Maschinelle Lernalgorithmen zur Vorhersage der Solarstrahlung: Eine aktuelle vergleichende Studie

Photovoltaik-Module haben sich als vielversprechende Technologie zur Erzeugung erneuerbarer Energie und zur Verringerung der Abhängigkeit von fossilen Brennstoffen entwickelt, indem sie Sonnenstrahlung nutzen und in Strom umwandeln. Die Effizienz dieses Umwandlungsprozesses hängt von verschiedenen Faktoren ab, einschließlich der Qualität der Solarmodule und der regionsspezifischen Sonnenstrahlung. Daher ist eine genaue Vorhersage der Solarstrahlung entscheidend, um fundierte Entscheidungen für die Planung und das Management effizienter Solarsysteme treffen zu können. Ein Ansatz zur Bewältigung dieses Problems ist der Einsatz von Algorithmen der künstlichen Intelligenz, die präzise Mengen der Einstrahlung an bestimmten Standorten vorhersagen können. Zu diesem Zweck untersucht dieser Artikel die Vorhersage der Solarstrahlung als maschinelles Lernproblem. Wir nutzen Daten aus Izmir, Türkei, über einen Zeitraum von drei Jahren und testen mehrere Deep-Learning-Algorithmen im Vergleich zu traditionellen Modellen des maschinellen Lernens, deren Ergebnisse detailliert in unserer vergleichenden Analyse dargestellt werden. Basierend auf diesen Ergebnissen hebt sich das Multilayer Perceptron unter den getesteten Modellen hinsichtlich seiner Effektivität bei der Vorhersage der Einstrahlung hervor.