文献

J-GLOBAL ID：202202246329070253   整理番号：22A0773121

機械学習と時系列モデルを用いた全天日射予測の比較最適化【JST・京大機械翻訳】

Comparative optimization of global solar radiation forecasting using machine learning and time series models

著者 (3件)： Belmahdi Brahim (Energetic Laboratory, ETEE, Faculty of Sciences, Abdelmalek Essaadi University, Tetouan, Morocco) ,  Louzazni Mohamed (Science Engineer Laboratory for Energy, National School of Applied Sciences, Chouaib Doukkali University, El Jadida, Morocco) ,  El Bouardi Abdelmajid (Energetic Laboratory, ETEE, Faculty of Sciences, Abdelmalek Essaadi University, Tetouan, Morocco)
資料名： Environmental Science and Pollution Research  (Environmental Science and Pollution Research)
巻： 29  号： 10  ページ： 14871-14888  発行年： 2022年 
JST資料番号： W4325A  ISSN： 0944-1344  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 再生可能エネルギー源としての太陽エネルギーの利用の増加は,太陽光発電(PV)電力出力予測への関心を高めている。一方,予測全球日射(GSR)は気象条件に大きく依存し,時間とともに変動する。本論文では,予測誤差を最小化する最適機械学習技術と時系列モデルを選択するために,アルゴリズム法を提案した。予測したGSRは,Science of Science,Abdelmake Eassadi大学,Tetouan,モロッコに属する。選択された機械学習と時系列は,自己回帰統合移動平均(ARIMA),バックプロパゲーション(FFNN-BP),k-最近傍(k-NN),およびサポートベクターマシン(SVM)を,参照モデルとしての持続性モデルと比較して,サポートベクターマシン(SVM)である。結果を比較するために,各方法の性能を評価するためにいくつかの統計的計量を計算した。得られた結果は,使用した機械学習と時系列法がより直接的であることを示した。特に,フィードフォワードニューラルネットワーク(FFNN)とARIMAがより良く機能し,対応するGSR出力と良好な近似を与えることを見出した。Copyright The Author(s), under exclusive licence to Springer-Verlag GmbH Germany, part of Springer Nature 2021 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 ,  *最適化 ,  統計 ,  回帰分析 ,  電力 ,  太陽エネルギー ,  気象条件 ,  *日射 ,  *モデル ,  太陽光発電 ,  *全天日射 ,  逆伝搬法 ,  *機械学習 ,  予測誤差 ,  サポートベクトルマシン
準シソーラス用語： 自己回帰 , 【Automatic Indexing@JST】

著者キーワード (5件)： 予測 ,  太陽エネルギー ,  全天日射出力 ,  機械学習 ,  時系列

分類 (2件)： 太陽光発電  (NB03090G) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 機械学習 ,  時系列モデル ,  全天日射 ,  予測 ,  最適化