Mejorando la Predicción de Radiación Solar en Diversas Zonas Climáticas de Marruecos: Un Estudio Comparativo de Modelos de Aprendizaje Automático con Agregación Integral de Sugeno
Autores: Mendyl, Abderrahmane; Demir, Vahdettin; Omar, Najiya; Orhan, Osman; Weidinger, Tamás
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Mejorando la Predicción de Radiación Solar en Diversas Zonas Climáticas de Marruecos: Un Estudio Comparativo de Modelos de Aprendizaje Automático con Agregación Integral de Sugeno
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Radiación solar
Modelos de aprendizaje automático
Precisión de pronóstico
Modelo LSTM
Técnicas de agregación
Datos meteorológicos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 5
Citaciones: Sin citaciones
La predicción de la radiación solar horaria (SR) es una etapa vital en el despliegue eficiente de sistemas de gestión de energía solar. Se han aplicado predominantemente modelos de aprendizaje automático (ML) simples e híbridos para realizar predicciones precisas de SR horarias basadas en el reconocimiento de patrones de datos meteorológicos históricos heterogéneos. Sin embargo, la integración de modelos de ML no se ha investigado completamente en términos de superar las irregularidades en los datos meteorológicos que pueden degradar la precisión de las predicciones. Este estudio investigó una estrategia que destaca las interacciones que pueden existir entre los valores de predicción agregados. En la primera etapa de la investigación, se realizó un análisis comparativo utilizando tres modelos de ML diferentes, incluyendo regresión de máquinas de soporte vectorial (SVM), memoria a largo y corto plazo (LSTM) y redes neuronales artificiales multicapa (MLANN) para proporcionar información sobre sus fortalezas y debilidades relativas para la predicción de SR. La comparación mostró que el modelo LSTM propuesto tuvo la mayor contribución a la predicción general de seis perfiles de SR diferentes de numerosos sitios en Marruecos. Para validar la estabilidad del LSTM propuesto, también se utilizaron diagramas de Taylor, gráficos de violín y pruebas de Kruskal-Wallis (KW) para determinar la robustez del rendimiento del modelo. En segundo lugar, el análisis encontró que acoplar las salidas de los modelos con técnicas de agregación puede mejorar significativamente la precisión de las predicciones. En consecuencia, se propuso un nuevo modelo agregado que integra las salidas de predicción de LSTM, SVM y MLANN con la medida de Sugeno y el integral de Sugeno, denominado (SLSM). El SLSM propuesto proporciona interacciones espaciales y temporales de información que se caracterizan por la incertidumbre, enfatizando la importancia de la función de agregación para mitigar las irregularidades asociadas con los datos de SR y lograr una precisión de predicción en una escala horaria con una mejora de 11.7 W/m.
Descripción
La predicción de la radiación solar horaria (SR) es una etapa vital en el despliegue eficiente de sistemas de gestión de energía solar. Se han aplicado predominantemente modelos de aprendizaje automático (ML) simples e híbridos para realizar predicciones precisas de SR horarias basadas en el reconocimiento de patrones de datos meteorológicos históricos heterogéneos. Sin embargo, la integración de modelos de ML no se ha investigado completamente en términos de superar las irregularidades en los datos meteorológicos que pueden degradar la precisión de las predicciones. Este estudio investigó una estrategia que destaca las interacciones que pueden existir entre los valores de predicción agregados. En la primera etapa de la investigación, se realizó un análisis comparativo utilizando tres modelos de ML diferentes, incluyendo regresión de máquinas de soporte vectorial (SVM), memoria a largo y corto plazo (LSTM) y redes neuronales artificiales multicapa (MLANN) para proporcionar información sobre sus fortalezas y debilidades relativas para la predicción de SR. La comparación mostró que el modelo LSTM propuesto tuvo la mayor contribución a la predicción general de seis perfiles de SR diferentes de numerosos sitios en Marruecos. Para validar la estabilidad del LSTM propuesto, también se utilizaron diagramas de Taylor, gráficos de violín y pruebas de Kruskal-Wallis (KW) para determinar la robustez del rendimiento del modelo. En segundo lugar, el análisis encontró que acoplar las salidas de los modelos con técnicas de agregación puede mejorar significativamente la precisión de las predicciones. En consecuencia, se propuso un nuevo modelo agregado que integra las salidas de predicción de LSTM, SVM y MLANN con la medida de Sugeno y el integral de Sugeno, denominado (SLSM). El SLSM propuesto proporciona interacciones espaciales y temporales de información que se caracterizan por la incertidumbre, enfatizando la importancia de la función de agregación para mitigar las irregularidades asociadas con los datos de SR y lograr una precisión de predicción en una escala horaria con una mejora de 11.7 W/m.