Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Structure and Mechanical Properties of Gradient Metal-Carbon Coatings Kapitel lesen Erstes Kapitel lesen

2019 | OriginalPaper | Buchkapitel

A Hybrid Machine Learning Approach for Daily Prediction of Solar Radiation

verfasst von : Mehrnoosh Torabi, Amir Mosavi, Pinar Ozturk, Annamaria Varkonyi-Koczy, Vajda Istvan

Erschienen in: Recent Advances in Technology Research and Education

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In this paper, we present a Cluster-Based Approach (CBA) that utilizes the support vector machine (SVM) and an artificial neural network (ANN) to estimate and predict the daily horizontal global solar radiation. In the proposed CBA-ANN-SVM approach, we first conduct clustering analysis and divided the global solar radiation data into clusters, according to the calendar months. Our approach aims at maximizing the homogeneity of data within the clusters, and the heterogeneity between the clusters. The proposed CBA-ANN-SVM approach is validated and the precision is compared with ANN and SVM techniques. The mean absolute percentage error (MAPE) for the proposed approach was reported lower than those of ANN and SVM.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel An Application of Nash Equilibrium to an Experimental Setting: The Real Meaning of the Sacrifice Move in Board Games
Nächstes Kapitel A Parallel Fuzzy Filter Network for Pattern Recognition
Literatur
1.
Hernandez, R.: Environmental impacts of utility-scale solar energy. Renew. Sustain. Energy Rev. 29, 766–779 (2014)CrossRef
2.
Hosseini, E.: A review on green energy potentials in Iran. Renew. Sustain. Energy Rev. 27, 533–545 (2013)CrossRef
3.
Torabi, M., et al.: A Hybrid Clustering and Classification Technique for Forecasting Short-Term Energy Consumption, Environmental Progress & Sustainable Energy. Wiley, Hoboken (2018)
4.
Mekhilef, S.: A review on solar energy use in industries. Renew. Sustain. Energy Rev. 15, 1777–1790 (2011)CrossRef
5.
Imani, M.H.: Strategic behavior of retailers for risk reduction and profit increment via distributed generators and demand response programs. Energies 11(6), 1–24 (2018)
6.
Rusen, S.: Estimation of daily global solar irradiation by coupling ground measurements of bright sunshine hours to satellite imagery. Energy 58, 417–425 (2013)CrossRef
7.
Darvishzadeh, A.: Modeling the strain impact on refractive index and optical transmission rate. Physica B: Condens. Matter 543, 14–17 (2018)CrossRef
8.
Ulgen, K., Hepbasli, A.: Diffuse solar radiation estimation models for Turkey’s big cities. Energy Convers. Manag. 50, 149–156 (2009)CrossRef
9.
Karakoti, I., Pande, B., Pandey, K.: Evaluation of different diffuse radiation models for Indian stations. Renew. Sustain. Energy Rev. 15, 2378–2384 (2011)CrossRef
10.
Mosavi, A.: The large scale system of multiple criteria decision making. Large Scale Complex Syst. Theory Appl. 9(1), 354–359 (2010)
11.
Vargas, R., Mosavi, A., Ruiz, L.: Deep learning: a review. In: Advances in Intelligent Systems and Computing (2017)
12.
Mubiru, J.: Estimation of monthly average daily global solar irradiation using artificial neural networks. Sol. Energy 82, 181–187 (2008)CrossRef
13.
Jiang, Y.: Computation of monthly mean daily global solar. Energy 34, 1276–1283 (2009)CrossRef
14.
Najafi, B., et al.: An intelligent artificial neural network-response surface methodology method. Energies 11(4), 860 (2018)CrossRef
15.
Mathioulakis, E.: Artificial neural networks for the performance prediction of heat pump hot water heaters. Int. J. Sustain. Energ. 37(2), 173–192 (2018)CrossRef
16.
Azeez, A.: Artificial neural network estimation of global solar. Appl. Sci. Res. 3(2), 586–595 (2011)
17.
Mosavi, A., et al.: Predicting the future using web knowledge: state of the art survey. In: Advances in Intelligent Systems and Computing, vol 660. Springer, Heidelberg (2018)
18.
Chen, L.: Estimation of monthly solar radiation from measured temperatures using support vector machines-a case study. Renew. Energy 36, 413–420 (2011)CrossRef
19.
Chen, J.L.: Assessing the potential of support vector machine for estimating daily solar radiation using sunshine duration. Energy Convers. Manag. 75, 311–318 (2013)CrossRef
20.
Mosavi, A., Varkonyi-Koczy, A.R.: Integration of machine learning and optimization for robot learning. In: Advances in Intelligent Systems and Computing. Springer, Heidelberg (2017)
21.
Chen, J.L., Li, G.S.: Evaluation of support vector machine for estimation of solar radiation from measured meteorological variables. Theor. Appl. Climatol. 115, 627–638 (2014)CrossRef
22.
Guermoui, M.: Support vector regression methodology for estimating global solar radiation in Algeria. Eur. Phys. J. Plus 133(1), 22 (2018)CrossRef
23.
Keshtegar, B.: Comparison of four heuristic regression techniques in solar radiation. Renew. Sustain. Energy Rev. 81, 330–341 (2018)CrossRef
24.
Wu, J., Chan, C.K.: Prediction of hourly solar radiation using a novel hybrid model of ARMA and TDNN. Sol. Energy 85, 808–817 (2011)CrossRef
25.
Moeini, I., et al.: Modeling the time-dependent characteristics of perovskite solar cells. Sol. Energy 170, 969–973 (2018)CrossRef
26.
Mosavi, A., et al.: Industrial applications of big data: state of the art survey. Adv. Intell. Syst. Comput. 660, 225–232 (2017)CrossRef
27.
Mosavi, A., et al.: Review on the usage of the multiobjective optimization package of modeFrontier in the energy. In: Advances in Intelligent Systems and Computing, pp. 217–224 (2017)
28.
Mosavi, A., et al.: Reviewing the novel machine learning tools for materials design. In: Advances in Intelligent Systems and Computing, pp. 50–58 (2017)
29.
Halabi, L.M.: Performance evaluation of hybrid adaptive neuro-fuzzy inference system models for predicting monthly global solar radiation. Appl. Energy 213, 247–261 (2018)CrossRef
30.
Moeini, I., et al.: Modeling the detection efficiency in photodetectors with temperature-dependent mobility and carrier lifetime. In: Superlattices and Microstructures (2018)
Metadaten
Titel
A Hybrid Machine Learning Approach for Daily Prediction of Solar Radiation
verfasst von
Mehrnoosh Torabi
Amir Mosavi
Pinar Ozturk
Annamaria Varkonyi-Koczy
Vajda Istvan
Copyright-Jahr
2019
Buch
Recent Advances in Technology Research and Education

Print ISBN: 978-3-319-99833-6

Electronic ISBN: 978-3-319-99834-3

Copyright-Jahr: 2019

DOI
https://doi.org/10.1007/978-3-319-99834-3_35