Comparative analysis of deep neural network architectures for renewable energy forecasting: enhancing accuracy with meteorological and time-based features
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
This study evaluates and differentiates five advanced machine learning models—LSTM, GRU, CNN-LSTM, Random Forest, and SVR—aimed at precisely estimating solar and wind power generation to enhance renewable energy forecasting. LSTM achieved a remarkable Mean Squared Error (MSE) of 0.010 and R 2 score of 0.90, highlighting its proficiency in capturing intricate temporal relationships. GRU closely followed, demonstrating potential as a viable option due to its remarkable combination of computational efficiency and accuracy (MSE = 0.015, R 2 = 0.88). In datasets abundant in spatial correlations, the CNN-LSTM hybrid demonstrated its utility by providing novel insights into spatial–temporal patterns; nonetheless, it lagged considerably in accuracy, with a mean squared error (MSE) of 0.020 and a R 2 of 0.87. Conversely, traditional models demonstrated a reliable albeit less dynamic ability to elucidate the complexities of renewable energy data; for instance, Random Forest exhibited a mean squared error (MSE) of 0.025, while Support Vector Regression (SVR) recorded an MSE of 0.030. The results affirm that deep learning architectures, particularly LSTM, offer a transformative method for renewable energy forecasting, hence enhancing accuracy and reliability in energy management systems.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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