可解释的AI和基于环境条件的优化太阳能发电预测模型.

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
• 机器学习用于电力预测

背景情况:

• 准确的太阳能预测对于智能电网的稳定性和高效的能源管理至关重要.
• 现有的预测模型往往缺乏可解释性和强大的超参数优化.
• 整合可解释的AI (XAI) 和先进的优化技术可以提高太阳能预测可靠性.

研究的目的:

• 为可靠的太阳能发电预测提出和评估新的X-LSTM-EO模型.
• 利用可解释的人工智能 (XAI) 来识别影响预测准确性的关键因素.
• 使用平衡优化器 (EO) 来优化长期短期记忆 (LSTM) 模型超参数,以提高性能.

主要方法:

• 开发了X-LSTM-EO模型,将LSTM用于时间序列预测,EO用于超参数优化,以及LIME用于可解释性.
• 使用R平方 (R2),RMSE,COV,MAE和EC指标评估模型性能.
• 将拟议的模型与传统的LSTM,决策树,线性回归和梯度提升算法进行了比较,有和没有EO优化器 (使用PSO作为基准).

主要成果:

• 该X-LSTM-EO型号实现了高性能R2=0.99,RMSE=0.46,COV=0.35,MAE=0.229,和EC=0.95.9的高性能.
• 与传统的LSTM相比,观察到显著的性能改善,R2的比率达到148%,EC的比率达到134%.
• LSTM模型的性能优于决策树和线性回归,EO优化器的效率优于PSO.

结论:

• 拟议的X-LSTM-EO模型为预测太阳能发电提供了一种可靠和可解释的方法,即使发生了突然变化.
• XAI和EO的整合显著提高了太阳能预测的准确性和稳定性.
• 该模型可以帮助优化光伏电力系统的运行效率.