کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
4926462 | 1431599 | 2017 | 14 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Machine learning methods for solar radiation forecasting: A review
ترجمه فارسی عنوان
روش های یادگیری ماشین برای پیش بینی تابش خورشیدی: یک بررسی
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
پیش بینی تابش خورشیدی، فراگیری ماشین، شبکه های عصبی مصنوعی، ماشین آلات بردار پشتیبانی، پسرفت،
ترجمه چکیده
پیش بینی قدرت خروجی سیستم های خورشیدی برای عملکرد خوب شبکه برق و یا برای مدیریت بهینه جریان های انرژی که در منظومه شمسی اتفاق می افتد مورد نیاز است. قبل از پیش بینی خروجی سیستم های خورشیدی، پیش بینی از تابش خورشید ضروری است. پیش بینی تابش خورشیدی جهانی توسط چندین روش انجام می شود؛ دو دسته بزرگ شامل تصاویر ابر با مدل های فیزیکی و مدل های یادگیری ماشین است. در این راستا، هدف از این مقاله، ارائه خلاصه ای از روش های پیش بینی تابش خورشید با استفاده از روش های یادگیری ماشین است. اگرچه مقادیر زیادی از روشها مانند شبکه های عصبی یا رگرسیون بردار پشتیبانی را توصیف می کنند، نشان داده خواهد شد که در این زمینه پیش بینی استفاده از روش های دیگر (درخت رگرسیون، جنگل تصادفی، تقویت گرادیان و بسیاری دیگر) استفاده می شود. رتبه بندی عملکرد چنین روش هایی به دلیل تنوع مجموعه داده ها، گام زمان، افق پیش بینی، شاخص های تنظیم و عملکرد، پیچیده است. به طور کلی خطای پیش بینی کاملا برابر است. برای بهبود عملکرد پیش بینی برخی از نویسندگان پیشنهاد استفاده از مدل های ترکیبی یا استفاده از یک روش پیش بینی گروهی.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی انرژی
انرژی های تجدید پذیر، توسعه پایدار و محیط زیست
چکیده انگلیسی
Forecasting the output power of solar systems is required for the good operation of the power grid or for the optimal management of the energy fluxes occurring into the solar system. Before forecasting the solar systems output, it is essential to focus the prediction on the solar irradiance. The global solar radiation forecasting can be performed by several methods; the two big categories are the cloud imagery combined with physical models, and the machine learning models. In this context, the objective of this paper is to give an overview of forecasting methods of solar irradiation using machine learning approaches. Although, a lot of papers describes methodologies like neural networks or support vector regression, it will be shown that other methods (regression tree, random forest, gradient boosting and many others) begin to be used in this context of prediction. The performance ranking of such methods is complicated due to the diversity of the data set, time step, forecasting horizon, set up and performance indicators. Overall, the error of prediction is quite equivalent. To improve the prediction performance some authors proposed the use of hybrid models or to use an ensemble forecast approach.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Renewable Energy - Volume 105, May 2017, Pages 569-582
Journal: Renewable Energy - Volume 105, May 2017, Pages 569-582
نویسندگان
Cyril Voyant, Gilles Notton, Soteris Kalogirou, Marie-Laure Nivet, Christophe Paoli, Fabrice Motte, Alexis Fouilloy,