LSTM and RBFNN Based Univariate and Multivariate Forecasting of Day-ahead Solar Irradiance for Atlantic Region in Canada and Mediterranean Region in Libya
Notice bibliographique
Résumé
For optimal functioning, grid-connected photovoltaic (GCPV) systems need day-ahead power forecasting, as this ensures overall enhanced management in areas such as reliability, scheduling, and efficiency in energy trading. Solar irradiation forecasts are especially important for obtaining photovoltaic (PV) power production predictions, given that that PV output represents a function of solar irradiation. Recently, the Long Short-Term Memory (LSTM) model is being increasingly applied in solar irradiance forecasting, but the performance of LSTM is still relatively unknown. The present paper explores how meteorological and geographical (i.e., exogenous) and past records of solar irradiance (i.e., endogenous) variables may be incorporated as input features in day-ahead solar irradiance forecasting models that use deep learning models. In this study, the results for the LSTM model are compared to those for the Radial Basis Function neural network (RBFNN) in relation to both multivariate time series forecasting (MTSF) and univariate time series forecasting (UTSF). The results of the comparisons show that the UTSF_LSTM model performs better than other models with regard to minimum forecasting errors. Our results have also been validated with data from a region that features different climatic conditions from those originally tested. Overall, the outcome of these investigations clearly indicate the superiority of the proposed UTSF_LSTM method when compared to the UTSF_RBFNN, MTSF_RBFNN, or MTSF_LSTM developed models with regard to the coefficient of determination (R <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> ) and the Root Mean Square Error (RMSE).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».