深度学习在可再生能源预测中的应用：时序与空间模型的跨数据集评估

可再生能源的不可预测性，加之该领域用于各种目的的方法的复杂性，要求在可再生能源领域内开发如深度学习模型等稳健方法。鉴于可再生能源数据集中变量间的非线性关系，深度学习模型优于传统机器学习模型，因为它们能有效捕捉并建模变量间的复杂交互。本研究旨在识别影响深度学习技术准确性的因素，如采样、平稳性、线性以及不同算法的超参数优化。所提出的深度学习框架比较了多种方法和不同的训练/测试集比例。在西班牙的每小时能源需求数据和每小时天气数据，以及12个地点光伏板发电功率输出这两个数据集上，评估了七种机器学习方法，包括长短期记忆网络、堆叠长短期记忆网络、卷积神经网络、CNN-LSTM、深度神经网络、多层感知机和编码器-解码器。本研究采用了提前停止、神经元丢弃和L2正则化等正则化方法，以减少深度学习模型相关的过拟合问题。长短期记忆网络和多层感知机模型表现出优越的性能，其验证数据展现出极低的均方根误差值。