Журнал «Светотехника» №1 2026

Дата публикации 09/03/2026
Страница 28-34

Прогнозирование энергопотребления на основе глубокого обучения для умного уличного освещения: сравнительное исследование LSTM и CNN-LSTM «Светотехника», 2026, №1

Авторы статьи:

Муад Яичи (Mouaadh Yaichi), Захария Бенарбия (Zakaria Benarbia), Мхамед Ребхи (Mhamed Rebhi), Бусмаха Бушиба (Bousmaha Bouchiba)

Муад Яичи (Mouaadh Yaichi), магистр наук. В 2016 году окончил Университет Тахри Мохамеда в Бешаре, Алжир, получив степень бакалавра наук в области электроники. В 2018 году получил степень магистра наук в области электроники встроенных систем в том же университете. В настоящее время является аспирантом в области интеллектуального освещения

Захария Бенарбия (Zakaria Benarbia), аспирант в области машинного обучения и глубокого обучения для компьютерного зрения. Имеет степень магистра в области электронной и встроенной системной инженерии Университета Тахри Мохамеда. Его научные интересы включают глубокое обучение, компьютерное зрение и периферийный ИИ, с особым акцентом на отслеживание нескольких объектов с использованием методов, основанных на зрении, и развёртывание оптимизированных моделей ИИ на встроенных устройствах. Сочетая теоретические знания с практической реализацией, он стремится разработать эффективные, объяснимые и надёжные системы ИИ для реальных приложений

Мхамед Ребхи (Mhamed Rebhi) получил степень доктора философии в области энергетической физики в 2017 году в Университете Тахри Мохамеда в Бешаре, Алжир, степень магистра наук в области фотоэлектрической микроэлектроники в 2007 году и окончил факультет микроэлектроники в 1993 году в университете SDB. В настоящее время является доцентом в Университете Тахри Мохамеда в Бешаре и членом Лаборатории интеллектуальных сетей и возобновляемых источников энергии. В сферу его научных интересов входят моделирование, расчёт размеров и оптимизация фотоэлектрических систем, управление энергией, традиционные и интеллектуальные алгоритмы отслеживания точки максимальной мощности (MPPT), встроенная электроника и микросетевые системы

Бусмаха Бушиба (Bousmaha Bouchiba), Ph. D. Получил диплом инженера-электрика в Университете Тахри Мохамеда в Бешаре, Алжир, в 1999 году, степень магистра наук в Александрийском университете в Египте в 2006 году и степень доктора философии в Университете Джиллали Лиабес в Сиди-Бель-Аббесе в 2011 году. В настоящее время является профессором электротехники в Университете Тахри Мохамеда в Бешаре, Алжир

Аннотация

Южный Алжир отличается суровыми климатическими условиями, в частности, постоянными сильными ветрами и экстремальными температурами. Эти факторы окружающей среды часто приводят к сбоям в работе интеллектуальных систем уличного освещения, вызывая простои в работе, и негативно сказываются на повседневной жизни граждан. В ходе пилотного тестирования интеллектуальной системы уличного освещения на территории университетского кампуса были выявлены две критические проблемы: сильный ветер и проливные дожди, которые вынудили систему приостановить работу из-за снижения производительности в таких условиях. Для решения этих проблем были обучены и оценены две модели глубокого обучения – долгой краткосрочной памяти (LSTM) и свёрточной нейронной сети с LSTM (CNN-LSTM) – с использованием одномерного набора данных, включающего только исторические данные о выходной мощности. Основная цель заключалась в разработке стратегии управления, способной динамически регулировать уровни мощности для повышения устойчивости системы к изменчивости окружающей среды. Результаты показывают, что обе модели продемонстрировали высокую точность прогнозирования; однако модель LSTM показала более высокую точность по сравнению с CNN-LSTM, что подчёркивает её эффективность в оптимизации интеллектуальных систем уличного освещения в экстремальных климатических условиях при одновременном повышении энергоэффективности.

Список использованной литературы

1. M’hamed R., Boussemaha B., Mouaadh Y., Youcef H., Mohammed D. Low cost of smart unilateral street lighting system with photovoltaic power plant using particle swarm optimization // Studies in Engineering and Exact Sciences, 2024. V. 5, № 2. С. e11658.
2. Agramelal F., Sadik M., Moubarak Y., Abouzahir S. Smart Street Light Control: A Review on Methods, Innovations, and Extended Applications // Energies, 2023. V. 16, № 21. С. 1–42.
3. Jackett M., Frith W. Quantifying the impact of road lighting on road safety – A New Zealand Study // IATSS Research, 2013. V. 36, № 2. С. 139–145.
4. Viswanathan S., Momand S., Fruten M., Alcantar A. A model for the assessment of energy-efficient smart street lighting – a case study // Energy Efficiency, 2021. V. 14, № 6.
5. Pizzuti S., Annunziato M., Moretti F. Smart street lighting management // Energy Efficiency, 2013. V. 6, № 3. С. 607–616.
6. Beccali M., Bonomolo M., Lo Brano V., Ciulla G., Di Dio V., Massaro F. A multifunctional public lighting infrastructure, design and experimental test // Journal of Sustainable Development of Energy, Water and Environment Systems, 2017. V. 5, № 4. С. 608–625.
7. Rojek I., Mikołajewski D., Galas K., Piszcz A. Advanced Deep Learning Algorithms for Energy Optimization of Smart Cities // Energies, 2025. V. 18, № 2.
8. Raza M.Q., Khosravi A. A review on artificial intelligence based load demand forecasting techniques for smart grid and buildings // Renewable and Sustainable Energy Reviews, 2015. V. 50. С. 1352–1372.
9. Alam S., Alharthi S.A., Alotaibi F.A., Khan F. Intelligent Streetlight Control System Using Machine Learning Algorithms for Enhanced Energy Optimization in Smart Cities // Journal of Ecohumanism, 2025. V. 4, № 4.
10. Durand D., Aguilar J., R-Moreno M.D. An analysis of the energy consumption forecasting problem in smart buildings using LSTM // Sustainability, 2022. V. 14, № 20.
11. Jouahri M.A., Boulghasoul Z., Tajer A. Smart control of electrical power in an LED lighting network taking into account road flow and meteorological conditions // Electrical Engineering, 2024. V. 106, № 5. С. 5655–5675.
12. Gopalakrishnan B., Dharshini M., Devi S.R., Gayathri K. Prediction of street lights in metro cities using time series analysis in machine learning algorithm // International Journal of Aquatic Science, 2021. V. 12, № 3. С. 1336–1345.
13. Amiri A.F., Chouder A., Oudira H., Silvestre S., Kichou S. Improving photovoltaic power prediction: insights through computational modeling and feature selection // Energies, 2024. V. 17, № 13.
14. Nadweh S., Mohammed N., Konstantinou C., Ahmed S. Operational performance assessment of PV-powered street lighting: a comparative study of different machine learning prediction models // IEEE Access, 2025. V. 13.
15. Yang G., Luo Q., Wu J. Automatic control method for street lights in unideal lighting environments based on deep learning // Light & Engineering, 2023. V. 31, № 6.
16. Bian J., Yang J.J. Smart street lighting powered by renewable energy: a multi-criteria, data-driven decision framework // Sustainability, 2025. V. 17, № 13.
17. Sujana J.A.J., Raj R.V., Priya V.K.R. Fog intelligence for energy efficient management in smart street lamps // Computing, 2024. V. 106, № 12. С. 4057–4082.
18. Mouaadh Y., Bousmaha B., Mhamed R. Intelligent control and reduce energy consumption of smart street lighting system // International Journal of Power Electronics and Drive Systems (IJPEDS), 2022. V. 13, № 4. С. 1966–1974.
19. Arpit D., Kanuparthi B., Kerg G., Ke N.R., Mitliagkas I., Bengio Y. h-detach: Modifying the LSTM gradient towards better optimization // arXiv Prepr., 2018. arXiv:1810.03023.
20. Elmaz F., Eyckerman R., Casteels W., Latré S., Hellinckx P. CNN-LSTM architecture for predictive indoor temperature modeling // Building and Environment, 2021. V. 206. С. 108327.
21. Kim T.Y., Cho S.B. Predicting residential energy consumption using CNN-LSTM neural networks // Energy, 2019. V. 182. С. 72–81.
22. Lee S.W., Kim H.Y. Stock market forecasting with super-high dimensional time-series data using ConvLSTM, trend sampling, and specialized data augmentation // Expert Systems with Applications, 2020. V. 161. С. 113704.
23. Tukymbekov D., Saymbetov A., Nurgaliyev M., Kuttybay N., Dosymbetova G., Svanbayev Y. Intelligent autonomous street lightingsystem based on weather forecast using LSTM // Energy, 2021. V. 231. С. 120902.
24. Islam M.Z., Islam M.M., Asraf A. A combined deep CNN-LSTM network for the detection of novel coronavirus (COVID‑19) using X-ray images // Informatics in Medicine Unlocked, 2020. V. 20. С. 100412.
25. Wang J., Yu L.C., Lai K.R., Zhang X. Dimensional sentiment analysis using a regional CNN-LSTM model // Proc. 54th Annu. Meet. Assoc. Comput. Linguist. (ACL), 2016. С. 225–230.
26. Yaichi M., Bouchiba B., Rebhi M. IoT-based smart street lighting system and enhanced energy saving using ESP-NOW protocol // Light & Engineering, 2024. V. 32, № 6. С. 76–84.
27. Agga A., Abbou A., Labbadi M., El Houm Y. Short-term self consumption PV plant power production forecasts based on hybrid CNNLSTM, ConvLSTM models // Renewable Energy, 2021. V. 177. С. 101–112.
28. Tsalikidis N., Mystakidis A., Tjortjis C., Koukaras P., Ioannidis D. Energy load forecasting: one-step ahead hybrid model utilizing ensembling // Computing, 2024. V. 106, № 1.

Ключевые слова

Выберите вариант доступа к этой статье

Купить

Рекомендуемые статьи

Смотреть все статьи