Forecasting of Photovoltaic Power by Means of Non-Linear Auto-Regressive Exogenous Artificial Neural Network and Time Series Analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this research paper, a nonlinear autoregressive with exogenous input (NARX) model of the nonlinear system based on neural network and time series analysis is proposed to deal with the one-month forecast of the produced power from photovoltaic modules (PVM). The PVM is a monocrystalline cell with a rated production of 175 watts that is placed at Heliopolis University, Bilbéis city, Egypt. The NARX model is considered powerful enough to emulate the nonlinear dynamic state-space model. It is extensively performed to resolve a variety of problems and is mainly important in complex process control. Moreover, the NARX method is selected because of its quick learning and completion times, as well as high appropriateness, and is distinguished by advantageous dynamics and interference resistance. The neural network (NN) is trained and optimized with three algorithms, the Levenberg–Marquardt Algorithm (NARX-LMA), the Bayesian Regularization Algorithm (NARX-BRA) and the Scaled Conjugate Gradient Algorithm (NARX-SCGA), to attain the best performance. The forecasted results using the NARX method based on the three algorithms are compared with experimentally measured data. The NARX-LMA, NARX-BRA and NARX-SCGA models are validated using statistical criteria. In general, weather conditions have a significant impact on the execution and quality of the results.
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.
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 | 0,001 |
| 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 découle