混合深度学习CNN-LSTM模型用于预测直接正常辐射:对阿尔及利亚加尔代亚的太阳能潜力的研究
Boumediene Ladjal1, Mohamed Nadour2, Mohcene Bechouat1
1Department of Automation and Electromechanics, Faculty of Science and Technology, University of Ghardaïa, Ghardaïa, Algeria.
Scientific reports
|May 2, 2025
概括
CNN-LSTM模型在几天内预测太阳辐射 (SR) 中表现出卓越的性能,以更高的准确性和可靠性超过其他机器学习方法. 这种先进的深度学习方法为SR预测提供了显著的改进.
科学领域:
- 可再生能源系统可再生能源系统
- 机器学习应用 机器学习应用
- 大气科学 大气科学
背景情况:
- 准确的太阳辐射 (SR) 预测对于优化太阳能系统和了解大气现象至关重要.
- 目前用于SR预测的机器学习模型对短期到中期预测的准确性和可靠性有局限性.
- 深度学习技术的整合为增强SR预测能力提供了潜力.
研究的目的:
- 对四种不同的太阳辐射 (SR) 预测模型进行深入分析和性能评估.
- 为了比较Feed-forward-Back Propagation (FFBP),Convolutional Feed-forward-Back Propagation (CFBP),Support Vector Regression (SVR) 和混合卷积神经网络-长短期记忆 (CNN-LSTM) 深度学习模型的有效性.
- 使用统计指标来评估模型性能,例如平均平方误差 (MSE),根平均平方误差 (RMSE),平均绝对误差 (MAE),平均绝对百分比误差 (MAPE) 和规范化根平均平方误差 (nRMSE).
主要方法:
- 实施了四种机器学习算法:FFBP,CFBP,SVR和混合CNN-LSTM深度学习模型.
- 使用历史实验数据进行SR预测的模型培训和验证.
- 使用已建立的统计错误指标对实际记录数据进行模型预测的定量评估.
主要成果:
- 混合CNN-LSTM模型在SR预测准确性和可靠性方面始终超过FFBP,CFBP和SVR模型.
- 在所有用于评估的统计指标中,CNN-LSTM模型显示出最低的错误率.
- 通过CNN-LSTM模型实现了高的确定系数 (R2 = 0.99925),表明了出色的预测能力.
结论:
- 混合CNN-LSTM深度学习模型代表了太阳辐射预测技术的重大进步.
- 这种先进的模型为预测从几小时到几天的太阳辐射提供了更高的准确性和可靠性.
- 研究结果表明,CNN-LSTM模型对于需要精确太阳辐射预测的应用,如可再生能源管理等,是一个非常有效的工具.
