在印度使用EMD,EEMD和先进的机器学习算法进行长期太阳辐射预测
T RajasundrapandiyanLeebanon1, N S Sakthivel Murugan2, K Kumaresan3
1Department of Electrical and Electronics Engineering, TamilNadu College of Engineering, Coimbatore, Tamil Nadu, India. leebanon2003@gmail.com.
准确的长期太阳辐射预测对于可再生能源和环境可持续性至关重要. 集体实证模式分解 (EEMD) 与多层感知器 (MLP) 机器学习模型相结合,显示了太阳能预测的卓越性能.
科学领域:
- 环境科学 环境科学
- 可再生能源可再生能源是可再生能源.
- 数据科学数据科学数据科学
背景情况:
- 太阳辐射对于陆地碳捕获和环境可持续性至关重要.
- 准确的太阳辐射预测对于优化可再生能源系统至关重要.
研究的目的:
- 开发和评估用于长期太阳辐射预测的先进方法.
- 在与各种机器学习算法集成时,比较实证模式分解 (EMD) 和集体实证模式分解 (EEMD) 的有效性.
主要方法:
- 利用了来自印度7个地点 (2000-2012) 的13年气象数据.
- 集成EMD和EEMD与机器学习模型:多层感知器 (MLP),随机森林回归 (RFR),支向量回归 (SVR) 和回归.
- 使用相关系数 (R),平均绝对误差 (MAE) 和根平均平方误差 (RMSE) 评估模型性能.
主要成果:
- 基于EMD的机器学习模型始终优于基于EMD的方法.
- 与MLP模型集成的EEMD在所有测试地点表现出最高的准确性.
- 取得了优异的绩效指标:RMSE = 0.332,MAE = 0.26,R2 = 0.99. 这两个指标是:RMSE = 0.332,MAE = 0.26 和 R2 = 0.99.
结论:
- 与现有的方法相比,拟议的EEMD-ML方法在长期太阳辐射预测方面提供了更高的准确性.
- 这种先进的预测技术可以显著有利于可再生能源管理和环境可持续性的努力.
更多相关视频
09:55Surface Renewal: An Advanced Micrometeorological Method for Measuring and Processing Field-Scale Energy Flux Density Data
Published on: December 12, 2013
12:26Integrating Remote Sensing with Species Distribution Models; Mapping Tamarisk Invasions Using the Software for Assisted Habitat Modeling SAHM
Published on: October 11, 2016
相关概念视频
What is Weather?
Absorption of Radiation
Radiation: Applications
The average...
Electronic Distance Measuring Instruments
Steps in Outbreak Investigation
