相关实验视频
一个基于深度学习的优化混合模型,用于使用CNN SLSTM架构预测每日平均全球太阳辐射量
Yuvaraj Mariappan1, Karthikeyan Ramasamy2, Durgadevi Velusamy3
1Department of Electrical and Electronics Engineering, M.Kumarasamy College of Engineering, Karur, Tamil Nadu, 639113, India. yuvaraj.mariappan16@gmail.com.
Scientific reports
|March 29, 2025
概括
准确的全球水平辐射预测对于太阳能集成至关重要. 一个新的混合深度学习模型,CNN-SLSTM,在使用气象数据预测每日太阳辐射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
- 气象预报 气象预报
背景情况:
- 准确的全球水平辐射 (GHI) 预测对于电网稳定性和太阳能光伏 (PV) 集成的成本效益至关重要.
- 太阳辐射固有的随机性对精确的预测提出了重大挑战.
- 现有的模型往往难以捕捉GHI的复杂时间动态.
研究的目的:
- 开发和评估一种新的混合深度学习模型,用于增强每日平均GHI预测.
- 整合卷积神经网络 (CNN) 和堆叠长期短期记忆 (SLSTM) 以提高预测准确度.
- 利用实时气象参数和历史GHI数据进行可靠的预测.
主要方法:
- 使用递归特征消除进行特征选择,确定了14个重要参数.
- 使用Slime Mould Optimization (SMO) 的元启发算法进行了超参数优化.
- 使用十倍交叉验证和统计指标 (MSE,R2,Adj_R2) 严格评估模型性能.
主要成果:
- 开发的CNN-SLSTM模型显著超过了包括GRU,LSTM,CNN-LSTM,SLSTM,SVM,决策树和随机森林在内的基准模型.
- 在CNN-SLSTM取得的平均平方误差 (MSE) 的0.0359,R2的0.9790,并调整R2 (Adj_R2) 的0.9789.
- 混合方法有效地捕获了气象和太阳辐射数据中的复杂模式.
结论:
- 拟议的CNN-SLSTM混合深度学习模型为每日平均全球水平辐射预测提供了一个高度有效的解决方案.
- 这种先进的预测能力可以促进更好的电网管理,并降低太阳能光伏系统的运营成本.
- 该研究强调了将CNN和SLSTM架构与可再生能源预测的元启发性优化集成的潜力.