PVDAQ
PulseAugur coverage of PVDAQ — every cluster mentioning PVDAQ across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
树锚专家组合减少光伏预测误差
研究人员开发了一种方法，通过将主要树模型与互补的时间预测器的预测相结合，来减少多时段光伏预测中的误差。该方法使用 LightGBM 作为强大的独立模型，并结合七个神经网络实现的加权组合来解决残差误差。研究发现，与在公共 PVDAQ 系统超过 56,000 个窗口的数据集上使用的独立树模型相比，共享平均绝对误差 (MAE) 策略将比例 MAE 降低了 3.21%。
-
研究论文分析光伏预测中的集成复杂度
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…
-
新的集成方法提高了光伏发电预测的准确性
研究人员开发了一种新颖的层次化集成方法，用于短期光伏发电预测。该方法结合了多种模型，包括时间神经网络、历史类似模型、气候学和梯度提升树，以同时考虑规律的太阳周期和天气驱动的波动。该系统使用面向视界的凸权重来整合这些不同模型的预测，并进行校准步骤以纠正近期偏差。在公共PVDAQ和GEFCom2014数据集上的评估表明，与LightGBM和Chronos-2等强大的单个模型相比，该集成方法在较短的预测视界上实现了更高的准确性。