Computational Intelligence Based Snow Cover Prediction for Photovoltaic Systems
Notice bibliographique
Résumé
In northern snow-prone areas, photovoltaic (PV) systems are getting more popular. Accumulations of snow on panels after snowfall events, as a major challenge for PV systems’ efficient use in these regions, can attenuate or obstruct solar radiation reaching the surface of the PV cells and cause a significant reduction in the PV system’s power generation. This is an important issue in PV power forecasting (PVPF) for PV-penetrated power systems’ scheduling. To address this issue, data-driven short-term snow cover prediction models for PV systems are proposed in this paper. According to the best of our knowledge, utilizing computational intelligence techniques to predict the presence of a snow cover on PV panels with an hourly resolution solely based on the main meteorological parameters is performed for the first time in the literature. The output of these models can be used as an input for the PVPF stage and help to reduce PVPF errors in snow conditions by enabling the implementation of PVPF approaches compatible with the characteristics of snow-covered PV systems. The study is performed on the historical dataset of electrical and meteorological parameters of a PV system in Canada over 3 years. By applying 5-fold cross-validation and hyperparameter tuning, the best hourly snow cover prediction accuracy, 96%, has been obtained by the developed gradient boosting tree model. Testing this model on the unseen data of 2 other PV systems has resulted in 80% and 78% accuracy for snow cover prediction.
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 ».