Un modelo de aprendizaje en conjunto basado en la combinación de modelos bayesianos para la predicción de energía solar

Para mejorar la fiabilidad de los métodos de predicción de irradiancia solar, se ha desarrollado en este papel un método de aprendizaje en conjunto basado en la combinación de modelos bayesianos para los sistemas de utilización solar. Primero, se ha propuesto un nuevo método de muestreo de datos, que incluye las ventajas del agrupamiento y la validación cruzada, lo que puede garantizar de manera efectiva que los subconjuntos de entrenamiento sean diferentes entre sí y puedan cubrir una variedad de muestras meteorológicas diferentes. En segundo lugar, se ha diseñado un modelo de aprendizaje en conjunto con múltiples aprendices base. Cada subconjunto de entrenamiento se utiliza para entrenar el aprendiz base correspondiente. Luego, una nueva estrategia de combinación de modelos bayesianos expande el espacio de hipótesis E en la promediación de modelos bayesianos, que se aplica para enmarcar la estrategia de combinación basada en la precisión de cada aprendiz base en el conjunto de validación. Los valores de predicción de múltiples aprendices se enmarcan a través de la estrategia de combinación de modelos. Así, se ha establecido un nuevo modelo de aprendizaje en conjunto basado en la combinación de modelos bayesianos. Finalmente, se realizan experimentos y se compara el método propuesto con la Red Neuronal Artificial (ANN), K-means (Función de Base Radial) RBF, Máquina de Vector Soporte (SVM) y SVM Multinúcleo. El error absoluto medio anual del método de aprendizaje en conjunto basado en la combinación de modelos bayesianos se reduce en 0.0374 MJ×m−2 en comparación con el método de aprendizaje en conjunto. El error absoluto medio anual del método propuesto se reduce en un 42.6%, 38.2%, 52% y 48.7%, respectivamente, en comparación con ANN, K-means RBF, SVM y SVM Multinúcleo. La efectividad y fiabilidad del método propuesto en la predicción de energía solar han demostrado tener un mejor rendimiento y han verificado nuestro enfoque.