Peramalan Energi Surya dari Data Citra Satelit dengan Model Hybrid Deep Learning

Angely, Elshe Erviana (2024) Peramalan Energi Surya dari Data Citra Satelit dengan Model Hybrid Deep Learning. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5025201050-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (5MB) | Request a copy

Abstract

Peramalan energi surya sangat penting untuk menentukan alokasi distribusi dan penggunaan energi. Analisis menunjukkan korelasi tinggi (99,03%) antara energi surya dan iradiasi sinar matahari. Kemajuan teknologi satelit dan deep learning memungkinkan pengumpulan data iradiasi beresolusi tinggi dan peramalan akurat. Model CNN-LSTM, VGG16-LSTM, dan CNN dengan LSTM Encoder-Decoder digunakan untuk memprediksi energi surya pada waktu t,t+1, dan t+3. Data yang digunakan berasal dari sensor panel surya di Miaoli, Taiwan, dan citra satelit Himawari. Dalam melakukan penelitian, alur kerja dimulai dengan melakukan pra-pemrosesan untuk mengisi data yang kosong. Langkah selanjutnya adalah menentukan model dasar untuk arsitektur CNN dengan cara menambah dan melakukan kombinasi pada layer konvolusional dan layer pooling. Setelah model dasar didapatkan, selanjutnya dilakukan hyperparameter tuning dengan algoritma Random Search untuk mendapatkan model dengan parameter terbaik. Model kemudian disimpan untuk dicari waktu belakang terbaik. Dilakukan tiga kali eksperimen untuk menentukan waktu terbaik, yang kemudian akan diambil rata-ratanya. Setelah waktu belakang terbaik didapatkan kemudian dilakukan 10 kali eksperimen untuk menentukan model terbaik untuk masing-masing target dan bulan. Hasil eksperimen menunjukkan bahwa model CNN-LSTM menunjukkan efisiensi dan nilai kesalahan yang lebih baik. Model ini muncul sebanyak 40 kali dengan persentase 55,56%. Epoch yang digunakan untuk mempelajari data memiliki rata-rata 60 epoch dari 200 epoch, menunjukkan kemampuan model dalam mempelajari pola data dengan cepat dan efektif. Model VGG16-LSTM, meski memiliki lebih banyak layer, tidak selalu lebih baik. Model ini muncul sebanyak 25 kali dengan persentase 34,72% kali. Model ini cenderung memerlukan epoch maksimum untuk mempelajari data. Hal ini menunjukkan bahwa kompleksitas tambahan tidak selalu menguntungkan untuk membaca data deret waktu. Model CNN dengan LSTM Encoder-Decoder memiliki nilai kesalahan lebih tinggi tetapi standar deviasi lebih kecil, menunjukkan hasil yang lebih konsisten. Meski nilai kesalahan lebih tinggi, model ini stabil dan dapat diandalkan dengan hyperparameter tuning lebih lanjut.
====================================================================================================================================
Forecasting solar energy is crucial for determining the allocation and utilization of energy distribution. Analysis shows a high correlation (99.03%) between solar energy and solar irradiation. Advances in satellite technology and deep learning have enabled the collection of high-resolution irradiation data and accurate forecasting. CNN-LSTM, VGG16-LSTM, and CNN with LSTM Encoder-Decoder models are used to predict solar energy at times t, t+1, and t+3. The data used is sourced from solar panel sensors in Miaoli, Taiwan, and Himawari satellite images. The research workflow is meticulously structured, beginning with comprehensive preprocessing to address missing data. Subsequently, a baseline model for the CNN architecture is established through the strategic addition and combination of convolutional and pooling layers. This foundational model undergoes rigorous hyperparameter tuning via the Random Search algorithm to identify the optimal parameters. Once the best configuration is identified, the model is preserved to determine the optimal look-back period. Three experimental runs are conducted to ascertain this optimal period, with the results averaged for accuracy. Following this, ten experimental iterations are executed to determine the superior model for each specified target and month. The findings from these experiments indicate that the CNN-LSTM model exhibits superior efficiency and lower error rates. This model emerged as the best performer in 40 out of the experiments, accounting for 55.56% of the cases. The training process required an average of 60 epochs out of a possible 200, highlighting the model's capability to swiftly and effectively learn the underlying data patterns. In contrast, the VGG16-LSTM model, despite its increased layer complexity, did not consistently outperform the other models. It appeared as the top model in 25 experiments, representing 34.72% of the cases. This model often necessitated the maximum number of epochs to achieve data comprehension, suggesting that additional complexity does not always translate to enhanced performance in time series data interpretation. The CNN with LSTM Encoder-Decoder model, while exhibiting higher error values, demonstrated a smaller standard deviation, reflecting more consistent performance. Despite its higher error rates, this model showcased stability and reliability, indicating potential for improvement through further hyperparameter tuning

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Hybrid Deep Learning, Data Citra Satelit, Peramalan Energi Surya, Target t, t+1, dan t+3 Hybrid Deep Learning, Satellite Image Data, Solar Energy Forecasting, Targets t, t+1, and t+3.
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Elshe Erviana Angely
Date Deposited:	02 Aug 2024 07:51
Last Modified:	17 Sep 2024 03:31
URI:	http://repository.its.ac.id/id/eprint/111995

Actions (login required)

View Item