Predicting Solar Energy Generation with Machine Learning based on AQI and Weather Features

要約

この論文では、効率的なグリッド統合に不可欠な、正確な太陽エネルギー予測モデルに対する差し迫ったニーズについて取り上げます。
私たちは、高度な機械学習および深層学習技術を使用して、大気質指数と気象特徴が太陽エネルギー生成に及ぼす影響を調査します。
私たちの方法論は時系列モデリングを使用し、べき乗変換正規化とゼロインフレモデリングを新たに利用します。
さまざまな機械学習アルゴリズムと Conv2D Long Short-Term Memory モデル ベースの深層学習モデルがこれらの変換に適用され、正確な予測が実現されます。
結果は、大気質指数と気象機能による予測精度の向上を実証し、私たちのアプローチの有効性を強調しています。
Conv2D Long Short-Term Memory モデルで 0.9691 $R^2$ スコア、0.18 MAE、0.10 RMSE を達成し、太陽光発電の時系列予測を強化する電力変換技術の革新性を示しました。
このような結果は、私たちの研究が大気質指数、気象特徴、太陽エネルギー予測のための深層学習技術の間の相乗効果に貴重な洞察を提供するのに役立ちます。

要約(オリジナル)

This paper addresses the pressing need for an accurate solar energy prediction model, which is crucial for efficient grid integration. We explore the influence of the Air Quality Index and weather features on solar energy generation, employing advanced Machine Learning and Deep Learning techniques. Our methodology uses time series modeling and makes novel use of power transform normalization and zero-inflated modeling. Various Machine Learning algorithms and Conv2D Long Short-Term Memory model based Deep Learning models are applied to these transformations for precise predictions. Results underscore the effectiveness of our approach, demonstrating enhanced prediction accuracy with Air Quality Index and weather features. We achieved a 0.9691 $R^2$ Score, 0.18 MAE, 0.10 RMSE with Conv2D Long Short-Term Memory model, showcasing the power transform technique’s innovation in enhancing time series forecasting for solar energy generation. Such results help our research contribute valuable insights to the synergy between Air Quality Index, weather features, and Deep Learning techniques for solar energy prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google