一篇新研究论文探讨了光伏预测中使用的集成模型的复杂度。该研究分析了向集成模型添加组件如何能够改进预测，同时也有可能增加计算负担或对整体准确性贡献甚微。使用 GEFCom2014 数据集和其他公共数据集进行的实验，并辅以 ERA5 的回顾性数据，表明在特定数据集上，静态融合相比匹配提升（matched boosting）降低了尺度平均绝对误差（scaled mean absolute error），尽管并非所有改进都经过校正后具有统计学意义。研究还发现，天气门控（weather gating）并未持续提供额外的好处，并且对模型组件的探索性移除表明了组级依赖性和个体冗余性，这表明需要进行组件级别的评估。 AI
影响 为优化集成模型以提高可再生能源预测的准确性和计算效率提供了见解。
排序理由 该集群包含一篇在 arXiv 上发表的研究论文，详细介绍了用于预测的机器学习的方法论和实验结果。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
