Seasonal Clustering Forecasting Technique for Intelligent Hourly Solar Irradiance Systems
Notice bibliographique
Résumé
The main purpose of the study is to reach a forecasting accuracy level through layering and stacking clusters of weather data to reduce seasonality-related uncertainty. To enhance forecasting accuracy, high-dimensional heterogeneous weather data should be added to training datasets; yet, weather data are deemed to have seasonality-related uncertainty. Since utilizing the long short-term memory (LSTM) model does not achieve the required results, the LSTM forecasting model performance deteriorates as a result of the change from univariate to multivariate analyses. Therefore, a primary investigation was conducted to analyze seasonality-based hourly predictions for global horizontal irradiance. The investigation found that seasonality affects accuracy of predictions due to high levels of Autumn- and Winter-related weather phenomena and climate uncertainty. Accordingly, seasonal clustering forecasting technique (SCFT) based on an LSTM hybrid strategy and stacked layers of weather clusters was proposed. In order to demonstrate the validity of this model, the proposed SCFT is compared to a variety of forecasting approaches in the literature. The comparison shows the SCFT’s superiority, especially during seasons that are predominantly rainy and overcast. Finally, in accordance with previous studies, suggesting the benefit of applying model testing in other parts of the world, SCFT is employed using data from other Köppen climate classifications. Furthermore, the performance of the proposed forecasting model, SCFT, shows significant stability and reliability after measuring it against Diebold–Mariano and Granger–Newbold tests.
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 | 0,000 |
| 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 ».