Multi scale photovoltaic power forecasting using WDT CRMABIL FASION subtitle enhancing grid stability through hybrid deep learning

ccurate forecasting of photovoltaic (PV) power generation is crucial for efficient grid operation, facilitating renewable energy integration, and enhancing overall system stability. This thesis proposes a novel two-stage hybrid deep learning framework, termed WDT CRMABIL Fusion, for improved ultra short term PV power prediction. This framework innovatively addresses the complex, volatile nature of PV data by combining advanced signal processing with deep learning. In the first stage, a Wavelet Decomposition Technique (WDT) is applied to key input features, including PV power itself, 'Shortwave Radiation', 'Ambient Temperature', and 'Longwave Radiation'. WDT decomposes these time series into multi scale approximation and detail components, which serve as augmented input features and also as intermediate targets for a set of specialized CRMABIL (Convolutional Residual Multi Ahead Feature Attention BiLSTM) deep learning models. Each CRMABIL model, leveraging a Convolutional Neural Network (CNN) for spatial pattern extraction, parallel Residual Multi Head Attention mechanisms (one for dynamic feature weighting and another for capturing temporal dependencies), and a Bidirectional Long Short Term Memory (BiLSTM) for comprehensive sequential learning, is individually trained to predict one of these specific wavelet components. In the second stage, a dedicated fusion network (a dense neural network) is employed. This network takes the predictions from the individual CRMABIL component models (i.e., the predicted approximation and detail components of PV power) as its inputs. It then learns to optimally combine these predicted components to reconstruct the final, comprehensive ultra short term PV power forecast. Experimental validation rigorously demonstrates the superior performance of the proposed WDT CRMABIL Fusion framework compared to established deep learning benchmarks (DCC plus LSTM, CNN plus LSTM, CNN plus BiLSTM, CRMABIL, and WDT plus CRMABIL direct prediction models). Across ultra short term forecast horizons (5 minute, 10 minute, and 15 minute intervals), the framework consistently achieved significantly lower prediction errors and higher correlation coefficients. For instance, at the critical 5 minute horizon, WDT CRMABIL Fusion exhibited a remarkable Mean Absolute Error (MAE) of 1.60 kilowatt and Root Mean Square Error (RMSE) of 4.21 kilowatt, alongside a high Coefficient of Determination (R squared) of 0.943 and an Empirical Correlation Coefficient (CORR) of 0.973. These results represent a substantial reduction in error compared to the best performing benchmark, which recorded an MAE of 3.87 kilowatt and an RMSE of 7.89 kilowatt for the same horizon. Furthermore, the framework demonstrated robust performance across distinct meteorological conditions, as categorized by K means plus plus clustering (low, moderate, and high production days), and maintained high accuracy across diverse seasonal scenarios, thereby unequivocally confirming its effectiveness and generalization capability for real world PV output prediction.

La previsione accurata della generazione di energia fotovoltaica (FV) è cruciale per una gestione efficiente della rete, facilitando l'integrazione delle energie rinnovabili e migliorando la stabilità complessiva del sistema. Questa tesi propone un innovativo framework ibrido di deep learning a due stadi, chiamato WDT CRMABIL Fusion, per una migliore previsione dell'output fotovoltaico a brevissimo termine. Questo framework affronta in modo innovativo la natura complessa e volatile dei dati fotovoltaici combinando l'elaborazione avanzata dei segnali con il deep learning. Nella prima fase, una Tecnica di Decomposizione Wavelet (WDT) viene applicata alle caratteristiche chiave di input, inclusa la potenza FV stessa, la 'Radiazione a Onde Corte', la 'Temperatura Ambiente' e la 'Radiazione a Onde Lunghe'. Il WDT decompone queste serie temporali in componenti di approssimazione e dettaglio su più scale, che fungono da caratteristiche di input aumentate e anche da target intermedi per un set di modelli di deep learning specializzati CRMABIL (Convolutional Residual Multi Ahead Feature Attention BiLSTM). Ciascun modello CRMABIL, sfruttando una Rete Neurale Convoluzionale (CNN) per l'estrazione di pattern spaziali, meccanismi di Attenzione Multi Testa Residua paralleli (uno per la ponderazione dinamica delle caratteristiche e un altro per la cattura delle dipendenze temporali) e una Memoria a Lungo Termine Bidirezionale (BiLSTM) per l'apprendimento sequenziale completo, è addestrato individualmente per prevedere una di queste specifiche componenti wavelet. Nella seconda fase, viene impiegata una rete di fusione dedicata (una rete neurale densa). Questa rete prende in input le previsioni dai singoli modelli componenti CRMABIL (ossia, le componenti di approssimazione e dettaglio previste della potenza FV). Apprende quindi a combinare in modo ottimale queste componenti previste per ricostruire la previsione finale e completa della potenza FV a brevissimo termine. La validazione sperimentale dimostra rigorosamente la performance superiore del framework WDT CRMABIL Fusion proposto rispetto ai benchmark di deep learning consolidati (DCC più LSTM, CNN più LSTM, CNN più BiLSTM, CRMABIL e WDT più CRMABIL con previsione diretta). Attraverso orizzonti di previsione a brevissimo termine (intervalli di 5 minuti, 10 minuti e 15 minuti), il framework ha costantemente raggiunto errori inferiori e coefficienti di correlazione più elevati. Ad esempio, all'orizzonte critico di 5 minuti, WDT CRMABIL Fusion ha mostrato un Errore Assoluto Medio (MAE) di 1.60 kilowatt e un Errore Quadratico Medio (RMSE) di 4.21 kilowatt, insieme a un alto Coefficiente di Determinazione (R quadro) di 0.943 e un Coefficiente di Correlazione Empirica (CORR) di 0.973. Questi risultati rappresentano una sostanziale riduzione dell'errore rispetto al benchmark con le migliori prestazioni, che ha registrato un MAE di 3.87 kilowatt e un RMSE di 7.89 kilowatt per lo stesso orizzonte. Inoltre, il framework ha dimostrato una performance robusta in diverse condizioni meteorologiche, come categorizzato dal clustering K-means più più (giorni a bassa, moderata e alta produzione), e ha mantenuto alta accuratezza in diversi scenari stagionali, confermando in modo inequivocabile la sua efficacia e capacità di generalizzazione per la previsione dell'output fotovoltaico nel mondo reale.