机构名称：
¥ 1.0
摘要。随着深度学习 (DL) 的进步，人们对可再生能源产量预测的关注度日益增加。可再生能源固有的多变性和预测方法的复杂性要求可再生能源领域采用稳健的方法，例如 DL 模型。与传统机器学习 (ML) 相比，DL 模型更受欢迎，因为它们可以捕捉可再生能源数据集中复杂的非线性关系。本研究通过比较 DL 框架内的各种方法和训练/测试比率，研究了影响 DL 技术准确性的关键因素，包括采样和超参数优化。使用结合了来自 12 个地点的天气和光伏电力输出数据的数据集，评估了七种机器学习方法——LSTM、Stacked LSTM、CNN、CNN-LSTM、DNN、时间分布式 MLP (TD-MLP) 和自动编码器 (AE)。应用早期停止、神经元丢失和 L1/L2 正则化等正则化技术来解决过度拟合问题。结果表明，早期停止、dropout 和 L1 正则化的组合对于减少具有较大训练集的 CNN 和 TD-MLP 模型中的过度拟合效果最佳，而早期停止、dropout 和 L2 正则化的组合对于减少具有较小训练集的 CNN-LSTM 和 AE 模型中的过度拟合效果最有效。
可再生能源预测：...的比较研究
主要关键词
相关文件推荐
