Selon ses diverses caractéristiques, le système solaire photovoltaïque (PV) est réalisé comme une source d'énergie prometteuse importante pour faire face aux lacunes énergétiques et aux impacts environnementaux comme la contamination. Par conséquent, il est obligatoire d'estimer et de prédire la puissance de sortie pour les intervalles de prédiction afin d'éviter toute coupure de courant ou perturbation urgente du réseau de distribution. Ce sont des tâches difficiles car la puissance de sortie solaire photovoltaïque dépend des données des variables météorologiques telles que la température et le rayonnement solaire. Dans cet article, l'estimation et la prévision de la puissance de sortie solaire photovoltaïque sont étudiées avec une méthode de mise à l'échelle utilisant trois types différents de réseaux neuronaux artificiels (RNA) afin de réduire les erreurs d'estimation dans les types actuels de RNA. Le réseau neuronal à anticipation multicouche (MLFFNN), le réseau neuronal récurrent (RNN) et le réseau neuronal de modèle exogène autorégressif non linéaire (NARX) (NARXNN) sont appliqués pour estimer et prévoir la puissance de sortie totale de quatre sous-stations solaires photovoltaïques réelles en Égypte. Par conséquent, la température de surface et le rayonnement solaire de chaque sous-station photovoltaïque sont appliqués en tant qu'entrées de chaque NN conçu, tandis que la puissance de sortie totale des quatre sous-stations photovoltaïques est sa sortie. Pour les procédures de formation et d'enquête d'efficacité de chaque ANN appliqué, les données de deux mois (60 jours) sont atteintes et collectées à partir de ces quatre sous-stations photovoltaïques. Ici, les données des 45 premiers jours sont appliquées pour former les trois NN conçus, tandis que les données des 15 jours restants, qui ne sont pas appliquées pour la formation, sont utilisées pour vérifier l'efficacité et la capacité de généralisation des NN formés. Par conséquent, le processus d'estimation est considéré comme une étape préalable pour la prévision de la puissance de sortie. Par conséquent, la méthode de mise à l'échelle est utilisée pour évaluer et prévoir une puissance de sortie solaire photovoltaïque régionale en raison du nombre limité de centrales surveillées et de données appliquées. Les résultats fournissent la preuve que les NN formés fonctionnent très bien et efficacement pour estimer correctement la puissance. Les performances du MLFFNN sont les meilleures par rapport aux autres NN, tandis que les performances du NARXNN sont les plus faibles. Le MLFFNN atteint l'erreur quadratique moyenne (MSE) la plus faible de 0,27533 et l'erreur d'approximation absolue la plus faible de 0,2099 MWh. Enfin, l'évaluation et la comparaison entre les trois NN formés et d'autres techniques dans des articles récemment publiés sont mises en évidence et présentées, ce qui révèle la supériorité de performance des trois NN formés par rapport aux autres NNA.

De acuerdo con sus diversas características, el sistema solar fotovoltaico (PV) se realiza como una fuente de energía prometedora significativa para hacer frente a las deficiencias energéticas y los impactos ambientales como la contaminación. Por lo tanto, es obligatorio estimar y predecir la potencia de salida para los intervalos de predicción para evitar cualquier corte de energía o perturbaciones urgentes en la red eléctrica. Estas son tareas desafiantes, ya que la potencia de salida de la energía solar fotovoltaica depende de los datos de las variables climáticas, como la temperatura y la radiación solar. En este artículo, la estimación y el pronóstico de la potencia de salida de la energía solar fotovoltaica se investigan con un método de ampliación utilizando tres tipos diferentes de redes neuronales artificiales (RNA) con el fin de reducir los errores de estimación en los tipos actuales de RNA. La red neuronal de alimentación directa multicapa (MLFFNN), la red neuronal recurrente (RNN) y la red neuronal modelo exógena autorregresiva no lineal (NARX) (NARXNN) se aplican para estimar y pronosticar la potencia de salida total de cuatro subestaciones solares fotovoltaicas reales en Egipto. Por lo tanto, tanto la temperatura de la superficie como la radiación solar de cada subestación fotovoltaica se aplican como las entradas de cada NN diseñado, mientras que la potencia de salida total de las cuatro subestaciones fotovoltaicas es su salida. Para los procedimientos de capacitación e investigación de efectividad de cada ANN aplicado, se obtienen y recopilan los datos de dos meses (60 días) de estas cuatro subestaciones fotovoltaicas. Aquí, los datos de los primeros 45 días se aplican para capacitar a las tres NN diseñadas, mientras que los datos de los 15 días restantes, que no se aplican para la capacitación, se utilizan para verificar la efectividad y la capacidad de generalización de las NN capacitadas. Por lo tanto, el proceso de estimación se considera un paso previo para el pronóstico de la potencia de salida. Por lo tanto, el método de ampliación se utiliza para evaluar y pronosticar una potencia de salida solar fotovoltaica regional debido al número limitado de plantas monitoreadas y datos aplicados. Los resultados proporcionan evidencia de que las NN entrenadas están funcionando muy bien y eficientemente para estimar la potencia correctamente. El rendimiento de la MLFFNN es el mejor en comparación con las otras NN, mientras que el rendimiento de la NARXNN es el más bajo. El MLFFNN logra el error cuadrático medio (MSE) más bajo de 0.27533 y el error de aproximación absoluto más bajo de 0.2099 MWh. Finalmente, se destaca y presenta la evaluación y comparación entre las tres NN capacitadas y otras técnicas en artículos recientemente publicados que revelan la superioridad de rendimiento de las tres NN capacitadas en comparación con otras Ann.

According to its various features, the solar photovoltaics (PV) system is realized as a significant promising energy source to cope with energy shortcomings and environmental impacts like contamination. Therefore, it is mandatory to estimate and predict the output power for prediction intervals to avoid any power outage or urgent disturbances in the utility grid. These are challenging tasks as the solar PV output power depends on the weather variables data such as temperature and solar radiation. In this article, the estimation and forecast of solar PV output power are investigated with an upscaling method using three different types of artificial neural networks (ANNs) in order to reduce the estimation errors in current types of ANNs. The multilayer feedforward neural network (MLFFNN), recurrent neural network (RNN), and nonlinear autoregressive exogenous (NARX) model neural network (NARXNN) are applied to estimate and forecast the total output power of four real solar PV substations in Egypt. Hence both the surface temperature and the solar radiation of each PV substation are applied as the inputs of each designed NN, whereas the total output power of the four PV substations is its output. For the training and effectiveness investigation procedures of each applied ANNs, the data of two months (60 days) are attained and collected from these four PV substations. Here, the data of the first 45 days are applied to train the three designed NNs, while the data from the remaining 15 days, which are not applied for the training, are used to check the effectiveness and the generalization capability of the trained NNs. Hence, the estimation process is considered a prior step for the forecast of the output power. Therefore, upscaling method is utilized for assessing and forecasting a regional solar PV output power because of the limited number of monitored plants and applied data. The results provide evidence that the trained NNs are running very well and efficiently to estimate the power correctly. The performance of the MLFFNN is the best compared with the other NNs, whereas the NARXNN's performance is the lowest one. The MLFFNN achieves the lowest mean squared error (MSE) of 0.27533 and the lowest absolute approximation error of 0.2099 MWh. Finally, the assessment and comparison among the three trained NNs and other techniques in recently published articles are highlighted and presented which reveal the performance superiority of the three trained NNs compared to other ANNs.

وفقًا لخصائصه المختلفة، يتم تحقيق نظام الطاقة الشمسية الكهروضوئية (PV) كمصدر طاقة واعد كبير للتعامل مع أوجه القصور في الطاقة والتأثيرات البيئية مثل التلوث. لذلك، من الضروري تقدير وتوقع طاقة الخرج لفترات التنبؤ لتجنب أي انقطاع في التيار الكهربائي أو اضطرابات عاجلة في شبكة المرافق. هذه مهام صعبة لأن طاقة خرج الطاقة الشمسية الكهروضوئية تعتمد على بيانات متغيرات الطقس مثل درجة الحرارة والإشعاع الشمسي. في هذه المقالة، يتم التحقيق في تقدير وتوقع طاقة خرج الطاقة الشمسية الكهروضوئية باستخدام طريقة توسيع النطاق باستخدام ثلاثة أنواع مختلفة من الشبكات العصبية الاصطناعية (ANNs) من أجل تقليل أخطاء التقدير في الأنواع الحالية من ANNs. يتم تطبيق الشبكة العصبية التغذية الأمامية متعددة الطبقات (MLFFNN)، والشبكة العصبية المتكررة (RNN)، والشبكة العصبية الخارجية الانحدارية الذاتية غير الخطية (NARX) لتقدير وتوقع إجمالي طاقة الإخراج لأربع محطات فرعية حقيقية للطاقة الشمسية الكهروضوئية في مصر. وبالتالي يتم تطبيق كل من درجة حرارة السطح والإشعاع الشمسي لكل محطة فرعية PV كمدخلات لكل NN مصمم، في حين أن إجمالي طاقة الخرج للمحطات الفرعية الكهروضوئية الأربعة هو ناتجها. بالنسبة لإجراءات التدريب والتحقيق في الفعالية لكل ANNs مطبقة، يتم الحصول على بيانات شهرين (60 يومًا) وجمعها من هذه المحطات الفرعية الأربعة الكهروضوئية. هنا، يتم تطبيق بيانات الـ 45 يومًا الأولى لتدريب NNs الثلاثة المصممة، بينما يتم استخدام بيانات الـ 15 يومًا المتبقية، والتي لا يتم تطبيقها على التدريب، للتحقق من فعالية وقدرة التعميم لدى NNs المدربين. وبالتالي، تعتبر عملية التقدير خطوة مسبقة للتنبؤ بقدرة الخرج. لذلك، يتم استخدام طريقة التوسيع لتقييم والتنبؤ بطاقة خرج الطاقة الشمسية الكهروضوئية الإقليمية بسبب العدد المحدود من المحطات المراقبة والبيانات التطبيقية. تقدم النتائج دليلاً على أن NNs المدربة تعمل بشكل جيد للغاية وكفاءة لتقدير القوة بشكل صحيح. أداء MLFFNN هو الأفضل مقارنة بـ NNs الأخرى، في حين أن أداء NARXNN هو الأقل. يحقق MLFFNN أدنى متوسط للخطأ التربيعي (MSE) قدره 0.27533 وأدنى خطأ تقريبي مطلق قدره 0.2099 ميجاوات في الساعة. أخيرًا، يتم تسليط الضوء على التقييم والمقارنة بين NNs الثلاثة المدربة والتقنيات الأخرى في المقالات المنشورة مؤخرًا وتقديمها والتي تكشف عن تفوق أداء NNs الثلاثة المدربة مقارنة بـ ANNs الأخرى.