Comparative Analysis of ANN and LSTM Models for Photovoltaic Panel Temperature Prediction in Hot Climates
Notice bibliographique
Résumé
The temperature forecast of photovoltaic (PV) panels plays a major role in optimizing their performance and efficiency, particularly in hot regions like Marrakech, where accurate predictions can enhance energy production management and reduce kWh costs.This study evaluates the reliability of artificial neural networks (ANN) and long short-term memory networks (LSTM) for modeling PV panel temperature profiles, providing critical insights before system installation.Using root mean square error (RMSE) and coefficient of determination (R ) as key metrics, we compare the predictive performance of both models.The ANN model demonstrates marginally better accuracy in temperature prediction, with a training RMSE of 1.7231 (R = 0.974) and a test RMSE of 1.952 (R = 0.970).In contrast, the LSTM model shows slightly higher training and test RMSE values (1.8908 and 1.959, respectively) but maintains competitive R scores (0.970 and 0.969).While ANN exhibits a slight edge in RMSE, LSTM demonstrates greater stability in test loss over time, suggesting that its performance may be more robust in certain operational contexts.The minimal difference in R values (0.970 vs. 0.969) further indicates near-identical predictive capability between the two models.The choice of RMSE over mean absolute error (MAE) is justified by its sensitivity to larger deviations, which is critical for identifying extreme temperature fluctuations that could impact PV efficiency.Overall, both models generalize effectively, with ANN providing marginally better precision in our case study, while LSTM offers potential advantages in long-term stability.These findings highlight the importance of model selection based on specific operational requirements, whether prioritizing immediate prediction accuracy or long-term consistency in PV temperature forecasting.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».