.png){kind=icon}
返回
A strategy for enhancing system reliability and grid integration using bagging-driven ensemble framework
.png){kind=icon}
PRE
AI
DOI：10.1515/cppm-2025-0099.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
燃料电池能源系统作为一种清洁高效的发电方法具有潜力，但其存在燃料电池生产与工程成本高、运行原理复杂、性能随时间衰减以及运行条件变化下的脆弱性等问题。因此，对燃料电池系统能量输出的准确预测对于性能优化、确保稳定接入能源电网以及提升整体经济可行性至关重要。本研究针对燃料电池系统能量预测的预测建模进行了先进研究，重点在于提高能量预测的准确性和可靠性。本工作的主要创新在于采用Bootstrap Aggregation（Bagging）集成框架，该框架聚合了多个模型的输出，如支持向量回归（Support Vector Regression）、长短期记忆网络（Long Short-Term Memory）、循环神经网络（Recurrent Neural Networks）和AdaBoost，以缓解单个模型的偏差、降低方差并增强泛化性能。研究结果表明，Bagging算法通过利用多个学习器的优势，显著提高了燃料电池预测能量输出的准确性。其在训练集上取得了最佳R²值为0.984352，最低MAE和RMSE分别为17.00和23.65，表明预测值与实际值完美拟合。值得注意的是，Bagging在测试集上仍保持良好的泛化能力，其最低MAE和RMSE分别为44.60和60.77，且R²值最高达到0.888772。
Keyword:
enhancing energy forecasting
fuel cell systems
ensemble model
Bagging
期刊
C
IF:
1.3
论文数:
87
被引数:
0
机构
暂无机构信息
引用论文
Machine Learning Techniques for the Prediction of the Magnetic and Electric Field of Electrostatic Discharges.png)
Electronics
OAAI
ElectronicsIF0
OAAI分享收藏Hydrogen consumption prediction of a fuel cell based system with a hybrid intelligent approachENERGY
OAAI
ENERGYIF9.4
OAAI分享收藏Incorporating speed forecasting and SOC planning into predictive ECMS for heavy-duty fuel cell vehicles将速度预测和SOC规划纳入重型燃料电池汽车的预测ecmOAAI
OAAI分享收藏分享收藏A short-term energy consumption forecasting method for attention mechanisms based on spatio-temporal deep learning基于时空深度学习的注意力短期能耗预测方法
PREAI
分享收藏Building energy consumption prediction for residential buildings using deep learning and other machine learning techniques基于深度学习和其他机器学习技术的住宅建筑能耗预测OAAI
OAAI分享收藏分享收藏
查看更多内容