Time Series Analysis and Forecasting of Solar Generation in Spain Using eXtreme Gradient Boosting: A Machine Learning Approach
Artykuł w czasopiśmie
MNiSW
140
Lista 2023
| Status: | |
| Autorzy: | Saigustia Candra, Pijarski Paweł |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Rok wydania: | 2023 |
| Wersja dokumentu: | Elektroniczna |
| Język: | angielski |
| Numer czasopisma: | 22 |
| Wolumen/Tom: | 16 |
| Numer artykułu: | 7618 |
| Strony: | 1 - 14 |
| Impact Factor: | 3,0 |
| Web of Science® Times Cited: | 2 |
| Scopus® Cytowania: | 3 |
| Bazy: | Web of Science | Scopus |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | NIE |
| Publikacja OA: | TAK |
| Licencja: | |
| Sposób udostępnienia: | Otwarte czasopismo |
| Wersja tekstu: | Ostateczna wersja opublikowana |
| Czas opublikowania: | W momencie opublikowania |
| Data opublikowania w OA: | 17 listopada 2023 |
| Abstrakty: | angielski |
| The rapid expansion of solar photovoltaic (PV) generation has established its pivotal role in the shift toward sustainable energy systems. This study conducts an in-depth analysis of solar generation data from 2015 to 2018 in Spain, with a specific emphasis on temporal patterns, excluding weather data. Employing the powerful eXtreme gradient boosting (XGBoost) algorithm for modeling and forecasting, our research underscores its exceptional efficacy in capturing solar generation trends, as evidenced by a remarkable root mean squared error (RMSE) of 11.042, a mean absolute error (MAE) of 5.621, an R-squared (R2) of 0.999, and a minimal mean absolute percentage error (MAPE) of 0.046. These insights hold substantial implications for grid management, energy planning, and policy development, reaffirming solar energy’s promise as a dependable and sustainable contributor to the electrical power system’s evolution. This research contributes to the growing body of knowledge aimed at optimizing renewable energy integration and enhancing energy sustainability for future generations. |
