An Improved Approach to Enhance Training Performance of ANN and the Prediction of PV Power for Any Time-Span without the Presence of Real-Time Weather Data
Notice bibliographique
Résumé
In this work, an improved approach to enhance the training performance of an Artificial Neural Network (ANN) for prediction of the output of renewable energy systems is proposed. Using the proposed approach, a significant reduction of the Mean Squared Error (MSE) in training performance is achieved, specifically from 4.45 × 10−7 to 3.19 × 10−10. Moreover, a simplified application of the already trained ANN is introduced through which photovoltaic (PV) output can be predicted without the availability of real-time current weather data. Moreover, unlike the existing prediction models, which ask the user to apply multiple inputs in order to forecast power, the proposed model requires only the set of dates specifying forecasting period as the input for prediction purposes. Moreover, in the presence of the historical weather data this model is able to predict PV power for different time spans rather than only for a fixed period. The prediction accuracy of the proposed model has been validated by comparing the predicted power values with the actual ones under different weather conditions. To calculate actual power, the data were obtained from the National Renewable Energy Laboratory (NREL), USA and from the Universiti Teknologi Malaysia (UTM), Malaysia. It is envisaged that the proposed model can be easily handled by a non-technical user to assess the feasibility of the photovoltaic solar energy system before its installation.
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 | 0,002 | 0,002 |
| 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 | 0,001 | 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 ».