可再生能源预测：深度学习模型用于复杂数据集分析的比较研究
机器学习
2025-12-05 v2 人工智能
摘要
可再生能源生产预测的日益关注与深度学习（DL）的进步相吻合。可再生能源的内在变动性和预测方法的复杂性需要稳健的方法，如 DL 模型，才能在可再生能源领域发挥作用。相较于传统机器学习（ML），DL 模型因能捕捉可再生能源数据集中复杂的非线性关系而受到青睐。本研究通过比较 various 方法和训练与测试比例，在 DL 框架内评估影响 DL 技术准确性的关键因素，包括抽样和超参数优化。在一个结合天气和光伏发电数据的数据集上评估了七种机器学习方法：LSTM、堆叠 LSTM、CNN、CNN-LSTM、DNN、时间分布式 MLP（TD-MLP）和自编码器（AE）。应用正则化技术，如早期停止、神经元 dropout、L1 和 L2 正则化，以解决过拟合问题。结果表明，early stopping、dropout 和 L1 正则化的组合在训练集较大时，对 CNN 和 TD-MLP 模型最有效；而 early stopping、dropout 和 L2 正则化的组合在训练集较小时，对 CNN-LSTM 和 AE 模型最有效。
引用
@article{arxiv.2501.15731,
title = {Renewable Energy Prediction: A Comparative Study of Deep Learning Models for Complex Dataset Analysis},
author = {Haibo Wang and Jun Huang and Lutfu Sua and Bahram Alidaee},
journal= {arXiv preprint arXiv:2501.15731},
year = {2025}
}
备注
11 pages, 2 figures and 6 tables