Erweitertes Deep Belief Network Basierend auf Ensemble-Lernen und Baumstrukturierter Parzen-Schätzer: Eine optimale Methode zur Vorhersage der Photovoltaikleistung

Die zufälligen Schwankungen und die Nicht-Uniformität der Photovoltaikstromerzeugung beeinflussen erheblich die Stabilität und den Betrieb der Stromnetze. Diese Arbeit behandelt die hohe Volatilität der Photovoltaikleistung, indem ein präzises und zuverlässiges Ensemble-Lernmodell zur Kurzzeitvorhersage der Photovoltaikstromerzeugung vorgeschlagen wird. Das vorgeschlagene Vorhersagewerkzeug umfasst Schichten eines Basis- und Meta-Modells. Der Basislerner der ersten Schicht kombiniert extreme Lernmaschinen, extrem randomisierte Bäume, k-nächste Nachbarn und Mondrian-Waldmodelle. Die Meta-Modell-Schicht nutzt ein Deep Belief Network, um die endgültigen Ausgaben zu erzeugen. Die Hyperparameter des vorgeschlagenen Stacking-Ensembles werden sorgfältig mithilfe des baumstrukturierten Parzen-Schätzer-Algorithmus abgestimmt, um eine erstklassige Vorhersageleistung zu erzielen. Das vorgeschlagene Modell wird umfassend durch eine empirische Studie mit einem beliebten Datensatz aus Australien bewertet. Die Simulationsergebnisse bestätigen die Leistungsüberlegenheit des vorgeschlagenen Modells gegenüber den bestehenden Vorhersagemodellen mit dem niedrigsten durchschnittlichen Wurzelmittelquadratischen Fehler und dem mittleren absoluten prozentualen Fehler von 3,88 kW bzw. 2,30 %.