適応学習率強化ゲート付き回帰ユニット（ALRE-GRU）ネットワークと強化動的バッタ最適化アルゴリズム（EDGOA）を用いた高効率太陽光発電予測

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:AIと再生可能エネルギー予測の融合に興味ある研究者は、VMD+GRU+メタヒューリスティクスの組み合わせ手法を参考にできる。

🏢実務担当者:太陽光発電所の運用管理者は、本手法を導入することで予測精度向上によるコスト削減や系統安定化が期待できる。

🏛政策担当者:再エネの大量導入を進める政策立案者は、系統安定化のための予測技術の重要性を認識し、関連研究への支援を検討すべき。

<title>抄録</title> <p>太陽光発電(PV)の正確な電力予測は、太陽光発電の非線形性および非定常性の性質により、再生可能エネルギーシステムの信頼性の高い運用に不可欠である。本研究では、Variational Mode Decomposition (VMD)と、Enhanced Dynamic Grasshopper Optimization Algorithm (EDGOA)を用いて最適化されたAdaptive Learning Rate Enhanced Gated Recurrent Unit (ALRE-GRU)ネットワークを統合したハイブリッドフレームワークを提案する。VMDを適用してPV電力信号を複数の帯域制限された固有モードに分解し、ノイズ低減と特徴分離を通じてデータ品質を向上させる。分解されたモードはALRE-GRUモデルへの入力として使用され、このモデルは一次および二次勾配モーメントに基づくパラメータ単位の適応学習率戦略を採用して、トレーニングの安定性と収束速度を向上させる。さらにEDGOAを用いて、特に隠れ層サイズなどの重要なハイパーパラメータを最適に調整する。Enhanced Dynamic Grasshopper Optimization Algorithm (EDGOA)内に動的慣性運動重みと適応的突然変異確率係数を組み込むことで、準最適な局所最適解への早期収束のリスクを効果的に軽減する。提案手法は、オーストラリアのユララ太陽光発電システムからの実世界のPVデータを用いて、短期(60時間)および長期(300時間)の予測について評価される。実験結果は優れた性能を示し、R² 99.91%、RMSE 11.41、MAE 8.51、MAPE 0.70%を達成し、いくつかの最先端の予測モデルを上回る。これらの結果は、太陽光発電予測アプリケーションに対する提案フレームワークの有効性と堅牢性を確認するものである。</p>

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

<title>Abstract</title> <p>Accurate photovoltaic (PV) power forecasting is essential for the reliable operation of renewable energy systems due to the nonlinear and non-stationary nature of solar power generation. This study proposes a hybrid framework that integrates Variational Mode Decomposition (VMD) with an Adaptive Learning Rate Enhanced Gated Recurrent Unit (ALRE-GRU) network optimized using the Enhanced Dynamic Grasshopper Optimization Algorithm (EDGOA). VMD is applied to decompose PV power signals into multiple band-limited intrinsic modes, improving data quality through noise reduction and feature separation. The decomposed modes are used as inputs to the ALRE-GRU model, which employs a parameter-wise adaptive learning rate strategy based on first- and second-order gradient moments to enhance training stability and convergence speed. EDGOA is further utilized to optimally tune critical hyperparameters, particularly the hidden layer size. The incorporation of dynamic inertial motion weights and an adaptive mutation probability coefficient within the Enhanced Dynamic Grasshopper Optimization Algorithm (EDGOA) effectively mitigates the risk of premature convergence to suboptimal local optima. The proposed method is evaluated using real-world PV data from the Yulara Solar System in Australia for short-term (60-hour) and long-term (300-hour) forecasting. Experimental results demonstrate superior performance, achieving an R² of 99.91%, RMSE of 11.41, MAE of 8.51, and MAPE of 0.70%, outperforming several state-of-the-art forecasting models. These results confirm the effectiveness and robustness of the proposed framework for photovoltaic power forecasting applications.</p>

• Research Square https://doi.org/10.21203/rs.3.rs-9797800/v1first seen 2026-06-11 04:37:06 · last seen 2026-06-24 04:29:16