Intelligent Spectral Irradiance Forecasting in IoT-Driven Smart Solar Grids: A Hybrid Metaheuristic–Neural Architecture with Fourier- Transformed Matrix Embeddings for Energy Prediction
الكلمات المفتاحية:
خوارزميات عصبية هجينة ميتاهيوريستية، الإشعاع الطيفي الشمسي، الشبكات الذكية المدعومة بإنترنت الأشياء، التعلم العميق، سلسلة فورييه، تحويل المصفوفة، التنبؤ بالطاقة، محسن الذئب الرمادي، الشبكات العصبية المتكررةالملخص
لا يزال التنبؤ الدقيق بالإشعاع الطيفي الشمسي يُمثل تحديًا بالغ الأهمية في استقرار تشغيل شبكات الطاقة الشمسية الذكية وتخطيط تو زيع الطاقة. غالبًا ما تفشل
نماذج التعلم الآلي التقليدية في التقاط ديناميكيات الطيف عالية التردد والسلوك غير الثابت المتأصل في بيانات الإشعاع الشمسي، وخاصةً في ظل الظروف
الجوية المتغيرة. ولمعالجة هذا القيد، نقترح بنية هجينة جديدة تجمع بين الاستكشاف والعصبية، تدمج التعلم العميق مع التحسين المستوحى من علم الأحياء
التي تُشفّر قياسات الإشعاع في السلاسل الزمنية ، (FTMEs) وتحليل الإشارات الطيفية. يكمن الابتكار الأساسي في صياغة تضمينات مصفوفة تحويل فورييه
تُضبط معاملاتها الفائقة ديناميكيًا عبر مُحسِّّن الذئب (RNN) إلى تمثيلات طيفية زمنية مُهيكلة. تعمل هذه التضمينات كمدخلات لشبكة عصبية متكررة عميقة
ويُتيح التنبؤ الفوري بدقة عالية بالإشعاع عبر نطاقات ، (IoT) يُطبَّق النظام المقترح ضمن إطار مراقبة مُمَكَّن بإنترنت الأشياء (GWO). الرمادي المُحسَّن
أن متوسط (NREL) طيفية متعددة. وقد أظهر التحقق التجريبي باستخدام مجموعات بيانات الإشعاع الطيفي الأرضية من المختبر الوطني للطاقة المتجددة
يبلغ 0.018 ، متفوقًا بذلك على أحدث المعايير بنسبة (nRMSE) يبلغ 2.13 %، وخطأ الجذر التربيعي المتوسط المُعَيَّر (MAPE) الخطأ النسبي المطلق
تتراوح بين 12 % و 19 %. كما يُظهر النظام تعميمًا قويًا عبر مناطق مناخية متنوعة، مما يدعم استخدامه في شبكات الطاقة الشمسية الذكية من الجيل التالي
لتحقيق تنبؤات فعالة للطاقة وتكامل الشبكات.
الكلمات المفتاحية: خوارزميات عصبية هجينة ميتاهيوريستية، الإشعاع الطيفي الشمسي، الشبكات الذكية المدعومة بإنترنت الأشياء، التعلم العميق، سلسلة
فورييه، تحويل المصفوفة، التنبؤ بالطاقة، محسن الذئب الرمادي، الشبكات العصبية المتكررة.
التنزيلات
المراجع
[1] Zereg, K. (2023). EVALUATION OF AEROSOLS’EFFECT ON THE EFFICIENCY OF SOLAR
TOWER POWER PLANTS IN ALGERIA (Doctoral dissertation, Université Batna 1 El Hadj Lakhdar).
[2] Voyant, C., Notton, G., Kalogirou, S., Nivet, M. L., Paoli, C., Motte, F., & Fouilloy, A. (2017).
Machine learning methods for solar radiation forecasting: A review. Renewable energy, 105, 569-
582.
[3] Mirjalili, S., Mirjalili, S. M., & Lewis, A. (2014). Grey wolf optimizer. Advances in engineering
software, 69, 46-61.
[4] Al-Dahidi, S., Madhiarasan, M., Al-Ghussain, L., Abubaker, A. M., Ahmad, A. D., Alrbai, M., ...
& Zio, E. (2024). Forecasting solar photovoltaic power production: A comprehensive review and
innovative data-driven modeling framework. Energies, 17(16), 4145.
[5] Miao, L., Zhou, N., Ma, J., Liu, H., Zhao, J., Wei, X., & Yin, J. (2025). Current Status, Challenges
and Future Perspectives of Operation Optimization, Power Prediction and Virtual Synchronous
Generator of Microgrids: A Comprehensive Review. Energies, 18(13), 3557.
[6] Alhajri, F., Mahmoud, S. A., Haque, M. A., Madani, M., Al-Saleem, N. K., Almutairi, R., ... &
Mohamady Ghobashy, M. (2025). Advanced Polymeric Hydrogels for Contaminant Removal and
Microbial Inactivation: Sustainable Water Remediation Strategies and Applications. Separation &
Purification Reviews, 1-26.
[7] Abubakar, M., Che, Y., Zafar, A., Al-Khasawneh, M. A., & Bhutta, M. S. (2025). Optimization
of solar and wind power plants production through a parallel fusion approach with modified hybrid
machine and deep learning models. Intelligent Data Analysis, 29(3), 808-830.
[8] Raupova, M., & Qurbonqulova, S. (2025). THEORETICAL AND PRACTICAL ASPECTS OF
FOURIER SERIES AND INTEGRAL TRANSFORMATIONS. Educator Insights: Journal of
Teaching Theory and Practice, 1(4), 47-52.
[9] Khaseeb, J. Y., Keshk, A., & Youssef, A. (2025). Improved Binary Grey Wolf Optimization
Approaches for Feature Selection Optimization. Applied Sciences, 15(2), 489.
[10] Dalla, L. O. F. B., & Ahmad, T. M. A. (2023). Journal of Total Science. Journal of Total Science.
[11] Dalla, L. O. B., Karal, Ö., & Degirmenciyi, A. (2025). Leveraging LSTM for Adaptive Intrusion
Detection in IoT Networks: A Case Study on the RT-IoT2022 Dataset implemented On CPU
Computer Device Machine.
[12] Yan, N., Zeng, J., Wang, H., Yang, Y., & Li, S. (2025). Research on computationally optimized
distribution network topology reconfiguration method combining Levy flight and electric eel foraging
algorithm. J. COMBIN. MATH. COMBIN. COMPUT, 127, 4817-4836.[ 2025 )
.حواء عبدالحفيظ محمد المنير [ 13 ). Hybrid Metaheuristic-Neural Algorithms for Maximum Power
Point Tracking in IoT-Monitored Solar Arrays Under Partial Shading and Spectral Irradiance
Variability. مجلة الأكاديمية الليبية بني ولي د (JLABW), 38-49.
التنزيلات
منشور
إصدار
القسم
الرخصة

هذا العمل مرخص بموجب Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.







