Publisher

BUFNETSBUFNETS

Journal Bulletin of Network Engineer and InformaticsBulletin of Network Engineer and Informatics Abstract

Integrasi energi terbarukan yang semakin meningkat ke dalam jaringan pintar membutuhkan peramalan yang akurat untuk menjaga stabilitas jaringan dan mengoptimalkan manajemen energi. Studi ini membandingkan kinerja tiga model peramalan - XGBoost, LightGBM, dan Long Short-Term Memory (LSTM) - untuk memprediksi output fotovoltaik surya (PV), output daya angin, dan total generasi energi terbarukan. Untuk meningkatkan kemampuan peramalan, studi ini menerapkan teknik rekayasa fitur, termasuk variabel waktu, rata-rata bergulir, dan fitur lag untuk menangkap ketergantungan temporal dalam dataset. Split pelatihan-pengujian kronologis 80/20 digunakan untuk menjaga integritas data seri waktu. Kinerja model dinilai menggunakan Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), dan koefisien determinasi (R²). Hasil menunjukkan bahwa model peningkatan gradien secara signifikan melebihi model LSTM di seluruh target peramalan. LightGBM mencapai kinerja terbaik untuk peramalan PV surya (RMSE: 3,27, R²: 0,987) dan prediksi energi terbarukan total (RMSE: 4,66, R²: 0,988), sedangkan XGBoost menghasilkan akurasi tertinggi untuk peramalan daya angin (RMSE: 3,26, R²: 0,987). Sebaliknya, model LSTM menghasilkan nilai R² negatif, yang menunjukkan kinerja prediktif yang buruk. Temuan ini menunjukkan bahwa metode peningkatan gradien sangat efektif untuk dataset peramalan energi terbarukan terstruktur dan menawarkan potensi yang kuat untuk aplikasi grid pintar cerdas. Kerangka peramalan dirancang untuk mendukung sistem grid pintar cerdas yang diaktifkan IoT, di mana data energi terbarukan dikumpulkan secara terus-menerus melalui sensor terdistribusi dan ditransmisikan melalui jaringan komunikasi cerdas. Model yang diusulkan dapat membantu pemantauan energi real-time, prediksi berbasis tepi, dan manajemen jaringan cerdas untuk infrastruktur grid pintar modern.

Conclusion

Studi ini melakukan evaluasi komprehensif terhadap tiga model pembelajaran mesin dan pembelajaran dalam - XGBoost, LightGBM, dan LSTM - untuk memprediksi output fotovoltaik surya, output daya angin, dan total produksi energi terbarukan.Hasilnya menunjukkan keunggulan yang jelas dari metode peningkatan gradien terhadap pendekatan pembelajaran dalam untuk tugas peramalan energi terbarukan yang diteliti dalam studi ini.LightGBM mencapai kinerja terbaik untuk peramalan PV surya dan total energi terbarukan, sedangkan XGBoost unggul dalam memprediksi output daya angin.Model LSTM, sebaliknya, menghasilkan kinerja yang buruk, dengan nilai R² negatif di seluruh target peramalan.Temuan ini menunjukkan bahwa metode peningkatan gradien, khususnya LightGBM dan XGBoost, merupakan pilihan yang direkomendasikan untuk peramalan energi terbarukan dengan dataset terstruktur dan ukuran moderat.Keunggulan ini dapat dikaitkan dengan beberapa faktor sinergis, termasuk karakteristik data yang terstruktur, tabular, dan terrekayasa, yang sesuai dengan mekanisme pembelajaran pohon berbasis gradien.robustness algoritma peningkatan gradien dengan dataset berukuran moderat karena regulasi bawaan.dan rekayasa fitur yang luas yang secara efektif mengkodekan pola temporal ke dalam format yang dioptimalkan untuk pembelajaran tabular.Sebaliknya, underperformance LSTM mungkin disebabkan oleh volume data pelatihan yang tidak mencukupi, konfigurasi hiperparameter yang tidak optimal, potensi redundansi antara fitur yang direkayasa dan pembelajaran temporal internal jaringan, serta sensitivitas terhadap pilihan pra-pemrosesan.Untuk peramalan energi terbarukan operasional dengan dataset terstruktur dan ukuran moderat, metode peningkatan gradien - khususnya LightGBM dan XGBoost - mewakili pendekatan yang direkomendasikan, menawarkan kombinasi yang menarik dari akurasi prediksi, efisiensi komputasi, kecepatan pelatihan, dan interpretabilitas model.Pilihan antara LightGBM dan XGBoost dapat dilakukan berdasarkan pertimbangan sekunder, karena kedua algoritma memberikan kinerja peramalan yang serupa.

Future Research

Untuk penelitian lanjutan, disarankan untuk melakukan optimasi komprehensif terhadap arsitektur LSTM, menggunakan metode pencarian hiperparameter sistematis seperti optimisasi Bayesian atau pencarian arsitektur neural untuk mengidentifikasi konfigurasi yang memaksimalkan kinerja pembelajaran dalam untuk peramalan energi terbarukan. Studi ini juga harus menyelidiki dampak panjang urutan masukan, strategi pemilihan fitur, dan teknik augmentasi data pada akurasi prediksi LSTM. Selain itu, eksplorasi arsitektur pembelajaran dalam yang canggih, seperti model Transformer yang telah merevolusi pemrosesan bahasa alami dan menunjukkan hasil yang menjanjikan dalam peramalan seri waktu, menawarkan pendekatan pemodelan sekuensial alternatif yang mungkin mengatasi beberapa keterbatasan arsitektur recurrent. Pendekatan ensembel dan hibrida yang menggabungkan kekuatan model berbasis pohon dan pembelajaran dalam menawarkan arah penelitian yang menarik. Misalnya, ensembel stacking dapat menggunakan model peningkatan gradien dan jaringan saraf sebagai pembelajar dasar, dengan pembelajar meta yang menggabungkan prediksi mereka secara optimal. Pendekatan ini dapat mencapai kinerja yang lebih baik daripada model individu dengan memanfaatkan kekuatan komplementer paradigma pemodelan yang berbeda - efektivitas peningkatan gradien pada fitur tabular dan kemampuan pembelajaran dalam untuk mempelajari representasi sekuensial yang kompleks. Integrasi data cuaca eksogen, pengukuran radiasi yang berasal dari satelit, dan bidang tekanan atmosfer sebagai fitur masukan tambahan dapat meningkatkan kinerja semua jenis model. Pendekatan pembelajaran multi-modal yang menggabungkan data generasi energi tabular dengan citra cuaca spasial mewakili batas baru dalam peramalan energi terbarukan yang memanfaatkan kemampuan unik arsitektur pembelajaran dalam. Akhirnya, pengembangan sistem pembelajaran online dan adaptif yang memperbarui parameter model secara terus-menerus saat data baru tersedia mewakili arah penelitian praktis yang penting. Sistem seperti itu dapat menyesuaikan diri dengan perubahan pola generasi yang gradual akibat penuaan peralatan, perubahan topologi grid, atau tren iklim jangka panjang, sehingga mempertahankan akurasi peramalan selama periode penerapan yang diperpanjang.

References

1. Prediction of Raw Mill Fan Vibrations Based on Machine Learning Models | Research Square. prediction... doi.org/10.21203/rs.3.rs-3067230/v1Prediction of Raw Mill Fan Vibrations Based on Machine Learning Models Research Square prediction doi 10 21203 rs 3 rs 3067230 v1
2. Comparative Analysis of Machine Learning and Deep Learning Approaches for Renewable Energy Output Forecasting:... bufnets.tech/index.php/bufnets/article/view/184Comparative Analysis of Machine Learning and Deep Learning Approaches for Renewable Energy Output Forecasting bufnets tech index php bufnets article view 184
3. Client Challenge. client challenge javascript disabled browser please enable proceed required part site... link.springer.com/10.1007/s00521-024-09962-xClient Challenge client challenge javascript disabled browser please enable proceed required part site link springer 10 1007 s00521 024 09962 x
4. Comparative Analysis of Machine Learning Models for Accurate Retail Sales Demand Forecasting | Journal... doi.org/10.32996/jcsts.2024.6.1.23Comparative Analysis of Machine Learning Models for Accurate Retail Sales Demand Forecasting Journal doi 10 32996 jcsts 2024 6 1 23

Metadata

File size	1.08 MB
Pages	19
DMCA	Report