Dynamic stacking ensemble hybrid model for enhanced short-term photovoltaic power forecasting with self-organizing maps and advanced deep learning
Notice bibliographique
Résumé
To address the challenges posed by the inherent volatility of photovoltaic (PV) power generation on grid stability, this paper introduces the Dynamic Stacking Ensemble Hybrid Model (DSEHM). By integrating hybrid deep neural networks, attention-based mechanisms, tree-based models, and dynamic model selection, DSEHM enhances the prediction accuracy of non-stationary PV power series. Key components include advanced models such as Informer, Attention-Enhanced Gated Recurrent Unit (AttnGRU), and Temporal Convolutional Network (TCN). Dimensionality reduction is performed using a Self-Organizing Map (SOM), preserving topological relationships, while Gaussian Mixture Models (GMM) clustering aids in selecting optimal models for stacking. Experimental results demonstrate that DSEHM outperforms standalone models, achieving significant improvements in prediction accuracy. For instance, in the Austria dataset’s 1-step forecast, Mean Absolute Error (MAE), Relative Squared Error (RSE), and Root Mean Squared Error (RMSE) decreased by 22.55 %, 36.73 %, and 19.01 %, respectively. Furthermore, a comparative study with previous approaches further validates the effectiveness of DSEHM. These findings highlight DSEHM’s potential as a robust tool for improving PV power forecasting, with broader implications for renewable energy grid integration.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».