Исследователи из Немецко-Иорданского университета применили алгоритм оптимизации шимпанзе (ChOA) для оптимизации пяти моделей машинного обучения, которые прогнозируют производство энергии фотоэлементами солнечных панелей. Анализ показал значительное повышение точности прогнозов на основе четырех независимых погодных переменных: скорости ветра, относительной влажности, температуры окружающей среды и солнечного излучения.
Алгоритм оптимизации шимпанзе основан на кооперативном поведении этих приматов во время охоты. Он был применен для настройки гиперпараметров пяти различных моделей машинного обучения, включая множественную линейную регрессию, случайный лес и нейронные сети.
Ученые протестировали модели для прогнозирования работы фотоэлектрической системы мощностью 264 кВт, установленной на крыше университета в Иордании. Для прогноза использовали данные о скорости ветра, влажности, температуре и солнечном излучении за 2015-2018 годы. Прогнозы моделей сравнивали с реальными результатами работы солнечной панели.
Все оптимизированные модели машинного обучения показали улучшение производительности. «ChOA эффективно настроил параметры, что привело к улучшению подгонки модели, снижению переобучения и улучшенному обобщению по сравнению с другими широко используемыми алгоритмами оптимизации», — отмечают исследователи.
Точное прогнозирование производительности солнечных электростанций критически важно для эффективного управления энергосетями и интеграции возобновляемых источников энергии. Использование передовых методов оптимизации открывает новые возможности для повышения надежности и эффективности солнечной энергетики.
Читать далее:
Фото на обложке:
The post