Hybrid deep CNN-SVR algorithm for solar radiation prediction problems in Queensland, Australia
Este estudio propone un nuevo modelo híbrido de aprendizaje profundo (DL), llamado CSVR, para realizar la predicción de radiación solar global (GSR) mediante la integración de una red neuronal convolucional (CNN) y una máquina de vectores soporte para regresión (SVR). Primero, se utiliza un algoritm...
| Autores: | , , , , |
|---|---|
| Tipo de recurso: | artículo |
| Fecha de publicación: | 2022 |
| País: | España |
| Institución: | Universidad de Alcalá (UAH) |
| Repositorio: | e_Buah Biblioteca Digital Universidad de Alcalá |
| Idioma: | inglés |
| OAI Identifier: | oai:ebuah.uah.es:10017/63095 |
| Acceso en línea: | http://hdl.handle.net/10017/63095 https://dx.doi.org/10.1016/j.engappai.2022.104860 |
| Access Level: | acceso abierto |
| Palabra clave: | Convolutional Neural Networks Support Vector Regression Solar energy prediction Feature selection Hybrid models Informática Computer science |
| Sumario: | Este estudio propone un nuevo modelo híbrido de aprendizaje profundo (DL), llamado CSVR, para realizar la predicción de radiación solar global (GSR) mediante la integración de una red neuronal convolucional (CNN) y una máquina de vectores soporte para regresión (SVR). Primero, se utiliza un algoritmo basado en una red Convolucional (CNN) para extraer patrones locales, así como características comunes que ocurren recurrentemente en datos de series de tiempo en diferentes intervalos. Posteriormente, se aplica un algoritmo de SVR para reemplazar las capas de CNN completamente conectadas, y predecir así los datos de series de tiempo GSR diarios en seis parques solares en Queensland, Australia. Para desarrollar el modelo híbrido CSVR, se han considerado considerado las variables meteorológicas más adecuadas de la base de datos de modelos climáticos globales, e información científica para propietarios de tierras en Australia. De esta manera, a partir de un conjunto de variables de modelos climáticos globales y observaciones terrestres, se seleccionan las características óptimas a través de un algoritmo metaheurístico para selección de características. Los hiperparámetros del modelo CSVR propuesto se optimizan mediante el método HyperOpt, y el rendimiento general del algoritmo propuesto se ha comparado con ocho métodos de DL alternativos y algunos de los otros métodos de aprendizaje automático (LSTM, DBN, RBF, BRF, MARS, WKNNR, GPML y M5TREE). Los resultados obtenidos muestran que el modelo CSVR propuesto puede ofrecer varias ventajas predictivas sobre los modelos DL alternativos, así como sobre los modelos ML convencionales. Específicamente, observamos que el modelo CSVR registró un error cuadrático medio/error absoluto medio que oscila entre 2,172?3,305 MJ m2/1,624?2,370 MJ m2 en los seis parques solares probados en comparación con 2,514?3,879 MJ m2/1,939?2,866 MJ m2 de los algoritmos ML y DL alternativos. En consonancia con este error obtenido, la correlación entre el GSR medido y el previsto, incluidos los coeficientes de Willmott & Nash-Sutcliffe así como el índice de Legates & McCabe, fue relativamente mayor para el modelo CSVR propuesto en comparación con otros métodos de aprendizaje automático y de DL para todos los sitios de estudio. En consecuencia, este estudio muestra el buen funcionamiento del modelo CSVR para proporcionar una alternativa viable en la predicción de la GSR en la explotación de energía solar, la demanda de energía u otras aplicaciones basadas en pronósticos de tipo meteorológico. |
|---|