Distributed Electromagnetic Radiation Based Renewable Energy Assessment Using Novel Ensembling Approach

Abstract

Використовуючи складний алгоритм машинного навчання (ML), це дослідження розглядає напрямок генерації відновлюваної енергії на основі розподіленого електромагнітного випромінювання та його зв’язок із споживанням традиційних джерел енергії. Для аналізу здійсненності стратегії проектування енергетичної системи може бути використана модель прогнозування відновлюваної енергії з довгостроковим горизонтом. У цій роботі пропонується розширений байєсівський метод (EASNB) для оцінки сталої відновлюваної енергії. Для цього дослідження спочатку збирався набір даних про відновлювані джерела енергії, а потім нормалізовували фактичні дані на етапі попередньої обробки, щоб отримати точну оцінку енергії. Потім відповідні атрибути з попередньо оброблених даних витягувалися за допомогою лінійного дискримінантного аналізу (LDA). Отже, ефективна оцінка стійкої відновлюваної енергії здійснюється за допомогою запропонованого підходу EASNB. Спроможність запропонованого методу вимірюється за значенням R2, MASE, AMRE, показниками точності та порівнюється з існуючими підходами. Результати цього дослідження показують, що коли мова йде про оцінку сталої відновлюваної енергії, наш метод працює краще, ніж ті, які зараз використовуються. Здорове навколишнє середовище є результатом визначення точного та відповідного споживання енергії та сприяння використанню сталої енергії. Майбутні оцінки очікують, що споживання відновлюваної енергії складе приблизно 79,03 ЕДж у 2025 році, а також 55% виробництва енергії в середньому в 2040 році.

Using a sophisticated resembling based machine learning (ML) algorithm, this research looks at the direction of renewable energy generation based on distributed electromagnetic radiation and how it relates to the consumption of traditional energy sources. For a feasibility analysis of the energy system design strategy, a forecasting model for renewable energy with a long-time horizon may be used. In this paper, an enhanced attribute-scaled naive Bayesian (EASNB) method is proposed for assessing sustainable renewable energy. For this study, we first collect a dataset on renewable energy sources, and then we normalize the actual data as a pre-processing step to get an accurate energy assessment. Then, the relevant attributes from the pre-processed data are extracted using linear discriminant analysis (LDA). Consequently, the efficient assessment of sustainable renewable energy is accomplished using the suggested EASNB approach. The suggested method's ability is measured in terms of R2 value, MASE, AMRE, accuracy indicators, and is compared with that of existing approaches. The findings of this research indicate that, when it refers to the evaluation of sustainable renewable energy, our method performs better than the ones currently in use. A healthy environment results from determining the exact and appropriate consumption of energy and promoting the use of sustainable energy. Future estimates expect the consumption of renewable energy at around 79.03 EJ in 2025 as well as 55% of energy output on average in 2040.