Leveraging Machine Learning for Sustainable Solar Power: Techniques for Enhanced Generation and Management

Khababa, Ghizlane; Blida, Kamilia; Khababa, Abdallah

doi:10.21608/ijsrsd.2024.396829

Leveraging Machine Learning for Sustainable Solar Power: Techniques for Enhanced Generation and Management

Document Type : Original Article

Authors

¹ LRSD Laboratoire des résaux et systèmes distribués, Department of Computer Science, Faculty of Sciences, University Sétif 1-Algeria

² Faculty of Economics, University El Bachir El Ibrahimi-Bordj Bou Arreridj

³ Department of Computer Science, Faculty of Sciences, University Sétif

10.21608/ijsrsd.2024.396829

Abstract

The paper in hands presents a Long Short-Term Memory (LSTM) model to forecast solar power generation and management, as it aiming to improve the reliability and efficiency of solar energy systems. LSTM, a type of recurrent neural network, is well-suited for handling time series data and capturing long-term dependencies, making it an effective tool for predicting fluctuations in solar power generation due to variable weather patterns and seasonal changes. By utilizing historical weather data, irradiance levels, and past solar output, the LSTM model predicts short-term and medium-term solar power generation, allowing for optimized energy management and improved grid integration. This model helps address challenges in balancing demand and supply, reducing reliance on fossil fuels, and enhancing the sustainability of renewable energy sources. The results indicate that the LSTM-based forecasting model achieves high accuracy, significantly reducing prediction errors compared to traditional forecasting methods, thereby supporting more efficient solar power management strategies.

Keywords

Article Title [العربیة]

إستخدام التعلم الآلي للطاقة الشمسية المستدامة: تقنيات لتعزيز التوليد والإدارة

Authors [العربیة]

غزلان خبابه ¹
كاميليا بليدة ²
عبد الله خبابه ³

¹ مخبر الشبكات والأنظمة الموزعة، قسم علوم الحاسوب، كلية العلوم، جامعة سطيف 1 - الجزائر

² كلية الاقتصاد، جامعة البشير الإبراهيمي - برج بوعريريج

³ قسم علوم الحاسوب، كلية العلوم، جامعة سطيف 1 – الجزائر

Abstract [العربیة]

تقدم الورقة التي بين ايدينانموذج ذاكرة طويلة قصيرة الأجل (LSTM) للتنبؤ بتوليد وإدارة الطاقة الشمسية، بهدف تحسين موثوقية وكفاءة أنظمة الطاقة الشمسية بشكل كبير. يُعد LSTM، وهو نوع من الشبكات العصبية المتكررة، حيث يكون مناسباً للتعامل مع بيانات السلاسل الزمنية المعقدة واستيعاب التبعيات طويلة الأجل، مما يجعله أداة فعالة للتنبؤ بتقلبات توليد الطاقة الشمسية الناتجة عن التغيرات المناخية الموسمية وتغيرات الطقس اليومية. من خلال استخدام بيانات الطقس التاريخية ومستويات الإشعاع الشمسي وبيانات الإنتاج الشمسي السابقة، يتنبأ نموذج LSTM بتوليد الطاقة الشمسية على المدى القصير والمتوسط، مما يسمح بتحسين إدارة الطاقة الشمسية وتكامل أفضل مع الشبكة الكهربائية. يساعد هذا النموذج الذكي في معالجة تحديات موازنة العرض والطلب على الطاقة، وتقليل الاعتماد على الوقود الأحفوري، وتعزيز استدامة مصادر الطاقة المتجددة. وتشير النتائج إلى أن نموذج التنبؤ المستند إلى LSTM يحقق دقة عالية، مما يقلل بشكل كبير من أخطاء التنبؤ مقارنة بالطرق التقليدية، وبالتالي يدعم استراتيجيات إدارة الطاقة الشمسية بكفاءة أعلى واستدامة أكبر.

Keywords [العربیة]