Prediction of Photovoltaic Power by ANN Based on Various Environmental Factors in India
Notice bibliographique
Résumé
Extreme weather conditions, which affect photovoltaic output power, can have a major impact on electricity generated by PV systems. In India, an annual PV power density of 2000kWh/m-2 may be used. Renewable energy (RE) is expected to play a rising part in the nations in coming years. The sun’s radiation is the primary source of renewable energy (RE). With the objective of predicting PV output power with the least amount of error in mind, it is vital to analyse the impact of major environmental parameters on it. The researchers looked at a variety of environmental factors in this study, including irradiance, humidity levels, meteorological conditions, wind velocity, PV global temperature and dust deposition. Countries such as India would gain immensely from this since it will increase the quantity of PV power generated in their national networks. ANN-based prediction models and multiple regression models were used to predict PV system hourly power output. There were three ANN models that predicted PV output power with RMSEs of 2.1436, 6.1555, and 5.3551, respectively, utilising all features using the correlation feature selection (CFS) or relief feature selection (ReliefF) approaches. It is possible to reduce bias to enhance accuracy by employing two distinct bias calculation methodologies, which were applied in this study. For example, the ANN model outperforms linear regression, M5P decision trees and GAUSSIAN process regression (GPR) models in terms of performance.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».