Resumen

En los últimos años, la energía solar ha atraído mucha atención de los investigadores científicos porque es una forma de energía limpia y renovable. Para aprovechar adecuadamente la energía solar, es esencial contar con un método eficaz para predecir la radiación solar para garantizar la fiabilidad de las instalaciones fotovoltaicas conectadas a la red. Aunque una red neuronal artificial (RNA) es de gran importancia, se utilizan variables irrelevantes que resultan en un modelo complejo y un costo computacional intratable. Para eliminar estas variables irrelevantes, se aplican la combinación de métodos de selección de variables y RNA. Sin embargo, la selección de los parámetros de regularización en estas técnicas es un desafío. Este artículo investiga con éxito un enfoque basado en la red elástica de raíz cuadrada (SREN) para abordar este desafío y seleccionar todas las variables importantes. Se construye una red neuronal Elman (ENN) con las variables importantes seleccionadas por SREN como entradas. Basado en datos meteorológicos, se ha desarrollado SRENENN para un

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Energía solar; Red neuronal artificial; Métodos de selección de variables; Parámetros de regularización; Red neuronal Elman; Datos meteorológicos
• Keywords:Solar energy; Artificial neural network; Variable selection methods; Regularization parameters; Elman neural network; Meteorological data