使用深度学习模型输入随机变量进行每日全球太阳辐射预测的比较分析
Amit Kumar Yadav1, Raj Kumar2, Meizi Wang3
1School of Computer Science and Artificial Intelligence, SR University, Warangal, Telangana, 506371, India. amitkumaryadav@sru.edu.in.
Scientific reports
|March 29, 2025
概括
准确的每日全球太阳辐射 (DGSR) 预测对于光伏发电至关重要. 人工神经网络模型,包括变压器模型,比DGSR预测的传统方法更准确.
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:
- 光伏发电直接受到每日全球太阳辐射 (DGSR) 的影响.
- 由于高的仪器成本和设备故障导致的数据间歇性,DGSR数据的精度通常是有限的.
- 准确的DGSR预测对于可靠的光伏发电生产至关重要.
研究的目的:
- 调查和比较各种人工神经网络 (ANN) 模型对DGSR预测的性能.
- 评估不同气象变量对DGSR预测准确性的影响.
- 确定最有效的ANN架构和输入变量组合,以准确地预测DGSR.
主要方法:
- 开发和比较四个ANN模型:辐射基函数神经网络 (RBFNN),长期短期记忆神经网络 (LSTMNN),模块化神经网络 (MNN) 和变压器模型 (TM).
- 使用五个气象随机变量作为输入:风速,相对湿度,最低温度,最高温度和平均温度.
- 基于预测准确度指标评估模型性能,特别是平均绝对相对误差 (MARE).
主要成果:
- 在使用平均,最大和最小温度作为输入变量时,变压器模型 (TM) 实现了1.98%的平均绝对相对误差.
- 与传统预测方法相比,所有研究的ANN模型都显示出更高的预测准确性.
- 不同的气象变量组合在ANN模型中产生了不同程度的准确性.
结论:
- ANN模型,特别是变压器模型,在DGSR预测准确度方面取得了重大进展.
- 输入气象变量的选择对DGSR预测模型的性能产生了重大影响.
- 这项研究突出了先进的人工智能技术的潜力,通过改进的太阳辐射预测来优化光伏能源生产.
