوالکتریک و ترموالکتریک به منظور افزایش کارایی سیستم های برداشت انرژی
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.