Advanced systems engineering laboratory, Ibn Tofail University, Kenitra, Morocco
Advanced systems engineering laboratory, Ibn Tofail University, Kenitra, Morocco
Advanced systems engineering laboratory, Ibn Tofail University, Kenitra, Morocco
Advanced systems engineering laboratory, Ibn Tofail University, Kenitra, Morocco
Garantizar previsiones precisas de la Irradiancia Horizontal Global (GHI) es un aspecto fundamental para optimizar la utilización eficiente de los recursos energéticos solares. Las técnicas de aprendizaje automático ofrecen perspectivas prometedoras para predecir la irradiancia horizontal global. Sin embargo, en el ámbito del aprendizaje automático, no se puede sobrestimar la importancia de la selección de características, ya que es crucial para determinar el rendimiento y la fiabilidad de los modelos predictivos. Para abordar este problema, se ha desarrollado un algoritmo de aprendizaje automático integral que aprovecha técnicas avanzadas de importancia de las características para predecir los datos de GHI con precisión. Los modelos propuestos se basan en datos históricos que abarcan características de irradiación solar y variables ambientales dentro de la región de Ouarzazate, Marruecos, que abarcan desde el 1 de enero de 2018 hasta el 31 de diciembre de 2018, con lecturas tomadas a intervalos de 60 minutos. Los hallazgos subrayan el profundo impacto de la selección de características en la mejora de las capacidades predictivas de los modelos de aprendizaje automático para el pronóstico de GHI. Al identificar y priorizar las características más informativas, los modelos muestran métricas de precisión significativamente mejoradas, reforzando así la fiabilidad, la eficiencia y la aplicabilidad práctica de los pronósticos de GHI. Este avance no sólo es prometedor para optimizar la utilización de la energía solar, sino que también contribuye al discurso más amplio sobre el aprovechamiento del aprendizaje automático para la previsión de las energías renovables y las iniciativas de sostenibilidad.
Este artículo se distribuye bajo la licencia Creative Commons Attribution 4.0 License. A menos que se indique lo contrario, el material publicado asociado se distribuye bajo la misma licencia.
The statements, opinions and data contained in the journal are solely those of the individual authors and contributors and not of the publisher and the editor(s). We stay neutral with regard to jurisdictional claims in published maps and institutional affiliations.