使用混合深度学习进行太阳能发电预测:使用随机森林-BiLSTM和集体建模进行性能提升

科学领域:

• 可再生能源系统可再生能源系统
• 人工智能的人工智能
• 时间序列分析时间序列分析

背景情况:

• 准确的太阳能预测对于可再生能源系统的稳定性和电网集成至关重要.
• 深度学习模型为捕捉太阳辐射数据中的复杂时间依赖提供了潜力.

研究的目的:

• 开发和评估用于太阳能发电预测的混合深度学习整体方法.
• 评估各种混合架构的性能,包括RF-BiLSTM,CNN-LSTM,CNN-BiLSTM,CNN-GRU和CNN-变压器.

主要方法:

• 实施了五种混合深度学习架构,结合了卷积和循环神经网络.
• 用历史太阳辐射时间序列数据训练和评估模型.
• 使用反向平均绝对误差 (MAE) 的加权平均值,创建了一个整体模型,对表现最好的三个单个模型进行加权平均.

主要成果:

• 该RF-BiLSTM模型显示了最好的个人性能 (R2 = 0.6568,MAE = 30,728W).
• 整体模型取得了优异的结果 (R2 = 0.6933,MAE = 28,809.89 W),预测误差减少了6.2%.
• 整体方法证明了预测的可靠性和准确性得到了提高.

结论:

• 拟议的混合深度学习整体框架有效地提高了太阳能发电预测的准确性.
• 这种数据驱动的解决方案为智能电网中的可再生能源预测提供了一个可扩展和强大的方法.
• 这些发现有助于更好的电网集成和太阳能系统的运行稳定性.