L'irradiation horizontale globale prévue (GHI) peut aider à la conception, au dimensionnement et à l'analyse des performances des systèmes photovoltaïques (PV), y compris les systèmes de pompage PV à eau utilisés pour les applications d'irrigation. Dans cet article, divers modèles de réseaux neuronaux profonds (DNN) pour la prédiction à un jour du GHI à Hail city (Arabie saoudite) sont développés et étudiés. Les modèles DNN considérés comprennent la mémoire à long terme (LSTM), le LSTM bidirectionnel (BiLSTM), l'unité récurrente fermée (GRU), le GRU bidirectionnel (Bi-GRU), le réseau neuronal convolutionnel unidimensionnel (CNN 1D ) et d'autres configurations hybrides telles que CNN-LSTM et CNN-BiLSTM.A. L'ensemble de données des enregistrements quotidiens GHI collectés entre le 1er janvier 2000 et le 30 juin 2020 auprès de la National Aeronautics and Space Administration (NASA) à un endroit aride (Hail, Arabie Saoudite) est utilisé pour développer et comparer les modèles basés sur DNN ci-dessus. Les paramètres affectant la précision des modèles ont également été analysés en profondeur. Seules les valeurs historiques du GHI quotidien ont été utilisées pour construire les modèles basés sur DNN, tandis que des paramètres météorologiques supplémentaires tels que la température de l'air, la vitesse du vent, la direction du vent, la pression atmosphérique et l'humidité relative ne sont pas pris en compte dans ce travail. La bibliothèque Keras et le langage Python ont été utilisés utilisé pour développer et comparer les modèles de prévision GHI. Les métriques d'évaluation telles que le coefficient de corrélation (r), l'erreur absolue moyenne en pourcentage (MAPE), l'erreur absolue moyenne (MAE), la fonction de distribution cumulative (CDF) et l'écart type (σ ) sont choisies pour évaluer la performance des modèles de prévision. Les résultats obtenus ont montré que les modèles DNN ont fourni de bonnes performances à l'échelle mondiale avec une valeur maximale atteinte de r = 96 %, pour la prévision quotidienne GHI.

La irradiación horizontal global pronosticada (GHI) puede ayudar a diseñar, dimensionar y analizar el rendimiento de los sistemas fotovoltaicos (PV), incluidos los sistemas de bombeo de agua PV utilizados para aplicaciones de riego. En este documento, se desarrollan e investigan varios modelos de redes neuronales profundas (DNN) para la predicción de un día de anticipación de GHI en la ciudad de Hail (Arabia Saudita). Los modelos DNN considerados incluyen memoria a largo plazo (LSTM), LSTM bidireccional (BiLSTM), unidad recurrente cerrada (GRU), GRU bidireccional (Bi-GRU), red neuronal convolucional unidimensional (CNN 1D ) y otras configuraciones híbridas como CNN-LSTM y CNN-BiLSTM. Un conjunto de datos de grabaciones diarias de GHI recopiladas durante el 1 de enero de 2000 al 30 de junio de 2020 de la Administración Nacional de Aeronáutica y del Espacio (NASA) en una ubicación árida (Hail, Arabia Saudita) se utiliza para desarrollar y comparar los modelos basados en DNN anteriores. Los parámetros que afectan la precisión de los modelos también se han analizado profundamente. Solo se han utilizado valores históricos de GHI diarios para construir los modelos basados en DNN, mientras que los parámetros climáticos adicionales como la temperatura del aire, la velocidad del viento, la dirección del viento, la presión atmosférica y la humedad relativa no se consideran en este trabajo. Biblioteca Keras y lenguaje Python han sido utilizado para desarrollar y comparar los modelos de pronóstico de GHI. Las métricas de evaluación como el coeficiente de correlación (r), el error porcentual absoluto medio (MAPE), el error absoluto medio (MAE), la función de distribución acumulativa (CDF) y la desviación estándar (σ ) se optan para evaluar el rendimiento de los modelos de predicción. Los resultados obtenidos mostraron que los modelos DNN han proporcionado un buen rendimiento a nivel mundial con un valor máximo alcanzado de r = 96%, para el pronóstico diario de GHI.

Forecasted global horizontal irradiation (GHI) can help for designing, sizing and performances analysis of photovoltaic (PV) systems including water PV pumping systems used for irrigation applications.In this paper, various deep neural networks (DNN) models for one day-ahead prediction of GHI at Hail city (Saudi Arabia) are developed and investigated.The considered DNN models include long-shortterm memory (LSTM), bidirectional-LSTM (BiLSTM), gated recurrent unit (GRU), bidirectional-GRU (Bi-GRU), one-dimensional convolutional neural network (CNN 1D ) and other hybrid configurations such as CNN-LSTM and CNN-BiLSTM.A dataset of daily GHI recordings collected during January 1, 2000 to June 30, 2020 from National Aeronautics and Space Administration (NASA) at an arid location (Hail, Saudi Arabia) is used to develop and compare the above DNN-based models.The parameters affecting the accuracy of the models have been also deeply analyzed.Only historical values of daily GHI have been used to build the DNN-based models whereas additional weather parameters such as air temperature, wind speed, wind direction, atmospheric pressure and relative humidity are not considered in this work.Keras library and Python language have been used to develop and compare the GHI forecasting models.The evaluation metrics such as correlation coefficient (r), Mean Absolute Percent Error (MAPE), Mean Absolute Error (MAE), cumulative distribution function (CDF) and standard deviation (σ ) are opted to evaluate the performance of the prediction models.The obtained results showed that the DNN models have provided globally good performances with a maximum reached value of r = 96%, for daily GHI forecasting.

يمكن أن يساعد الإشعاع الأفقي العالمي المتوقع (GHI) في تصميم وتحجيم وتحليل أداء الأنظمة الكهروضوئية (PV) بما في ذلك أنظمة ضخ المياه الكهروضوئية المستخدمة في تطبيقات الري. في هذه الورقة، يتم تطوير نماذج مختلفة للشبكات العصبية العميقة (DNN) للتنبؤ قبل يوم واحد من GHI في مدينة حائل (المملكة العربية السعودية) والتحقيق فيها. تشمل نماذج DNN التي يتم النظر فيها الذاكرة قصيرة المدى (LSTM)، ثنائية الاتجاه - LSTM (BiLSTM)، وحدة متكررة مسورة (GRU)، ثنائية الاتجاه - GRU (Bi - GRU)، شبكة عصبية التفافية أحادية البعد (CNN 1D ) والتكوينات الهجينة الأخرى مثل CNN - LSTM و CNN - BiLSTM. يتم استخدام مجموعة بيانات من تسجيلات GHI اليومية التي تم جمعها خلال الفترة من 1 يناير 2000 إلى 30 يونيو 2020 من الإدارة الوطنية للملاحة الجوية والفضاء (ناسا) في موقع قاحل (حائل، المملكة العربية السعودية) لتطوير ومقارنة النماذج القائمة على DNN المذكورة أعلاه. كما تم تحليل المعلمات التي تؤثر على دقة النماذج بعمق. تم استخدام القيم التاريخية فقط لـ GHI اليومية لبناء النماذج القائمة على DNN بينما لا يتم النظر في معلمات الطقس الإضافية مثل درجة حرارة الهواء وسرعة الرياح واتجاه الرياح والضغط الجوي والرطوبة النسبية في هذا العمل. تستخدم لتطوير ومقارنة نماذج التنبؤ بمؤشر GHI. يتم اختيار مقاييس التقييم مثل معامل الارتباط (r)، متوسط النسبة المئوية المطلقة (MAPE)، متوسط الخطأ المطلق (MAE)، وظيفة التوزيع التراكمي (CDF) والانحراف المعياري (σ ) لتقييم أداء نماذج التنبؤ. أظهرت النتائج التي تم الحصول عليها أن نماذج DNN قد قدمت أداءً جيدًا عالميًا بحد أقصى للقيمة التي تم الوصول إليها r = 96 ٪، للتنبؤ اليومي بمؤشر GHI.