Investigating the Power of LSTM-Based Models in Solar Energy Forecasting
Notice bibliographique
Résumé
Solar is a significant renewable energy source. Solar energy can provide for the world’s energy needs while minimizing global warming from traditional sources. Forecasting the output of renewable energy has a considerable impact on decisions about the operation and management of power systems. It is crucial to accurately forecast the output of renewable energy sources in order to assure grid dependability and sustainability and to reduce the risk and expense of energy markets and systems. Recent advancements in long short-term memory (LSTM) have attracted researchers to the model, and its promising potential is reflected in the method’s richness and the growing number of papers about it. To facilitate further research and development in this area, this paper investigates LSTM models for forecasting solar energy by using time-series data. The paper is divided into two parts: (1) independent LSTM models and (2) hybrid models that incorporate LSTM as another type of technique. The Root mean square error (RMSE) and other error metrics are used as the representative evaluation metrics for comparing the accuracy of the selected methods. According to empirical studies, the two types of models (independent LSTM and hybrid) have distinct advantages and disadvantages depending on the scenario. For instance, LSTM outperforms the other standalone models, but hybrid models generally outperform standalone models despite their longer data training time requirement. The most notable discovery is the better suitability of LSTM as a predictive model to forecast the amount of solar radiation and photovoltaic power compared with other conventional machine learning methods.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».