What question did this study set out to answer?

June 19, 2026Open Access

Vergleichende Analyse von Ansätzen des maschinellen Lernens und des Deep Learning zur Prognose der Stromerzeugung aus erneuerbaren Energien: Eine Bewertung der Modelle XGBoost, LightGBM und LSTM

AKAyang KinasihLampung University IAIqbal Aryanto TZTomy Zuhelmi

Key Points

Die Studie zielt darauf ab, die Effektivität verschiedener Modelle des maschinellen Lernens und des Deep Learning zur Vorhersage von Erträgen aus erneuerbaren Energien zu bewerten.
Angewandte Techniken des Feature-Engineerings, einschließlich zeitbasierter Variablen und Verzögerungsfeatures, um die Modellleistung zu verbessern.
Verwendete eine chronologische Aufteilung des Datensatzes im Verhältnis 80/20 für die Integrität des Datensatzes.
Bewertete die Modellleistung unter Verwendung von RMSE, MAE und R²-Metriken.
LightGBM erzielte die beste Genauigkeit bei der Vorhersage von solarer PV mit RMSE: 3.27, R²: 0.987.
XGBoost erzielte die höchste Genauigkeit bei der Vorhersage von Windkraft mit RMSE: 3.26, R²: 0.987.
LSTM erzeugte negative R²-Werte, was auf eine schwache prädiktive Leistung hinweist.

Abstract

Die zunehmende Integration erneuerbarer Energien in intelligente Netze erfordert genaue Vorhersagen, um die Netzstabilität aufrechtzuerhalten und das Energiemanagement zu optimieren. Diese Studie vergleicht die Leistung von drei Prognosemodellen—XGBoost, LightGBM und Long Short-Term Memory (LSTM)—zur Vorhersage der Stromerzeugung aus solarer Photovoltaik (PV), Windkraft und der gesamten Erzeugung erneuerbarer Energien. Um die Prognosefähigkeit zu verbessern, wurden Techniken des Feature-Engineering angewendet, einschließlich zeitbasierter Variablen, gleitender Durchschnitte und Verzögerungsfeatures, um zeitliche Abhängigkeiten innerhalb des Datensatzes zu erfassen. Es wurde eine chronologische Aufteilung des Datensatzes im Verhältnis 80/20 verwendet, um die Integrität der Zeitreihe zu wahren. Die Modellleistung wurde durch Root Mean Squared Error (RMSE), Mean Absolute Error (MAE) und Determinationskoeffizienten (R²) evaluiert. Die Ergebnisse zeigen, dass die Gradient Boosting-Modelle die LSTM-Modelle bei allen Prognosezielen signifikant übertroffen haben. LightGBM erzielte die beste Leistung bei der Vorhersage von solarer PV (RMSE: 3.27, R²: 0.987) und der gesamten Vorhersage erneuerbarer Energien (RMSE: 4.66, R²: 0.988), während XGBoost die höchste Genauigkeit bei der Vorhersage der Windkraft (RMSE: 3.26, R²: 0.987) erzielte. Im Gegensatz dazu erzeugte das LSTM-Modell negative R²-Werte, was auf eine schlechte prädiktive Leistung hinweist. Diese Ergebnisse zeigen, dass Gradient Boosting-Methoden äußerst effektiv für strukturierte Datensätze zur Prognose erneuerbarer Energien sind und ein großes Potenzial für intelligente Anwendungen in Smart Grids bieten. Der vorgeschlagene Rahmen zur Prognose soll IoT-fähige Smart Grid-Systeme unterstützen, in denen Daten zu erneuerbaren Energien kontinuierlich durch verteilte Sensoren gesammelt und über intelligente Kommunikationsnetzwerke übertragen werden. Die vorgeschlagenen Modelle können die Echtzeitüberwachung der Energie, vorhersagebasierte Edge-Analysen und das intelligente Netzwerkmanagement für moderne Infrastrukturen von Smart Grids unterstützen.

KI fragen

Bookmark

View Full Paper