Evaluating Solar Power Forecasting Robustness: A Comparative Analysis of XGBoost, RNN, KNN, RF, and LSTM with emphasis on Lagged Steps, Sensitivity, and Cross-Validation Techniques
Notice bibliographique
Résumé
The transition towards renewable energies is inevitable in the face of global warming conditions and the increasing scarcity of fossil fuels, alongside their harmful impacts on the environment. Solar power, considered as a clean and its availability energy source, plays a vital role in this matter. However, due to the unpredictability nature of solar, influenced by environmental and temporal factors, energy production has faced significant challenges for its integration into microgrids. The present study works on addressing these obstacles by implementing advanced machine learning techniques to empower the predictability of solar energy. Utilizing one-month datasets of two power plants in India, Gandikota, Andhra, and Nasik, Maharashtra. This work focuses on various predictive models, including Support Vector Regression (SVR), Recurrent Neural Networks (RNN), eXtreme Gradient Boosting (XGBoost)m K-Nearest Neighbors (KNN), and Random Forest. These models are evaluated under different conditions, like incorporating lagged steps, and dynamics capturing. For the evaluation, a range of metrics is used. Mean Squared Log Error (MSLE), Mean Absolute Error (MAE), Mean Percentage Error (MPE), and R2, for the identification of the most effective algorithm are used. The final goal of this work is not only to improve the forecasting accuracy of solar power generation, by advantageous model modification but also to contribute to the efficient management and optimization of renewable energy integrations. Overall, XGBoost emerges as the preferred method for forecasting, offering a balance of high accuracy and robustness across different forecasting scenarios.
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 | 0,007 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| 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 ».