在不同的天空条件下使用机器学习模型进行短期太阳辐射预测:评估和比较
Brahim Belmahdi1, Abdelmajid El Bouardi2
1Energetics Laboratory, ETEE, Faculty of Sciences, Abdelmalek Essaadi University, Tetuan, Morocco. belmahdi.brahim@gmail.com.
Environmental science and pollution research international
|November 29, 2023
概括
随机森林 (RF) 模型准确地预测了短期的全球太阳辐射 (GSR). 这种机器学习方法为太阳能应用提供了可靠的替代方案,性能优于其他测试模型.
科学领域:
- 可再生能源可再生能源是可再生能源.
- 机器学习 机器学习
- 大气科学 大气科学
背景情况:
- 准确的短期太阳辐射预测对于太阳能应用和投资至关重要.
- 太阳能比化石燃料更为有利于环境.
研究的目的:
- 评估和比较七种用于预测每小时全球太阳辐射 (GSR) 的机器学习模型.
- 为了评估不同时间,季节和天空条件的模型性能.
主要方法:
- 在两个地点收集了2012-2015年的气象,天文,计算和地理数据.
- 使用并比较了七个机器学习模型:MLP,FFBP,ARIMA,LR,RBFNN,RF和GPR.
- 预测每小时的GSR使用收集的数据作为输入.
主要成果:
- 随机森林 (RF) 模型在预测GSR方面表现出令人满意的准确性.
- 在MLP和GPR模型中,通常表现优于LR,FFBP,RBF和ARIMA.
- 射频实现了0.9621 (泰图安) 和0.9534 (坦吉尔) 的R2值.
- 射频,MLP和GPR模型显示,在晴朗的日子里,高辐射的预测往往不足.
结论:
- 拟议的射频模型是短期全球太阳辐射预测的可靠和准确的替代方案.
- 对数据分布的进一步调查可能会改善天空晴朗的预测.
