Vorhersage der Solarstrahlung mittels Deep Neural Networks

Die Vorhersage der Solarstrahlung ist ein wichtiges Thema in der Erzeugung erneuerbarer Energien. Die Vorhersage verbessert die Planung und den Betrieb von Photovoltaikanlagen und bietet viele wirtschaftliche Vorteile für Versorgungsunternehmen. Die Strahlung kann mit statistischen Methoden wie künstlichen neuronalen Netzen (ANN), Support Vector Machines (SVM) oder autoregressiven gleitenden Durchschnitten (ARMA) vorhergesagt werden. Diese Methoden haben jedoch entweder eine unzureichende Genauigkeit, da sie langfristige Abhängigkeiten nicht erfassen können, oder können aufgrund der Skalierbarkeit nicht mit großen Datenmengen verwendet werden. In diesem Papier wird eine Methode zur Vorhersage der Solarstrahlung unter Verwendung von Deep Neural Networks vorgestellt. Tiefe rekurrente neuronale Netze (DRNNs) fügen dem Modell Komplexität hinzu, ohne festzulegen, welche Form die Variation annehmen sollte, und ermöglichen die Extraktion von hochrangigen Merkmalen. Das DRNN wird verwendet, um die Strahlung vorherzusagen. Die in dieser Studie verwendeten Daten stammen aus natürlichen Ressourcen in Kanada. Die Simulation dieser Methode wird mit mehreren gängigen Methoden wie Support Vector Regression und Feedforward Neural Networks (FNN) verglichen. Die Ergebnisse zeigen, dass Deep Learning neuronale Netze alle anderen Methoden übertreffen können, wie die Leistungstests zeigen.