Predicting Photovoltaic Power Output with Convolutional Neural Networks: A Case Study in Cepu, Central Java, Indonesia
Notice bibliographique
Résumé
The prediction of the general national electricity plan has stated that Indonesia's electricity needs in 2038 will increase to 1,000 TWh or the equivalent of 3.3 MWh per capita.If this trend continues, then by 2050, per capita energy consumption is expected to reach 7.7 MWh or 2,600 TWh.This prediction is important because it is to prepare power plant infrastructure throughout the region for the coming period.By applying and adding learning algorithms based on Convolutional Neural Networks (CNN) to developing solar power plants, CNN-based Forecast can increase accuracy by up to 30% and has the ability to train models up to 2 times faster than currently available algorithms.This new algorithm can more accurately detect leading demand indicators, such as pre-order information, increased product demand, price changes, and promotional spikes, to build more accurate forecasts.That before the discovery of CNN there was no algorithm that provided the most accurate estimates for all types of data.Traditional statistical models have been useful in predicting the demand for products that have regular demand patterns, such as summer or winter electricity production.However, statistical models cannot provide accurate forecasts for more complex scenarios, such as frequent changes in energy prices, differences between regional versus national demand, products with different selling speeds, and additions of new products.As for CNN, it is appropriate to predict the power from the panel, with a MAPE performance value of 18.7633%, MAE of 0.0176 and RMSE of 0.0466 so that the prediction system built has fulfilled the prediction of the targeted system.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».