Deep learning CNN-LSTM-MLP hybrid fusion model for feature optimizations and daily solar radiation prediction
La predicción de la radiación solar global (GSR) desempeña un papel esencial en la planificación, el control y la monitorización de los sistemas de energía solar. Sin embargo, su comportamiento estocástico es un reto importante para conseguir resultados de predicción satisfactorios. Este artículo ti...
| Autores: | , , , , , |
|---|---|
| Tipo de documento: | artigo |
| Data de publicação: | 2022 |
| País: | España |
| Recursos: | Universidad de Alcalá (UAH) |
| Repositório: | e_Buah Biblioteca Digital Universidad de Alcalá |
| Idioma: | inglês |
| OAI Identifier: | oai:ebuah.uah.es:10017/63101 |
| Acesso em linha: | http://hdl.handle.net/10017/63101 https://dx.doi.org/10.1016/j.measurement.2022.111759 |
| Access Level: | Acceso aberto |
| Palavra-chave: | Global solar prediction Deep Learning networks Convolutional Neural Networks Slime Mould Algorithm Renewable energy Global climate models Informática Computer science |
| Resumo: | La predicción de la radiación solar global (GSR) desempeña un papel esencial en la planificación, el control y la monitorización de los sistemas de energía solar. Sin embargo, su comportamiento estocástico es un reto importante para conseguir resultados de predicción satisfactorios. Este artículo tiene como objetivo diseñar un modelo de predicción híbrido innovador, que integra un mecanismo de selección de características utilizando un algoritmo metaheurístico de tipo Slime-Mould, una red neuronal convolucional (CNN), una red neuronal de memoria a corto y largo plazo (LSTM) y una CNN final, con salida de perceptrón multicapa (algoritmo SCLC). El modelo SCLC propuesto se aplicó a seis parques solares en Queensland (Australia) en horizontes temporales diarios y considerando seis horizontes de predicción diferentes. La evaluación comparativa exhaustiva de los resultados obtenidos con los de dos modelos de aprendizaje profundo (CNN-LSTM, red neuronal profunda) y tres modelos de aprendizaje automático (red neuronal artificial, bosque aleatorio, máquinas de aprendizaje extremo diferencial-evolutivo autoadaptativo) destacó un mayor rendimiento del modelo de predicción propuesto en los seis parques solares seleccionados. A partir de los resultados obtenidos, este trabajo establece que el algoritmo SCLC diseñado podría tener una utilidad práctica para aplicaciones en la gestión de recursos energéticos renovables y sostenibles. |
|---|