A Performance Evaluation of Machine Learning Models for Solar PV Power Forecasting in Bamenda, Cameroon
Notice bibliographique
Résumé
Facing increased energy demand which surpasses national grid supply capacity due to rapid population growth, urbanization, and economic activities, developing countries such as Cameroon are deploying solar photovoltaic power (SPVP) systems to supplement their energy needs; with these systems heralded for sustainability and environmental friendliness. However, the inherent intermittency of SPVP is a major concern since it cannot reliably fill the supply-demand gap with its associated risk of non-availability. Tackling this issue requires adequate forecasting of SPVP to guarantee better management of the energy shortfall. This study evaluates the performance of twenty-four machine learning models (MLMs) in forecasting SPVP in Bamenda, Cameroon. The study uses data from Photovoltaic Geographical Information System with six input features (direct beam irradiance, diffuse irradiance, reflected irradiance, sun height, ambient temperature, and wind speed) and training-testing split of 80% - 20% to forecast SPVP as output feature. Employing hold-out and re-substitution validation techniques, MLMs performance was evaluated using Coefficient of Determination (R2) and Root Mean Squared (RMSE) metrics. Results reveal wide neural network model as the overall best performer with R2 of 0.999 and RMSE of 9.377, compared to the other models with same or lower R2 and higher RMSE ranging from 9.4522 to 458.97. This model was used to perform short-term SPVP forecast in Bamenda and may be used in the forecast of SPVP in geographically similar areas of Cameroon. This study underscores the role and importance of MLM performance evaluation to identify the best-yield model for SPVP to reliably fill supply-demand gaps.
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 | 0,002 | 0,004 |
| 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 | 0,000 |
| 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 ».