通过使用与黑猩猩优化算法调整的多种机器学习模型,提高太阳能光伏能源生产预测
Sameer Al-Dahidi1, Mohammad Alrbai2, Hussein Alahmer3
1Department of Mechanical and Maintenance Engineering, School of Applied Technical Sciences, German Jordanian University, Amman, 11180, Jordan. sameer.aldahidi@gju.edu.jo.
Scientific reports
|August 10, 2024
概括
使用机器学习模型准确地预测太阳能对可持续能源至关重要. 多层感知子 (MLP) 模型,通过子优化算法 (ChOA) 进行优化,在预测光伏能源生产方面表现出卓越的性能.
科学领域:
- 可再生能源系统可再生能源系统
- 人工智能在能源中的作用
- 环境数据分析 环境数据分析
背景情况:
- 太阳能光伏 (PV) 系统是可持续能源的关键,但由于环境变化而面临预测挑战.
- 准确预测光伏能源输出对于电网整合和能源管理至关重要.
研究的目的:
- 为了比较五种用于预测太阳能光伏能源生产的机器学习模型.
- 为了评估超参数调整使用黑猩猩优化算法 (ChOA) 对模型性能的影响.
主要方法:
- 开发和比较多重线性回归 (MLR),决策树回归 (DTR),随机森林回归 (RFR),支向量回归 (SVR) 和多层感知子 (MLP) 模型.
- 利用风速,相对湿度,环境温度和太阳辐射作为输入变量.
- 应用了大猩猩优化算法 (ChOA) 进行超参数调整,并根据来自264千瓦功率光伏系统的数据对模型进行了验证.
主要成果:
- 多层感知器 (MLP) 模型以0.503的根平均平方误差 (RMSE),0.397的平均绝对误差 (MAE) 和0.99的R平方 (R2) 实现了最佳性能.
- 黑猩猩优化算法 (ChOA) 显著提高了机器学习模型的预测准确性.
结论:
- 优化的机器学习模型,特别是带有ChOA的MLP,为太阳能光伏能源预测提供了高准确度.
- 先进的优化技术对于提高可再生能源领域的预测准确性至关重要.
