Продвижение ЦУР 7: гибридный подход LASSO-RFR для улучшенного прогнозирования солнечной энергии в экстремальных погодных условиях; Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов; Т. 337, № 7
| Parent link: | Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов=Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering/ Национальный исследовательский Томский политехнический университет.— .— Томск: Изд-во ТПУ, 2015-.— 2413-1830 Т. 337, № 7.— 2026.— С. 187-197 |
|---|---|
| Coauteur: | |
| Andere auteurs: | , , , , , , |
| Samenvatting: | Актуальность. Исследование сосредоточено на использовании гибридных моделей в экологической аналитике, особенно в таких регионах, как Сибирь, где наблюдаются высокодинамичные краткосрочные климатические переменные. Результаты исследования еще больше продвигают стратегии эффективной и надежной эксплуатации систем возобновляемой энергии, помогая принимать решения, таким образом улучшая их управление и планирование. Исследование представляет новое применение гибридной модели LASSO-RFR для прогнозирования солнечной энергии в экстремальных климатических условиях, предлагая методологически инновационный и практичный инструмент для повышения точности прогнозов возобновляемой энергии. Это способствует достижению более широкой цели устойчивого энергетического перехода, как указано в Целях устойчивого развития (ЦУР 7). Цель. Повышение точности прогнозирования доступности солнечной энергии в Сибири. Разработка надежной гибридной модели машинного обучения с выдающимися возможностями. Внесение вклада в ЦУР 7 посредством улучшения прогнозов возобновляемой энергии. Методы. Эта система объединяет методы статистического моделирования и машинного обучения, используя LASSO для выбора признаков и регрессию случайного леса для обработки сложных взаимосвязей данных, тем самым решая проблемы нелинейных многомерных наборов данных при прогнозировании генерации солнечной энергии. Гибридный подход LASSO-RFR используется для прогнозирования выработки солнечной энергии. Метод объединяет возможности LASSO по сокращению признаков и надежность RFR в точности прогнозирования. Собранные данные включают данные о солнечной радиации, температуре, влажности и скорости ветра по Томску и Сибири, охватывающие период с января 2021 г. по январь 2024 г. Результаты и выводы. Предложенная гибридная модель превзошла все отдельные модели с точки зрения точности прогнозирования (в оптимальной конфигурации значение MSE составило 0,006 при R-квадрате 85,7 %) и продемонстрировала большой потенциал для точного прогнозирования выработки солнечной энергии, что необходимо для эффективного преодоления изменчивости источников возобновляемой энергии Relevance. This study is focused on the use of hybrid models in environmental analytics, especially in areas like Siberia, which have highly dynamic short-term climate variables. Findings from the research further advance strategies for efficient and reliable renewable energy system operation by assisting decision-making, such that it improves their management and planning. The study introduces a novel application of a hybrid LASSO-RFR model to solar power prediction in extreme climatic conditions, offering a methodologically innovative and practical tool for improving the accuracy of renewable energy forecasts. This contributes to the broader goal of sustainable energy transition as outlined in SDG7. Aim. To enhance the predictive accuracy of solar power availability in Siberia, develop a robust hybrid machine learning model with outstanding capabilities, contribute to SDG7 through improved renewable energy forecasts. Methods. This system combines statistical modelling and machine learning techniques, utilising LASSO for feature selection and Random Forest Regression to handle complicated data relationships, thus tackling the challenges of non-linear, high-dimensional datasets in predicting solar power generation. A hybrid LASSO-RFR approach is employed to forecast solar power output. The method combines LASSO capability for feature reduction and RFR robustness in predictive accuracy. Data collected includes the ones on solar radiation, temperature, humidity, and wind speed in Tomsk and Siberia, spanning January 2021 to January 2024. Results and conclusions. The proposed hybrid model outperformed all individual models in terms of forecasting accuracy (in its optimal configuration, the MSE value was 0.006 with R-squared, 85.7%) and showed great potential to accurately predict solar power output, which is essential for effectively coping with renewable energy source variability Текстовый файл |
| Taal: | Russisch |
| Gepubliceerd in: |
2026
|
| Onderwerpen: | |
| Online toegang: | bulletin_tpu-2026-v337-i7-17.pdf https://doi.org/10.18799/24131830/2026/7/5132 |
| Formaat: | Elektronisch Hoofdstuk |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=688637 |