Enhancing Solar Radiation Forecasting in Diverse Moroccan Climate Zones: A Comparative Study of Machine Learning Models with Sugeno Integral Aggregation
Notice bibliographique
Résumé
Hourly solar radiation (SR) forecasting is a vital stage in the efficient deployment of solar energy management systems. Single and hybrid machine learning (ML) models have been predominantly applied for precise hourly SR predictions based on the pattern recognition of historical heterogeneous weather data. However, the integration of ML models has not been fully investigated in terms of overcoming irregularities in weather data that may degrade the forecasting accuracy. This study investigated a strategy that highlights interactions that may exist between aggregated prediction values. In the first investigation stage, a comparative analysis was conducted utilizing three different ML models including support vector machine (SVM) regression, long short-term memory (LSTM), and multilayer artificial neural networks (MLANN) to provide insights into their relative strengths and weaknesses for SR forecasting. The comparison showed the proposed LSTM model had the greatest contribution to the overall prediction of six different SR profiles from numerous sites in Morocco. To validate the stability of the proposed LSTM, Taylor diagrams, violin plots, and Kruskal–Wallis (KW) tests were also utilized to determine the robustness of the model’s performance. Secondly, the analysis found coupling the models outputs with aggregation techniques can significantly improve the forecasting accuracy. Accordingly, a novel aggerated model that integrates the forecasting outputs of LSTM, SVM, MLANN with Sugeno λ-measure and Sugeno integral named (SLSM) was proposed. The proposed SLSM provides spatially and temporary interactions of information that are characterized by uncertainty, emphasizing the importance of the aggregation function in mitigating irregularities associated with SR data and achieving an hourly time scale forecasting accuracy with improvement of 11.7 W/m2.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».