A Review of Machine Learning-Based Photovoltaic Output Power Forecasting: Nordic Context
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
Motivated by factors such as the reduction in cost and the need for a shift towards achieving UN’s Sustainable Development Goals, PV (Photovoltaic) power generation is getting more attention in the cold regions of the Nordic countries and Canada. The cold climate and the albedo effect of snow in these regions present favorable operating conditions for PV cells and an opportunity to realize the seasonal matching of generation and consumption respectively. However, the erratic nature of PV brings a threat to the operation of the grid. PV power forecasting has been used as an economical solution to minimize and even overcome this limitation. This paper is therefore a comprehensive review of machine learning-based PV output power forecasting models in the literature in the context of Nordic climate. The impact of meteorological parameters and the soiling effect due to snow, which is unique to this climate, on the performance of a prediction model is discussed. PV power forecasting models in the literature are systematically classified into multiple groups and each group is analyzed and important suggestions are made for choosing a better model for these regions. Ensemble methods, optimization algorithms, time-series decomposition, and weather clustering are identified as important techniques that can be used to enhance performance. And notably, this work proposed two conceptual approaches that can be used to incorporate the effect of snow on PV power forecasting. Future research needs to focus on this area, which is crucial for the development of PV in these regions.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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