Kurzfristige Prognose der photovoltaischen Solarstromproduktion mithilfe eines variationalen Autoencoder-getriebenen Deep-Learning-Ansatzes

Die genaue Modellierung und Prognose der Stromausbeute von photovoltaischen (PV) Systemen ist entscheidend für das effiziente Management ihrer Integration in intelligente Netze, Lieferung und Speicherung. Diese Arbeit hat zum Ziel, eine effiziente kurzfristige Prognose der Solarstromproduktion mithilfe des Variational AutoEncoder (VAE) Modells bereitzustellen. Die Anwendung des VAE-gesteuerten Deep-Learning-Modells wird voraussichtlich die Prognosegenauigkeit verbessern, da es in der zeitlichen Modellierung und flexiblen nichtlinearen Approximation geeignete Leistungen erbringt. Sowohl Einzel- als auch Mehrschrittprognosen werden in dieser Arbeit untersucht. Daten von zwei netzgebundenen Anlagen (einer 243 kW großen Überdachungsanlage in den USA und einem 9 MW PV-System in Algerien) werden verwendet, um die Leistung der untersuchten Deep-Learning-Modelle zu demonstrieren. Insbesondere wurden die Prognoseergebnisse der vorgeschlagenen VAE-basierten Prognosemethode mit sieben Deep-Learning-Methoden verglichen, nämlich rekurrenten neuronalen Netzen, Long Short-Term Memory (LSTM), Bidirektionalem LSTM, Convolutional LSTM-Netzwerken, Gate-Recurrent Einheiten, gestapelten Autoencodern und eingeschränkten Boltzmann-Maschinen sowie zwei gängigen maschinellen Lernmethoden, nämlich logistischer Regression und Support-Vector-Regression. Die Ergebnisse dieser Untersuchung demonstrieren die zufriedenstellende Leistung der Deep-Learning-Techniken zur Prognose von Solarstrom und heben hervor, dass das VAE konstant besser abschnitt als die anderen Methoden. Zudem bestätigten die Ergebnisse die überlegene Leistung der Deep-Learning-Modelle im Vergleich zu den zwei betrachteten Baseline-Maschinenlernmodellen.