elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Machine Learning Approach to a Low-Cost Day-Ahead Photovoltaic Power Prediction Based on Publicly Available Weather Reports for Automated Energy Management Systems

Maitanova, Nailya und Telle, Jan-Simon und Hanke, Benedikt und Schmidt, Thomas und Grottke, Matthias und von Maydell, Karsten und Agert, Carsten (2019) Machine Learning Approach to a Low-Cost Day-Ahead Photovoltaic Power Prediction Based on Publicly Available Weather Reports for Automated Energy Management Systems. In: EU PVSEC 2019. EU PVSEC 2019, 2019-09-09 - 2019-09-13, Marseille, Frankreich.

[img] PDF - Nur DLR-intern zugänglich
2MB

Kurzfassung

The fully automated and transferable predictive approach based on the long short-term memory machine learning algorithm is developed for the forecasting of the photovoltaic (PV) power output. The main challenge of this approach is using publicly available weather reports and measured PV power without any technical information about the PV system. Nevertheless, the developed model is able to predict the power output of the various PV systems for all seasons with a reasonably good accuracy. This transferability of the approach is proven by the prediction of the PV power for warm and cold periods and for two different PV systems located in Oldenburg and Munich, Germany. The mean absolute scaled error of the predictions decreases with increasing the size of training set and reaches its minimum by the training with 90 days. The PV power prediction made with the publicly available weather data is compared to the predictions made with the fee based solar radiation data. The usage of the solar radiation data leads to more accurate predictions even with small training sets. Although the model with the publicly available data needs a greater training set, it still can make reasonably good predictions. Therefore, it can be applied in forecast-based energy management systems.

elib-URL des Eintrags:https://elib.dlr.de/129281/
Dokumentart:Konferenzbeitrag (Vortrag)
Titel:Machine Learning Approach to a Low-Cost Day-Ahead Photovoltaic Power Prediction Based on Publicly Available Weather Reports for Automated Energy Management Systems
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Maitanova, NailyaNailya.Maitanova (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Telle, Jan-SimonNICHT SPEZIFIZIERTNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Hanke, BenediktNICHT SPEZIFIZIERTNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Schmidt, ThomasNICHT SPEZIFIZIERTNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Grottke, MatthiasNICHT SPEZIFIZIERTNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
von Maydell, KarstenKarsten.Maydell (at) dlr.deNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Agert, Carstencarsten.agert (at) dlr.dehttps://orcid.org/0000-0003-4733-5257NICHT SPEZIFIZIERT
Datum:2019
Erschienen in:EU PVSEC 2019
Referierte Publikation:Nein
Open Access:Nein
Gold Open Access:Nein
In SCOPUS:Nein
In ISI Web of Science:Nein
Status:veröffentlicht
Stichwörter:PV power prediction, publicly available weather reports, machine learning, long short-term memory, integrated energy systems, smart energy management
Veranstaltungstitel:EU PVSEC 2019
Veranstaltungsort:Marseille, Frankreich
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:9 September 2019
Veranstaltungsende:13 September 2019
HGF - Forschungsbereich:Energie
HGF - Programm:TIG Technologie, Innovation und Gesellschaft
HGF - Programmthema:Erneuerbare Energie- und Materialressourcen für eine nachhaltige Zukunft
DLR - Schwerpunkt:Energie
DLR - Forschungsgebiet:E SY - Energiesystemanalyse
DLR - Teilgebiet (Projekt, Vorhaben):E - Energiesystemtechnik (alt), E - Systemanalyse und Technikbewertung (alt)
Standort: Oldenburg
Institute & Einrichtungen:Institut für Vernetzte Energiesysteme > Energiesystemtechnologie
Hinterlegt von: Maitanova, Nailya
Hinterlegt am:28 Okt 2019 17:47
Letzte Änderung:24 Apr 2024 20:32

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.