Enhancing Solar Energy Production Forecasting with Ensemble-based Learning Techniques
Notice bibliographique
Résumé
The global trend in renewable energy solutions has emphasized the urgent need for accurate forecasting of solar energy production. This study examines the potential of ensemble-based learning techniques in predicting solar energy production by leveraging historical data collected from 11 solar photovoltaic installations in Calgary, Canada, spanning from September 2015 to March 2023. The dataset was carefully preprocessed to handle missing values, duplicates, and to extract meaningful features that align with the nature of time series data. A range of ML models were implemented and assessed by several forecasting evaluation metrics, including Mean Absolute Error (MAE), Mean Squared Error (MSE), and R-squared <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$(\mathrm{R}^{2})$</tex>. The experimental results demonstrate the superior performance of ensemble methods, particularly XGBoost and Light GBM, in solar energy forecasting. XGBoost achieved the best performance, with an MAE of 25.36, an MSE of 3599.66, and <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$\mathrm{R}^{2}$</tex> of 0.957, outperforming models such as Random Forest and Neural Networks. The practical implications of these findings suggest that accurate solar energy forecasting can significantly enhance operational planning and optimize energy management in solar power plants, contributing to more reliable and efficient renewable energy 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.
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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».