Personalized PV system recommendation for enhanced solar energy harvesting using deep learning and collaborative filtering
Notice bibliographique
Résumé
Electricity is a crucial aspect of modern life, and with the increasing population and industrialization, energy demand has risen significantly. A swift transition to renewable energy sources such as wind and solar is essential for saving the planet. Solar energy is one of the most widely used renewable energy solutions, but choosing a PVSC poses a challenging problem that involves considering various factors, such as geographical location and energy consumption patterns. In this study, we investigate the effectiveness of using machine learning techniques to assist users in selecting the most suitable PVSC for their needs. We propose a new framework for PVSC recommendation, which encompasses a PV power forecasting model and a PV configuration recommendation system. We propose two forecasting models, one based on LSTM and the other based on CNN architecture. These two elements are responsible for extracting relevant features from time-series meteorological data, which are then passed to a feed-forward MLP layer that predicts the monthly energy production for different PVSCs. Subsequently, the prediction results are utilized to determine the optimal Residential scale PVSC for households, taking into account location and historical consumption data. The system was trained on simulated data and then tested on both a hold-out simulated test set and a real-world dataset. Our experiments show that the proposed framework is effective for long-term PV power forecasting and PVSC recommendation.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,000 | 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 ».