Hybrid AI Models for Forecasting and Optimizing Solar Energy Generation Under Varying Weather Conditions

Abstract

يُعد التنبؤ الدقيق بالطاقة الشمسية أمرًا بالغ الأهمية لتعظيم تكامل الطاقة المتجددة واستقرار الشبكة. تستعرض هذه الدراسة وتقترح نماذج ذكاء اصطناعي هجينة متطورة تجمع بين الشبكات العصبية التلافيفية (CNNs) وشبكات الذاكرة طويلة المدى قصيرة المدى (LSTMs) للتنبؤ بتوليد الطاقة الكهروضوئية (PV) في ظل ظروف جوية متنوعة. نسلط الضوء على كيفية تأثير عوامل الطقس (الإشعاع، والغطاء السحابي، ودرجة الحرارة، والرطوبة) على إنتاج الطاقة الكهروضوئية، ولماذا تُعاني الطرق التقليدية من صعوبة رصد هذه التأثيرات غير الخطية. تستخرج هياكل CNN-LSTM الهجينة السمات المكانية (مثل أنماط السحب) وتتعلم التبعيات الزمنية في بيانات السلاسل الزمنية، مما يُعطي دقة أعلى من النماذج المستقلة. على سبيل المثال، أفاد لادجال وآخرون (2025) بنموذج CNN-LSTM ذي R² ≈ 0.9993، وهو ما يتجاوز بكثير مناهج ANN أو SVR الأبسط. نصف خطوات المعالجة المسبقة للبيانات، وهياكل النماذج، ومقاييس التقييم (MSE، RMSE، MAE، MAPE) المستخدمة في مجموعات بيانات الطاقة الشمسية العامة (مثل بيانات POWER التابعة لناسا). تُظهر التجارب على مجموعات بيانات الطاقة الكهروضوئية المرجعية أن النموذج الهجين يحقق باستمرار أخطاء أقل (مثل MAPE ≈1-7%) مقارنةً بالشبكات العصبية الاصطناعية ذات التغذية الأمامية. علاوة على ذلك، نناقش تطبيقات التحسين: يمكن للتحكم المستند إلى التنبؤات (مثل تعديل الميل، وجدولة تخزين الطاقة) أن يزيد من إنتاج الطاقة ويخفض التكاليف من خلال توقع تقلبات الطقس.Accurate solar power forecasting is crucial for maximizing renewable energy integration and grid stability. This study reviews and proposes advanced hybrid AI models that combine convolutional neural networks (CNNs) with long short-term memory networks (LSTMs) to forecast photovoltaic (PV) generation under diverse weather conditions. We highlight how weather factors (irradiance, cloud cover, temperature, humidity) affect PV output and why traditional methods struggle to capture these nonlinear effects. Hybrid CNN-LSTM architectures extract spatial features (e.g. cloud patterns) and learn temporal dependencies in time-series data, yielding higher accuracy than standalone models. For example, Ladjal et al. (2025) report a CNN-LSTM model with R² ≈ 0.9993, far exceeding simpler ANN or SVR approaches. We describe the data preprocessing steps, model structures, and evaluation metrics (MSE, RMSE, MAE, MAPE) used in public solar datasets (e.g. NASA’s POWER data). Experiments on benchmark PV datasets demonstrate that the hybrid model consistently achieves lower errors (e.g. MAPE ≈1-7%) compared to feed-forward ANNs. Moreover, we discuss optimization applications: forecast-informed control (tilt adjustment, energy storage scheduling) can increase energy yields and reduce costs by anticipating weather variability.