L'utilisation durable du rayonnement solaire librement disponible comme source d'énergie renouvelable nécessite des modèles prédictifs précis pour évaluer quantitativement les potentiels énergétiques futurs. Dans cette recherche, une évaluation de la précision du modèle de machine d'apprentissage extrême (ELM) en tant que cadre rapide et efficace pour estimer le rayonnement solaire incident global (G) est entreprise. Des ensembles de données météorologiques quotidiennes adaptés à l'estimation de G appartiennent aux parties nord du bassin de Cheliff, dans le nord-ouest de l'Algérie, et sont utilisés pour construire le modèle d'estimation. Des fonctions de corrélation croisée sont appliquées entre les entrées et la variable cible (c'est-à-dire G) où plusieurs informations climatologiques sont utilisées comme prédicteurs pour l'estimation du niveau de surface G. Les entrées de modèle les plus significatives sont déterminées conformément aux corrélations croisées les plus élevées compte tenu de la covariance des prédicteurs avec l'ensemble de données G. Par la suite, sept modèles ELM avec des architectures neuronales uniques en termes de neurones d'entrée-sortie cachés sont développés avec des combinaisons d'entrée appropriées. Les performances d'estimation du modèle ELM prescrit au cours de la phase de test sont évaluées par rapport à des régressions linéaires multiples (MLR), à des modèles de moyenne mobile intégrée autorégressive (ARIMA) et à plusieurs études documentaires bien établies. Cela se fait conformément à plusieurs mesures de score statistiques. En termes quantitatifs, l'erreur quadratique moyenne (RMSE) et l'erreur absolue moyenne (MAE) sont considérablement plus faibles pour le modèle ELM optimal avec RMSE et MAE = 3,28 et 2,32 Wm -2 par rapport à 4,24 et 3,24 Wm -2 (MLR) et 8,33 et 5,37 Wm -2 (ARIMA).

La utilización sostenible de la radiación solar disponible gratuitamente como fuente de energía renovable requiere modelos predictivos precisos para evaluar cuantitativamente los potenciales energéticos futuros. En esta investigación, se realiza una evaluación de la precisión del modelo de máquina de aprendizaje extremo (ELM) como un marco rápido y eficiente para estimar la radiación solar incidente global (G). Los conjuntos de datos meteorológicos diarios adecuados para la estimación de G pertenecen a las partes septentrionales de la cuenca de Cheliff en el noroeste de Argelia, se utilizan para construir el modelo de estimación. Las funciones de correlación cruzada se aplican entre las entradas y la variable objetivo (es decir, G), donde se utilizan varias informaciones climatológicas como predictores para la estimación del nivel de superficie G. Las entradas del modelo más significativas se determinan de acuerdo con las correlaciones cruzadas más altas considerando la covarianza de los predictores con el conjunto de datos G. Posteriormente, se desarrollan siete modelos ELM con arquitecturas neuronales únicas en términos de sus neuronas de entrada-salida oculta con combinaciones de entrada apropiadas. El rendimiento de estimación del modelo ELM prescrito durante la fase de prueba se evalúa frente a regresiones lineales múltiples (MLR), modelos de media móvil integrada autorregresiva (ARIMA) y varios estudios de literatura bien establecidos. Esto se hace de acuerdo con varias métricas de puntuación estadística. En términos cuantitativos, el error cuadrático medio (RMSE) y el error absoluto medio (MAE) son dramáticamente más bajos para el modelo ELM óptimo con RMSE y MAE = 3.28 y 2.32 Wm -2 en comparación con 4.24 y 3.24 Wm -2 (MLR) y 8.33 y 5.37 Wm -2 (ARIMA).

Sustainable utilization of the freely available solar radiation as renewable energy source requires accurate predictive models to quantitatively evaluate future energy potentials. In this research, an evaluation of the preciseness of extreme learning machine (ELM) model as a fast and efficient framework for estimating global incident solar radiation (G) is undertaken. Daily meteorological datasets suitable for G estimation belongs to the northern parts of the Cheliff Basin in Northwest Algeria, is used to construct the estimation model. Cross-correlation functions are applied between the inputs and the target variable (i.e., G) where several climatological information's are used as the predictors for surface level G estimation. The most significant model inputs are determined in accordance with highest cross-correlations considering the covariance of the predictors with the G dataset. Subsequently, seven ELM models with unique neuronal architectures in terms of their input-hidden-output neurons are developed with appropriate input combinations. The prescribed ELM model's estimation performance over the testing phase is evaluated against multiple linear regressions (MLR), autoregressive integrated moving average (ARIMA) models and several well-established literature studies. This is done in accordance with several statistical score metrics. In quantitative terms, the root mean square error (RMSE) and mean absolute error (MAE) are dramatically lower for the optimal ELM model with RMSE and MAE = 3.28 and 2.32 Wm -2 compared to 4.24 and 3.24 Wm -2 (MLR) and 8.33 and 5.37 Wm -2 (ARIMA).

يتطلب الاستخدام المستدام للإشعاع الشمسي المتاح مجانًا كمصدر للطاقة المتجددة نماذج تنبؤية دقيقة للتقييم الكمي لإمكانات الطاقة المستقبلية. في هذا البحث، يتم إجراء تقييم لدقة نموذج آلة التعلم المتطرفة (ELM) كإطار سريع وفعال لتقدير الإشعاع الشمسي الساقط العالمي (G). مجموعات بيانات الأرصاد الجوية اليومية المناسبة لتقدير G تنتمي إلى الأجزاء الشمالية من حوض Cheliff في شمال غرب الجزائر، ويستخدم لبناء نموذج التقدير. يتم تطبيق وظائف الارتباط المتبادل بين المدخلات والمتغير المستهدف (أي G) حيث يتم استخدام العديد من المعلومات المناخية كمؤشرات لتقدير المستوى السطحي G. يتم تحديد مدخلات النموذج الأكثر أهمية وفقًا لأعلى الارتباطات المتبادلة مع الأخذ في الاعتبار التباين المشترك للمتنبئين مع مجموعة البيانات G. في وقت لاحق، يتم تطوير سبعة نماذج ELM مع بنى عصبية فريدة من نوعها من حيث الخلايا العصبية المخفية للمدخلات والمخرجات مع تركيبات المدخلات المناسبة. يتم تقييم أداء تقدير نموذج علم المحدد خلال مرحلة الاختبار مقابل الانحدارات الخطية المتعددة (MLR)، ونماذج المتوسط المتحرك المتكامل الانحداري الذاتي (ARIMA) والعديد من الدراسات الأدبية الراسخة. ويتم ذلك وفقًا للعديد من مقاييس الدرجات الإحصائية. من الناحية الكمية، فإن متوسط خطأ الجذر التربيعي (RMSE) ومتوسط الخطأ المطلق (MAE) أقل بشكل كبير لنموذج ELM الأمثل مع RMSE و MAE = 3.28 و 2.32 Wm -2 مقارنة بـ 4.24 و 3.24 Wm -2 (MLR) و 8.33 و 5.37 Wm -2 (ARIMA).