Optimizing deep neural network architectures for renewable energy forecasting
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
An accurate renewable energy output forecast is essential for energy efficiency and power system stability. Long Short-Term Memory(LSTM), Bidirectional LSTM(BiLSTM), Gated Recurrent Unit(GRU), and Convolutional Neural Network-LSTM(CNN-LSTM) Deep Neural Network (DNN) topologies are tested for solar and wind power production forecasting in this study. ARIMA was compared to the models. This study offers a unique architecture for Deep Neural Networks (DNNs) that are specifically tailored for renewable energy forecasting, optimizing accuracy by advanced hyperparameter tuning and the incorporation of essential meteorological and temporal variables. The optimized LSTM model outperformed others, with MAE (0.08765), MSE (0.00876), RMSE (0.09363), MAPE (3.8765), and R 2 (0.99234) values. The GRU, CNN-LSTM, and BiLSTM models predicted well. Meteorological and time-based factors enhanced model accuracy. The addition of sun and wind data improved its prediction. The results show that advanced deep neural network (DNN) models can predict renewable energy, highlighting the importance of carefully selecting characteristics and fine-tuning the model. This work improves renewable energy estimates to promote a more reliable and environmentally sustainable electricity 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.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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 découle