ĐÁNH GIÁ CÁC MÔ HÌNH DỰ BÁO BỨC XẠ MẶT TRỜI: LIGHTGBM, LSTM VÀ GRU

Tóm tắt

Dự báo bức xạ mặt trời chính xác là yếu tố kỹ thuật quan trọng trong việc tối ưu hóa hiệu suất các hệ thống điện mặt trời. Bài báo này đánh giá hiệu suất của ba
mô hình học máy tiên tiến là Light Gradient Boosting Machine (LightGBM), Long Short-Term Memory (LSTM) và Gated Recurrent Unit (GRU) trong việc dự báo bức xạ
mặt trời. Các mô hình được huấn luyện và kiểm tra thử trên một bộ dữ liệu thực tế, bao gồm các thông số khí tượng và bức xạ mặt trời đo được. Các tiêu chí đánh giá
như sai số trung bình bình phương gốc (RMSE), và sai số tuyệt đối trung bình (MAE) được sử dụng để so sánh hiệu suất của các mô hình. Kết quả cho thấy mỗi mô hình
có những ưu điểm và nhược điểm riêng. Mô hình LightGBM khi huấn luyện thể hiện hiệu suất vượt trội với thời gian huấn luyện nhanh hơn và độ chính xác cao hơn
(0,5s; RMSE = 54,8W/m2
và MAE = 27,6W/m2
) so với LSTM (456,5s; RMSE = 59,2W/m2
; MAE = 34,8W/m2
) và GRU (397,2s; RMSE = 59,3W/m2
; MAE = 34,7W/m2
).
Trong các kịch bản dự báo, ba mô hình có độ chính xác khá tương đương nhưng LightGBM có thời gian dự báo thấp hơn LSTM và GRU khá nhiều. LSTM và GRU, mặc
dù phức tạp hơn và đòi hỏi thời gian huấn luyện lâu hơn, nhưng cũng cho thấy khả năng dự báo tốt với những đặc điểm dữ liệu thời gian phức tạp. Bài báo cung cấp
cái nhìn toàn diện về hiệu suất của các mô hình này và đưa ra các khuyến nghị cho việc lựa chọn mô hình phù hợp trong các ứng dụng dự báo bức xạ mặt trời.