Predictions of solar power using ensemble machine learning techniques
Notice bibliographique
Résumé
Predicting solar power production accurately is becoming more and more crucial for efficient power management and the grid's integration of renewable energy sources. Using data from an Australian photovoltaic (PV) power station, this study employs a variety of machine learning (ML) ensemble techniques, such as gradient boosting (GB), random forest (RF), and extreme gradient boosting (XGBoost), to forecast solar power production. ML models are developed utilizing pertinent information from electricity and meteorological data in order to forecast solar power. The predictive performance of trained ML models is verified in terms of metrics like mean absolute error (MAE), root mean square error (RMSE), and correlation coefficient (R<sup>2</sup>). With higher R<sup>2</sup> values and lower error results (MAE and RMSE), XGBoost performs better than GB and RF. Optimizing the hyperparameters of the XGBoost model significantly improves its performance. The tweaked XGBoost model shows a significant improvement in R2 (more than 5% to 10%) and error results (reduced MAE and RMSE by 0.01 to 0.06), when compared to other ensemble approaches. Compared to other ensemble approaches, the tuned XGBoost methodology is more robust and generates more accurate forecasts in solar power.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».