利用混合深度学习算法的力量来估计全球水平辐射量
Rahul Gupta1, Anil Kumar Yadav2, S K Jha3
1Department of Electrical Engineering, Netaji Subhas University of Technology, Dwarka, New Delhi 110078, India; Department of Electrical and Electronics Engineering, G L Bajaj Institute of Technology and Management, Greater Noida, Uttar Pradesh 201310, India.
The Science of the total environment
|June 13, 2024
概括
这项研究引入了一种混合CNN-LSTM-GRU模型,用于准确的全球水平辐射 (GHI) 预测. 综合模型显著提高了预测准确度,并最大限度地减少了太阳能估计中的错误.
科学领域:
- 预测可再生能源的使用情况
- 气候科学中的人工智能
- 太阳能气象学 太阳能气象学
背景情况:
- 估计全球水平辐射 (GHI) 对太阳能至关重要,但面临着气候变化和地理位置的挑战.
- 准确的GHI预测对于高效的太阳能发电厂运行和电网集成至关重要.
研究的目的:
- 开发和评估一种新的混合预测框架,用于精确的GHI估计.
- 将集成深度学习模型的性能与太阳辐射预测的独立方法进行比较.
主要方法:
- 开发了一种混合模型,结合了卷积神经网络 (CNN),长期短期记忆 (LSTM) 和门式循环单元 (GRU).
- 该模型是使用来自印度拉贾斯坦邦四个不同地区的GHI数据进行训练和验证的.
- 使用诸如平均绝对误差 (MAE),根平均平方误差 (RMSE) 和确定系数 (R2) 等指标来评估模型性能.
主要成果:
- 拟议的混合CNN-LSTM-GRU模型在独立模型上表现出优异的性能.
- 实现了较低的RMSE值 (例如,巴默的0.00731) 和MAE值 (例如,巴默的0.00516),表明了高的预测准确性.
- 该模型获得了高的确定系数 (R2),这意味着GHI的良好适应性和强大的预测能力.
结论:
- 混合CNN-LSTM-GRU模型有效地提高了GHI估计的适应性和预测准确性.
- 这种综合深度学习方法为克服太阳辐射预测方面的挑战提供了强大的解决方案.
- 这些发现支持先进的人工智能技术对优化可再生能源资源评估的有用性.
