Multistep-Ahead Solar Irradiance Forecasting for Smart Cities Based on LSTM, Bi-LSTM, and GRU Neural Networks

Abstract

Sustainable and renewable energy sources provide a promising method to address worldwide energy crises due to their long-lasting availability and a clean environment. However, this solution has drawbacks in optimizing energy production and demand integration. For instance, the intermittent nature of photovoltaic system power influenced by weather conditions is the most significant obstacle to appropriate integration into smart city systems; hence, among these sustainable resources, solar irradiance requires accurate prediction. Therefore, this study proposes recurrent neural network (RNN)-based deep learning models for time-series forecasting problems to reflect nonlinear weather parameters effectively. These methods include long short-term memory (LSTM), bidirectional LSTM (Bi-LSTM), and gated recurrent units (GRU), along with their variants for 11-step-ahead (one day) hourly solar irradiance forecasting for Seoul, Busan, and Incheon. The performance of these methods was evaluated by comparing them with baseline regression models comprising multiple linear regression, partial least squares, and multivariate adaptive regression splines based on the mean absolute and root mean square errors. In addition, the variants of RNNs were compared in terms of performance indices. Attention mechanism-based Bi-LSTM and GRU models trained with the scaled exponential linear unit activation function derive excellent performance in multistep-ahead solar irradiance forecasting. A comparison with the existing results supports the proposed RNN variants due to their higher efficiency, accuracy, and robustness.

지속 가능하고 재생 가능한 에너지 자원은 높은 가용성과 깨끗한 환경을 제공한다는 장점으로 인해 전 세계적으로 에너지 위기를 극복할 수 있는 유망한 방법을 제공한다. 그러나, 이러한 방법은 에너지 생산과 수요의 결합을 최적화해야 하는 결점이 있다. 예를 들어, 기상 조건에 영향을 받는 태양광 발전 시스템에서의 전력 생산은 간헐적 특징으로 인해 스마트 시티 시스템으로의 적절한 통합에 가장 큰 걸림돌이 되므로, 지속 가능한 에너지 자원 중 하나인 일사량의 정확한 예측이 필요하다. 따라서 본 연구는 비선형적인 특성을 보이는 기상 조건을 효과적으로 반영할 수 있는 순환 신경망 기반의 심층 학습 모델들을 개발하였으며, LSTM, Bi-LSTM, GRU로 구성된 모델들은 서울, 부산, 인천을 대상으로 1 시점 뒤부터 11 시점 뒤까지 총 11 시점(1일)의 다단계 일사량 예측을 수행하였다. 또한, 평균 절대 오차와 평균 제곱근 오차 측면에서 통상적인 회귀 모델인 다중 선형 회귀, 부분 최소 제곱, 다변량 적응 회귀 스플라인과의 비교와 순환 신경망의 다양한 변형을 통한 다양한 예측 성능을 평가하였다. SELU 활성화 함수로 학습한 주의 집중 메커니즘 기반의 Bi-LSTM과 GRU 모델은 다단계 일사량 예측에서 전반적으로 우수한 성능을 확인할 수 있었으며, 이러한 결과를 토대로 제안한 순환 신경망의 변형은 높은 효율성, 정확성, 강건성을 보장할 수 있다.