Multi-step short-term solar energy forecasting using Fourier-enhanced BiLSTM and neural additive models
Notice bibliographique
Résumé
Accurate short and medium-term forecasting is important for mitigating uncertainty and enabling efficient energy grid management. While traditional machine learning and deep learning models offer improved accuracy, they often lack interpretability. To address these limitations, this study proposes a hybrid forecasting framework, called FNO-BiLSTM-NAM, that combines a Fourier Neural Operator (FNO) to extract spectral–temporal features, a Bidirectional Long Short-Term Memory (BiLSTM) network to model sequential dependencies, and a Neural Additive Model (NAM) to quantify feature-wise contributions. The model incorporates multi-scenario forecasting to support energy operators under different uncertainty levels. Experiments conducted on a dataset from a 5 MW PhotoVoltaic (PV) plant demonstrate the superiority of the model. For a 6-hour forecast horizon, the proposed FNO-BiLSTM-NAM model achieved a mean absolute error of 0.0712 and mean squared error of 0.0092, outperforming benchmark models across short- to medium-term horizons. Furthermore, the spectral analysis of the FNO revealed low-pass filtering behavior, highlighting the ability of the model to suppress high-frequency noise. Comparative experiments with five machine and deep learning baseline models confirm the robustness and generalization capacity of the framework. These results underscore the potential of the proposed model for enhancing PV energy forecasting accuracy while maintaining transparency across dynamic operating conditions. • Innovative preprocessing uses anomaly detection and SHAP feature engineering. • FNO–BiLSTM–NAM delivers highly accurate PV forecasting for a multi-step horizon. • Captures long- and short-term dynamics using a combination of FNO and BiLSTM. • Enables interpretability by isolating and quantifying each feature’s contribution. • Outperforms state-of-the-art forecasting methods across multiple error metrics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».