Machine learning for improving PV energy prediction to develop green and sustainable airports in Romania

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Compare ML models for PV forecasting; CNN outperforms other architectures in airport context.

🏢実務担当者:Adopt CNN-based PV forecasting to improve energy management and reduce operational costs at airports.

🏛政策担当者:Support policies that encourage ML-driven renewable energy integration in airport infrastructure.

正確な太陽光発電（PV）エネルギー予測は、特に空港のようなエネルギー集約型インフラにおいて、信頼性が高く持続可能な電力管理を確保するために不可欠である。空港が増大するエネルギー需要と欧州および国家の持続可能性目標への準拠圧力に直面する中、PVシステムの統合は二酸化炭素排出量と運用コストの両方を大幅に削減できる。しかし、空港環境におけるPV発電の予測は、複雑な気象変動とルーマニアにおける局所的な予測研究の欠如により、依然として課題が残る。本研究では、Deep Neural Networks (DNN)、Standard Recurrent Neural Networks (SRNN)、Long Short-Term Memory (LSTM)、Gated Recurrent Unit (GRU)、Convolutional Neural Network (CNN)を含む機械学習手法を適用し、国レベルのデータを用いてPV発電量を予測する。20,401の独自モデル構成を評価した結果、CNNアーキテクチャが最高の性能を達成し、決定係数（R2）= 0.983、平均絶対誤差（MAE）13.7となり、GRUおよび他のモデルを上回った。結果は、高度なニューラルモデルが太陽光発電の日次および季節パターンの両方を効果的に捕捉でき、空港インフラの最適化されたエネルギー管理を可能にすることを確認している。これらの知見は、ルーマニアのグリーンで持続可能な空港への移行を支援するインテリジェントエネルギーシステムを実装するための科学的根拠を提供する。科学的貢献に加えて、この研究は産業と社会の両方にとって重要な意味を持つ。高度な機械学習モデルに基づく正確なPV予測システムの実装は、空港当局とエネルギー事業者が資源配分を最適化し、運用コストを削減し、再生可能エネルギーの系統へのより安定した統合を確保することを支援できる。より広いレベルでは、このような予測フレームワークは、重要インフラの脱炭素化を加速し、地域コミュニティ内の環境意識を促進することに貢献する。本研究で提案された方法論は、他の大規模施設にも拡張でき、持続可能なエネルギー移行の達成における研究、産業、政策立案者間の連携を促進する。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Accurate photovoltaic (PV) energy forecasting is essential for ensuring reliable and sustainable power management, particularly in energy-intensive infrastructures such as airports. As airports face increasing energy demand and pressure to comply with European and national sustainability goals, integrating PV systems can substantially reduce both carbon emissions and operational costs. However, forecasting PV generation in airport environments remains challenging due to complex meteorological variability and the lack of localized predictive studies for Romania. This study applies machine learning techniques—including Deep Neural Networks (DNN), Standard Recurrent Neural Networks (SRNN), Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), and Convolutional Neural Network (CNN)—to forecast PV power generation using national-level data. After evaluating 20,401 unique model configurations, the CNN architecture achieved the best performance, with a coefficient of determination (R2) = 0.983 and a mean absolute error (MAE) of 13.7, outperforming GRU and the other models. The results confirm that advanced neural models can effectively capture both daily and seasonal patterns of solar generation, enabling optimized energy management for airport infrastructures. These findings provide a scientific basis for implementing intelligent energy systems that support Romania’s transition toward green and sustainable airports. Beyond its scientific contributions, this research has significant implications for both industry and society. The implementation of accurate PV forecasting systems based on advanced machine learning models can support airport authorities and energy operators in optimizing resource allocation, reducing operational costs, and ensuring more stable integration of renewable energy into the grid. At a broader level, such predictive frameworks contribute to accelerating the decarbonization of critical infrastructures and promoting environmental awareness within local communities. The methodology proposed in this study can also be extended to other large-scale facilities, fostering collaboration between research, industry, and policy-makers in achieving sustainable energy transitions.

• semanticscholar https://doi.org/10.1088/2631-8695/ae4db1first seen 2026-05-15 20:42:54 · last seen 2026-06-24 05:24:58