文献

J-GLOBAL ID：202202242288471974   整理番号：22A0436634

深層学習ベースアンサンブルスタッキングアプローチを用いた改良型太陽光発電エネルギー発生予測【JST・京大機械翻訳】

Improved solar photovoltaic energy generation forecast using deep learning-based ensemble stacking approach

著者 (3件)： Khan Waqas (Eindhoven University of Technology, Netherlands) ,  Walker Shalika (Eindhoven University of Technology, Netherlands) ,  Zeiler Wim (Eindhoven University of Technology, Netherlands)
資料名： Energy  (Energy)
巻： 240  ページ： Null  発行年： 2022年 
JST資料番号： H0631A  ISSN： 0360-5442  CODEN： ENEYDS  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 正確な太陽エネルギー予測は,既存の電力グリッドのコントロールへの再生可能エネルギーの統合のより高いレベルを可能にするのに最も重要である。前例のない粒状性におけるデータのアベイラビリティによって,太陽発電の予測を改善するためにデータ駆動アルゴリズムを使用する機会がある。本論文では,太陽エネルギー予測のためのベースモデルとして人工ニューラルネットワーク(ANN)と長い短期メモリ(LSTM)の2つの深層学習アルゴリズムを利用して,改良一般に適用できる積層アンサンブルアルゴリズム(DSE-XGB)を提案した。ベースモデルからの予測を,太陽PV発電予測の精度を高めるために,極端な勾配ブースティングアルゴリズムを用いて統合した。提案したモデルを4つの異なる太陽発電データセットで評価し,総合評価を提供した。さらに,このアルゴリズムの学習機構へのより深い洞察を提供するために,形状的付加的説明フレームワークを本研究で利用した。提案モデルの性能を個々のANN,LSTM,およびBaggingと予測結果を比較することによって評価した。提案したDSE-XGB法は,気象変動に関係なく,異なる事例研究で一貫性と安定性の最良の組合せを示し,他のモデルに対して10%~12%のR2値の改善を実証した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  記憶装置 ,  *太陽 ,  *学習 ,  電力 ,  不確実性 ,  ニューラルネットワーク ,  太陽エネルギー ,  気候変動 ,  *太陽光発電 ,  事例研究 ,  機械学習 ,  学習アルゴリズム
準シソーラス用語： ブースティングアルゴリズム ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (6件)： 太陽エネルギー予測 ,  不確実性 ,  機械学習 ,  深層学習 ,  スタッキング ,  アンサンブル学習

分類 (5件)： 太陽エネルギー  (LB03030Q) ,  風力発電  (NB03120Q) ,  エネルギーに関する技術・経済問題  (LA01050V) ,  発電一般  (NB03010W) ,  太陽光発電  (NB03090G)

タイトルに関連する用語 (3件)： 深層学習 ,  太陽光発電エネルギー ,  発生予測