Deep Learning Approach for Solar Irradiance Forecasting: A Moroccan Case Study
Notice bibliographique
Résumé
Due to its influence on applications such as renewable energy generation, solar irradiance data, and meteorological parameters have risen in prominence. However, developing an accurate model for predicting solar irradiance based on multiple weather parameters remains a challenging issue. As a novelty, a multi-horizon forecasting scheme ranging from 1 to 3 days ahead is studied in the present work. A SeqtoSeq model architecture to forecast global horizontal irradiance based on Masen’s dataset. Univariate and multivariate SeqtoSeq models are implemented to forecast global horizontal irradiance (GHI) based on Masen’s dataset. Moreover, the performance of the proposed models was compared against other models such as Multi-Layer Perceptron (MLP), Convolutional Neural Networks (CNN), Recurrent Neural Networks (RNN) and Long Short-Term Memory (LSTM). The obtained results reveal that the proposed multivariate model outperforms all the other models and improves prediction in terms of Mean Absolute Error (MAE) by 42.49, 48.29, and 47.78% for 1 day ahead, 2 days ahead, and 3 days ahead, respectively.
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 | 0,008 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,062 | 0,122 |
| Études des sciences et des technologies | 0,002 | 0,010 |
| Communication savante | 0,001 | 0,009 |
| Science ouverte | 0,007 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,004 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».