Прогнозирование солнечной энергии с использованием гибридного глубокого обучения: повышение производительности с помощью случайного лесного и ансамблевого моделирования

Summary

Это исследование способствует эффективности концентрированных солнечных электростанций с помощью комплексного анализа данных и методологий коррекции ошибок. Интегрируя анализ спектра, оптимизацию тепловой эффективности и гибридные модели машинного обучения, исследование предоставляет практические стратегии повышения операционной эффективности и надёжности, тем самым поддерживая роль солнечной энергии как устойчивого источника энергии.

Abstract

Точное прогнозирование солнечной энергии крайне важно для интеграции в сеть и эксплуатационной стабильности систем возобновляемой энергетики. В данном исследовании представлен гибридный подход с ансамблем глубокого обучения для прогнозирования генерации солнечной энергии путём фиксации сложных временных зависимостей в данных излучения. Было оценено пять гибридных архитектур: RF-BiLSTM, CNN-LSTM, CNN-BiLSTM, CNN-GRU и CNN-Transformer, каждая из которых объединяет сверточные или рекуррентные компоненты для извлечения пространственных и последовательных признаков из исторических временных рядов. Модель RF-BiLSTM достигла наилучших индивидуальных характеристик: R² = 0,6568, MAE = 30 728 Вт, а MSE = 1,81 × 10^{9 Вт² 2}. Ансамблевая модель, интегрирующая три ведущие архитектуры с использованием обратного взвешенного по MAE усреднения, показала превосходную производительность при R² = 0,6933, MAE = 28 809,89 Вт и MSE = 1,53 × 10^{9 Вт² 2}, снижая ошибку прогноза на 6,2% по сравнению с лучшей индивидуальной моделью. Предлагаемая ансамблевая структура эффективно балансирует сильные стороны модели, повышает устойчивость прогнозов и предоставляет масштабируемое, основанное на данных решение для прогнозирования возобновляемой энергии в умных сетях и системах управления энергией.

Introduction

Ускоряющийся глобальный переход к возобновляемой энергии сделал солнечную энергию ключевым источником в устойчивом энергетическом миксе. По мере того как страны всё больше берут на себя обязательства по декарбонизации своих энергетических систем, солнечные фотоэлектрические (PV) технологии демонстрируют экспоненциальный рост благодаря масштабируемости, снижению затрат и экологическим преимуществам. Однако широкая интеграция солнечной энергии в национальные и региональные энергосистемы представляет собой значительные трудности, главным образом из-за её прерывистого и зависимого от погодных условий характера. Солнечное излучение зависит от различных факторов окружающей среды, включая облачность, атмосферные условия, сезонные сдвиги и дневные циклы, которые вносят изменчивость и неопределённость в производство солнечной энергии. Эта врождённая изменчивость усложняет задачу балансировки электросети и планирования энергосистемы. Операторы должны точно прогнозировать выработку солнечной энергии, чтобы обеспечить оптимальное распределение ресурсов, снизить зависимость от резервных систем на основе ископаемого топлива, предотвратить перегрузку или недостаточное использование инфраструктуры и поддерживать общую стабильность сети. По мере роста проникновения солнечной энергии потребность в надёжных, надёжных и точных моделях прогнозирования становится ещё более острай. Точные краткосрочные и предстоящие прогнозы солнечной энергии особенно важны для таких приложений, как участие на энергетическом рынке, распределение нагрузки, планирование аккумуляторов и управление^{микросетями.}

Традиционные методы прогнозирования, такие как физические модели, основанные на метеорологических данных и методы статистических временных рядов (например, ARIMA, экспоненциальное сглаживание), часто не справляются с нелинейным и динамическим поведением солнечной генерации. Эти модели, как правило, опираются на линейные предположения, ручной работы или детальные погодные симуляции, что ограничивает их масштабируемость и адаптивность к изменяющимся закономерностям в солнечных^{данных 2}. В отличие от этого, модели глубокого обучения (DL) стали трансформационным подходом в прогнозировании временных рядов. Эти методы, основанные на данных, позволяют автоматически изучать сложные признаки и временные зависимости непосредственно из исходных входных данных без необходимости явной инженерии^{признаков 3,4}.

Среди наиболее широко используемых архитектур — рекуррентные нейронные сети (RNN) и их усовершенствованные варианты, такие как сети Long Short-Term Memory (LSTM) и Gated Recurrent Unit (GRU). Эти модели разработаны для отражания последовательных зависимостей и долгосрочных временных связей в данных временных ^{рядов 2,5,6}. Тем временем сверточные нейронные сети (CNN) продемонстрировали сильные возможности в извлечении пространственных признаков и были адаптированы для обработки временных данных с помощью 1D-свёрток, особенно в гибридных^{конфигурациях 7,8}. Гибридные модели DL, сочетающие сильные стороны различных архитектур, таких как CNN и RNN, получили популярность в солнечном прогнозировании благодаря способности извлекать как локальные, так и долгосрочные зависимости из данных временных ^{рядов 7,8,9}

Например, модели CNN-LSTM или CNN-BiLSTM применяют сверточные слои для предварительной обработки и фильтрации входной последовательности перед её подачей в повторяющиеся слои, что приводит к более эффективному и точному^{обучению 9,10}. Несколько исследований показали превосходство гибридных архитектур над автономными моделями. Исследования с использованием гибридных моделей SSA-RNN-LSTM достигли значительного снижения метрик ошибок в различных фотоэлектрических технологиях, показав улучшение RMSE на 15-23% по сравнению с альтернативными гибридными^{подходами 9}. Аналогично, архитектуры CNN-LSTM превосходят как стандартные методы машинного обучения, так и отдельные модели глубокого обучения по нескольким метрикам оценки при применении к реальным данным солнечной энергии¹⁰. Также была подтверждена эффективность гибридных методов на основе декомпозиции, где разложение вейвлет-пакетов в сочетании с сетями LSTM демонстрировало превосходящую производительность по сравнению с отдельными моделями LSTM, RNN, GRU и MLP при прогнозировании мощности на час^{вперёд 2}. В прогнозировании ветровой энергетики гибридные модели, сочетающие сверточные слои с сетями ГРУ, достигли заметных улучшений в очень краткосрочных прогнозах, при этом валидация в нескольких местах подтверждает их надёжность и^{обобщаемость 7}. Кроме того, механизмы, основанные на внимании, такие как Transformers, дают дополнительный потенциал, выбирая релевантные входные сегменты на разных этапах времени. Недавние исследования гибридов CNN-LSTM-Transformer показали исключительно низкие показатели ошибок, что является новаторскими усилиями по внедрению трансформаторных сетей в гибридные модели для прогнозирования солнечной^{энергетики 11}.

Успех гибридных моделей выходит за рамки архитектурных комбинаций и включает методы предварительной обработки и специализированные адаптации для реальных условий. Методы декомпозиции сигналов оказались полезными для фиксации многомасштабных характеристик генерации фотоэлектрической энергии, повышения точности прогнозирования за счёт лучшего представления временных^{паттернов 2}. Для промышленных солнечных электростанций, работающих в условиях сокращения, усовершенствованные подходы на основе LSTM с использованием специализированной предобработки достигли значительного снижения ошибок, устранив несоответствия данных¹². Также было изучено влияние качества входных данных, что выявило значительные различия в производительности при использовании исторических и прогнозируемых погодных данных, при этом инновационные методы инженерии признаков помогают минимизировать потерю точности при несовершенных^{входных условиях 6}. Подходы машинного обучения дополнительно доказали эффективность в системах, связанных с сетью, демонстрируя потенциал снижения зависимости от традиционных резервных мощностей вращения за счёт точного^{прогнозирования 13}. Ранние фундаментальные работы подтвердили жизнеспособность искусственных нейронных сетей для различных приложений солнечной энергетики, демонстрируя их способность обрабатывать шумные и неполные данные, одновременно обеспечивая быстрые прогнозы после^{обучения 3,4,14}. Исследования оптимальных горизонтов прогнозирования и подходов с минимальными затратами предоставили практические рекомендации по проектированию и внедрению систем в регионах с дефицитом данных^. 15,16,17. Гибридные методы, сочетающие моделирование механизмов с глубоким обучением, также показали перспективы для сложных солнечных тепловых приложений, точно определяя ключевые метеорологические факторы и их пространственно-временные^{связи 18}. Сравнительные исследования показали преимущества передовых рекуррентных архитектур, особенно двусторонних LSTM-сетей, которые достигли исключительной производительности в сложных условиях окружающей среды, таких как облачная^{погода.}

Ансамблевое обучение, особенно через взвешенное усреднение, предлагает убедительное решение. Агрегируя прогнозы комплементарных моделей, ансамблевые методы могут снизить ошибку обобщения, повысить устойчивость и устранить слабые стороны отдельных моделей. В данном исследовании изучаются характеристики пяти продвинутых гибридных моделей DL: RF-BiLSTM, CNN-LSTM, CNN-BiLSTM, CNN-GRU и CNN-Transformer для прогнозирования солнечной энергетики. Каждая модель оценивается с использованием строгих метрик, включая коэффициент детерминации (R²), среднюю абсолютную ошибку (MAE) и среднюю квадратическую ошибку (MSE). На основе бенчмаркинга производительности выбираются три топовые модели и объединяются в оптимизированный ансамбль с использованием взвешенной техники усреднения. Цель — создать ансамбль только с DL, который повышает точность прогнозирования при сохранении обобщения и вычислительной возможности. Данное исследование направлено на предоставление практических, высокоэффективных решений для операторов сети и заинтересованных сторон в области возобновляемой энергетики.

Несмотря на значительный прогресс в методологиях прогнозирования возобновляемой энергии, в современном корпусе знаний сохраняются несколько критических ограничений. Хотя фотоэлектрические системы привлекли значительное внимание к исследованиям, приложения прогнозирования, специально предназначенные для концентрации солнечной энергии, остаются заметно недооценёнными, оставляя вопросы по прогнозированию тепловой эффективности и оптимизации эксплуатации в значительной степени^{нерешёнными 15,16}. Современные системы прогнозирования обычно исходят из предположения, что измерения датчиков по своей природе точны, игнорируя внедрение систематических процедур коррекции ошибок для приборов прямого нормального излучения, что создаёт потенциальные проблемы с надёжностью как для ретроспективного, так и для перспективных^{прогнозов 20}. Существующие подходы в основном сосредоточены на временном предсказании без изучения спектральных характеристик солнечного излучения при изменяющихся атмосферных условиях, несмотря на известное влияние спектрального распределения на работу системы¹⁷. Хотя гибридные архитектуры, сочетающие сверточные и рекуррентные сети, доказали свою эффективность для фотоэлектрических и ветровых приложений, их адаптация к концентрирующим солнечным тепловым системам остаётся в значительной степени неизученной, особенно конфигурации, интегрирующие обработку особенностей Random Forest с двусторонними повторяющимися^{слоями 7,10}. Распространенность часовых интервалов прогнозирования в опубликованных исследованиях упускает из виду необходимость более высокого временного разрешения, способного фиксировать быструю динамику теплового отклика, необходимую для управления системой в реальном^{времени 18,19}. Кроме того, повышение качества данных и предиктивное моделирование существуют как разрозненные исследовательские области без интегрированных рамок, демонстрирующих, как исправление измерений приводит к улучшению^{прогнозирования 20}. Наконец, факторы вычислительной эффективности, включая продолжительность обучения, скорость вывода и аппаратные требования, уделяют недостаточное внимание только метрикам точности, что ограничивает практические рекомендации по^{развертыванию 20}.

Это исследование устраняет эти недостатки, разрабатывая комплексную методологию, включающую концентрирующий анализ, специфичный для солнечной энергии и термическую оптимизацию, реализацию строгих протоколов коррекции ошибок датчиков, проведение спектрального распределения, внедрение архитектуры случайного леса и двустороннего LSTM для прогнозирования тепловой мощности, выполнение прогнозирования с минутным разрешением для повышения временной детализации, связывание процессов исправления данных с производительностью и обеспечивает систематический вычислительный бенчмаркинг в пяти гибридных архитектурах с использованием стандартизированного оборудования графической обработки. Ключевые исследовательские пробелы, выявленные в существующей литературе, обобщены в Таблице 1.

Разрыв в исследованиях	Существующая литература	Чего не хватает	В этом исследовании рассматриваются
Ограниченные исследования, специфичные для CSP	Обширные исследования прогнозированияфотоэлектрической энергии 15,16	Исправление данных по термической эффективности CSP	Комплексный анализ данных CSP с термической оптимизацией
Недостаточная коррекция ошибок датчика	Исследования предполагают точностьданных 17	Протоколы коррекции с нулевой ошибкой для приборов DNI	Реализована коррекция с нулевой ошибкой для точной оценки
Отсутствие спектрального анализа DNI	Фокус временного прогнозированиятолько 18	Спектральное распределение при атмосферных вариациях	Анализ спектра, выявляющий влияние облаков и атмосферы
Ограниченные гибридные модели для CSP	CNN-LSTM для PV10, CNN-GRU дляветра 7	RF-BiLSTM для CSP-приложений	Новый RF-BiLSTM достигает R2 = 0,657
Отсутствие анализа по минутам	Почасовыепрогнозы 18,19	Высокое разрешение для тепловой динамики	Поминутная оценка для оптимизации в реальном времени
Нет интегрированной структуры	Отдельные исследования прогнозирования и качества20	Связь между ректификацией и производительностью	Интегрированный фреймворк для улучшения данных в производительность
Недостаток вычислительного анализа	Сравнения точности всего20	Эффективность обучения и возможность развертывания	Вычислительный анализ на GPU T4 по 5 моделям

Таблица 1: Исследовательские пробелы, устраненные в текущем исследовании. Краткое изложение существующих ограничений исследований, отсутствующих элементов в современной литературе и конкретных вкладов этого исследования в устранение выявленных пробелов в прогнозировании CSP и оценке качества данных.

Protocol

Сбор и описание наборов данных
Набор данных (рисунок 1), использованный в этом исследовании, содержит исторические записи, важные для прогнозирования солнечной энергетики. Набор данных включает ежедневные операционные данные с концентрированной солнечной тепловой электростанции мощностью 50 МВт, управляемой компанией Megha Engineering and Infrastructures Limited (MEIL), расположенной недалеко от Анантапура, Андхра-Прадеш, Индия, с использованием технологии параболического желоба концентрирующей солнечной энергии (CSP), которая захватывает прямое нормальное излучение (DNI) и передаёт тепло через теплообменную жидкость (HTF) для генерации электроэнергии. Набор данных был собран с 1 января 2015 года по 3 октября 2025 года и содержит семь ключевых атрибутов, охватывающих временную информацию, измерения солнечной радиации и выработку электроэнергии. Временные характеристики включают «Дату», указывающую календарную дату в стандартном формате, «Год» — год сбора данных, «Месяц» — номер месяца, «День» — день месяца, и «Юлианский день», предлагающий последовательную систему нумерации дней в течение года для непрерывного временного анализа. Основной входной метеорологической переменной является «DNI SUM», измеряемая в кВт·ч/м², которая представляет собой общее прямое нормальное излучение (DNI) — совокупную солнечную энергию, получаемую на квадратный метр поверхности коллектора, служащему критическим фактором, влияющим на эффективность теплового преобразования установок CSP. Целевая переменная «Фактическая генерация», измеряемая в кВт·ч, фиксирует электрическую мощность, производимую электростанцией CSP, отражая результат процесса преобразования солнечной энергии в тепловую в электрическую. Эти характеристики в совокупности позволяют всесторонний анализ работы станций, включая определение тепловой эффективности, моделирование преобразования DNI в мощность, выявление влияния атмосферы и облачности с помощью спектрального анализа, внедрение протоколов коррекции с нулевой ошибкой для калибровки датчиков и разработку передовых гибридных моделей машинного обучения для оптимизации оперативного планирования в реальном времени и повышения общей эффективности и надёжности CSP-станций. Информация о растениях доступна по адресу: https://solarpaces.nrel.gov/project/megha-solar-plant

Рисунок 1: Верхние пять строк набора данных. Образцы данных, показывающие начальные записи набора данных по солнечной энергетике, отображающие входные характеристики и целевые переменные, используемые для обучения и оценки моделей. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Подготовка данных
В исследовании используются временные ряды солнечной генерации, охватывающие период с 01 января 2015 года по 10 марта 2025 года. Чтобы учесть возможные проблемы с качеством данных в первые годы и сосредоточиться на более современных закономерностях, записи были отфильтрованы с 1 января 2017 года. Временные столбцы (Дата, Год, День) были удалены на основе предварительного корреляционного анализа, показавшего незначительную прогностическую ценность. Отсутствующие значения были вчислены с помощью техники скользящего среднего для поддержания временной непрерывности при минимизации искажений базовых паттернов. Были созданы три функции задержки с использованием целевой переменной (фактическая генерация (кВт/ч)) для фиксации временных зависимостей.

Разделение наборов данных
Для создания сбалансированного и репрезентативного обучения, валидации и тестовых когорт предварительно обработанный набор данных сегментировался с помощью стратифицированного метода выборки. Такой подход обеспечил, что 70% данных (2091 данные) были выделены для обучения, тогда как валидационные и тестовые наборы составляли по 15% (448 данных на набор).

Нормализация данных
Функции стандартизировались с помощью StandardScaler, а целевые значения нормализовались с помощью MinMaxScaler до диапазона [0,1] для стабильности нейронных сетей.

Обучение моделям
Для прогнозирования солнечной генерации было реализовано пять гибридных моделей (Random Forest-BiLSTM, CNN-LSTM, CNN-BiLSTM, CNN-GRU и CNN-Transformer). Входные данные были реструктурированы в последовательный формат, переформатированный следующим образом (сэмплы, временные шаги, признаки), где временные шаги = 1 для большинства моделей, за исключением CNN-LSTM, где использовалось скользящее окно из 15 шагов. Наборы обучения, валидации и тестирования масштабировались с сохранением временного порядка для предотвращения утечек данных. Все модели обучены с 32 партийными и 30 эпохами.

Случайный лес — BiLSTM (рисунок 2): Предлагаемая гибридная модель объединяет сеть двунаправленной долгой краткосрочной памяти (BiLSTM) с регрессором случайного леса (RF) для повышения точности прогнозирования. Во-первых, модель BiLSTM обучается на входных временных рядах для фиксации временных закономерностей и генерации начальных предсказаний. После этого вычисляются остаточные ошибки (различия между фактическими и предсказанными значениями) от BiLSTM. Модель случайного леса затем обучается на исходных входных признаках для изучения и прогнозирования этих остатков. Для повышения производительности RF-модели выбираются шесть наиболее важных функций на основе оценок важности функций. Наконец, скорректированное предсказание получается путем добавления RF-предсказанных остатков к выходам BiLSTM. Этот гибридный подход использует возможности моделирования последовательностей BiLSTM и силу ансамблевого обучения Random Forest для достижения лучшей обобщённости и прогнозирования.

Пусть — входная последовательность на шаге времени t.

Прогноз BiLSTM:

, 

 

 

Остаточные вычисления: 

Остаточное обучение с использованием случайного леса: пусть Z⊂X — это топ-k признаков, выбранных с учётом важности признаков.

 

Итоговый прогноз: 

Рисунок 2: Архитектура модели случайной лесно-двунаправленной долгосрочной краткосрочной памяти. Схематическая диаграмма, иллюстрирующая гибридную архитектуру RF-BiLSTM, демонстрирующая интеграцию обработки признаков Random Forest с двунаправленными слоями LSTM для обучения временной последовательности. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

CNN-LSTM (Рисунок 3): Гибридная модель CNN-LSTM начинается с обработки входной последовательности с использованием одномерного сверточного слоя для выделения локальных пространственных признаков, затем активации LeakyReLU, пакетной нормализации и максимального пулирования. Извлеченные признаки затем проходят через стек из трёх слоёв LSTM для изучения временных зависимостей, при этом нормализация слоя и dropout применяются после первых двух LSTM для регуляризации. Окончательный выход LSTM проходит через полностью связанные плотные слои с активацией и выпадением, а затем отображается на выход с помощью одного нейрона.

Пусть — входная последовательность, где T — временное окно, а F — количество признаков.

Работа CNN: 

Максимальное пулирование: 

Ячейка LSTM: 

 

Результаты:  

Рисунок 3: Архитектура модели CNN-LSTM. Структурное представление гибридной модели сверточной нейронной сети — долгой краткосрочной памяти, демонстрирующее сверточную экстракцию признаков с последующим однонаправленной обработкой временной последовательности. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

CNN-BiLSTM (рисунок 4): Гибридная модель CNN-BiLSTM сначала извлекает пространственные признаки с помощью одномерного сверточного слоя с 32 фильтрами, затем осуществляется пакетная нормализация и максимальное пулирование для снижения размерности. Затем выход проходит через стек из двух двухнаправленных слоёв LSTM для фиксации долгосрочных временных зависимостей как в прямом, так и в обратном направлении. Регуляризация применяется через выпадание и пакетную нормализацию. Плотный слой с 128 нейронами уточняет полученное представление до того, как финальный выходной слой отображает его в одно предсказанное значение.

Работа CNN: 

Максимальное пулирование:

Двунаправленный LSTM:  ,  

 

Результаты:  

Рисунок 4: Архитектура модели CNN-BiLSTM. Архитектурная диаграмма модели сверточной нейронной сети — двунаправленной долгой краткосрочной памяти, демонстрирующая сочетание сверточных слоёв с двунаправленной рекуррентной обработкой для усиления фиксации временной зависимости. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

CNN-GRU (рисунок 5): Гибридная модель CNN-GRU начинается с слоя Conv1D, использующего размер ядра 1 для извлечения пространственных признаков из одного шага времени. Максимальное пулирование уменьшает пространственные размеры. Затем следует стек слоёв GRU: первый возвращает последовательности для захвата временных зависимостей, а второй суммирует последовательность в компактное представление. Последний плотный слой выводит предсказанное значение. Регуляризация дропаута применяется между слоями GRU для предотвращения перенагона.

Работа CNN: 

Максимальное пулирование: 

Ячейка ГРУ:

Результаты:

Рисунок 5: Архитектура модели CNN-GRU. Схема гибридной модели Convolutional Neural Neural Network-Gated Recurrent Unit, демонстрирующая сверточную предобработку, интегрированную с GRU-слоями для эффективного временного моделирования. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

CNN-трансформатор (рисунок 6) Модель CNN-трансформатора начинается с слоя Conv1D для извлечения локальных признаков из входной последовательности, за которым следует уровень максимального пула. Эти функции проходят через блок кодировщика трансформатора, состоящий из многоголовного механизма самовнимания, нормализации слоев и плотной сети с прямой подачей. Затем применяется глобальное среднее пулирование перед тем, как финальный плотный слой выдаст прогноз. Эта архитектура разработана для захвата как пространственных паттернов (через CNN), так и глобальных зависимостей (через внимание трансформера).

Работа CNN:

Многоголовое самосознание:

Где: Q, K, V = XW^Q, XW^K, XW^V и d_k — размерность ключей.

Сеть Feed Forward:

Слои Add & Norm:

Результаты:

Рисунок 6: Архитектура модели CNN-Transformer. Структурный обзор гибридной модели сверточной нейронной сети и трансформатора, включающей сверточную экстракцию признаков с многоголовыми механизмами внимания для продвинутого распознавания временных паттернов. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

Разработка ансамблевой модели
Для повышения точности прогнозирования и устойчивости моделей мы реализовали взвешенный средневзвешенный ансамблевой подход, используя прогнозы из пяти гибридных моделей глубокого обучения: RF-BiLSTM, CNN-LSTM, CNN-BiLSTM, CNN-GRU и CNN-Transformer. Ансамбль был построен путём присвоения оптимизированных весов прогнозам каждой модели, при этом более высокие веса были присвоены моделям, демонстрирующим превосходные индивидуальные характеристики, измеряемые их показателями R². Такая стратегия взвешивания гарантирует, что более точные модели вносят значительный вклад в итоговый прогноз, при этом используя дополняющие преимущества всех архитектур. Результат ансамбля затем оценивался с использованием стандартных метрик производительности: R², средняя абсолютная ошибка (MAE) и средняя квадратическая ошибка (MSE) для оценки его предсказательной точности, согласованности и возможности обобщения. Этот ансамбль глубокого обучения направлен на интеграцию извлечения временных признаков с разных точек зрения, обеспечивая тем самым большую точность и надёжность, чем любая отдельная гибридная модель в изоляции.

Математическая формулировка метода ансамбля:

Пусть

представляют собой набор базовых моделей, соответствующих CNN-RF-BiLSTM, CNN-LSTM, CNN-BiLSTM, CNN-GRU и CNN-Transformer.

Каждая базовая модель M_i даёт прогноз:

Мета-матрица для стекирования формируется как:

Мета-обучающийся по регрессии Ridge оценивает итоговое предсказание следующим образом:

где:

--_{w i} — это научные грузы для укладки

-- w₀ — член смещения

Чтобы избежать перенагона, регрессия по гребню минимизирует следующую регуляризованную функцию потерь:

где:

-- y_j = истинная цель для^j-го образца

-- N = общее количество выборок

-- α = параметр регуляризации, контролирующий усадку веса

Предсказание ансамбля получается следующим образом:

где_{веса w} i автоматически усваиваются за счёт минимизации функции потери гребня.

Results

Оценка эффективности отдельных моделей
Оценка производительности пяти гибридных моделей глубокого обучения (DL) RF-BiLSTM, CNN-GRU, CNN-BiLSTM, CNN-LSTM и CNN-трансформатора была проведена с использованием комплексного набора стандартных регрессионных метрик, включая R² (коэффициент определения), среднюю абсолютную ошибку (MAE) и среднюю квадратичную ошибку (MSE), для тщательной оценки их способности прогнозировать генерацию солнечной энергии при различных метеорологических условиях и временных зависи...

Discussion

Предлагаемая методология основана на структурированном рабочем процессе, как показано на рисунке 12. Изначально набор данных проходит комплексную предобработку, включая импутацию отсутствующих значений, нормализацию и инженерию признаков, чтобы обеспечить качество данных и улучшить обучение^{моделей 3,6}. Обработанный набор данных затем делится на обучающие (70%), валидационные (15%) и тестовые (15%) наборы для обеспечения надёжной разр...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
BiLSTM	TensorFlow/Keras	TensorFlow 2.10.0
Слои CNN	TensorFlow/Keras	TensorFlow 2.10.0
Google Colab	Google LLC	Облачная платформа
ГРУ	TensorFlow/Keras	TensorFlow 2.10.0
Matplotlib	Команда разработчиков Matplotlib	3.7.1
NumPy	NumFOCUS	1.25.2
Видеокарта NVIDIA T4	Корпорация NVIDIA	Tesla T4
Панды	NumFOCUS	2.0.3
Пиргелиометр для измерения DNI	Кипп и Зонен	CH1-DL
Python	Фонд программного обеспечения Python	3.10.12
Случайный лес	Разработчики Scikit-learn	1.2.2
Scikit-learn	Разработчики Scikit-learn	1.2.2
Датчики температуры	Вайсала	HMP155
TensorFlow/Keras	Google	Версия 2.10.0
Трансформатор	TensorFlow/Keras	TensorFlow 2.10.0
Метеостанция	Davis Instruments	Vantage Pro2