Application of Artificial Neural Networks (ANN) for forecasting energy yield from a photovoltaic (pv) installation

• Autorzy: Jurasz J. , Zakrzewski M.

Warianty tytułu

PL

Wykorzystanie szcztucznych sieci neuronowych w krótkookresowym prognozowaniu uzysku energetycznego z instlacji fotowoltaicznej (PV)

• Języki publikacji: EN

Abstrakty

EN

Solar irradiation is characterized by a significant variability on a time scale. Thereby the source of electric energy based on photovoltaic effects becomes unstable. As a result there may appear periods when amount of energy generated from PV is insufficient to cover energy needs of scheduled activities. In a case of time series with a relatively high value of a coefficient of variation (CV) which fluctuations cannot be explained by known in advance exogenous variables one may apply artificial neural networks. In this paper values of hourly solar irradiation have been forecasted for five and fifteen minutes ahead based on solar irradiation level from former periods and located nearby hypothetical measuring stations. The obtained results are promising.

PL

Promieniowanie słoneczne cechuje się znaczną zmiennością w czasie. Tym samym źródła energii elektrycznej, wykorzystujące zjawisko efektu fotowoltaicznego stają się niestabilne. W rezultacie mogą występować okresy gdy ilość wuprodukowanej energii z instalacji PV jest niewystarczająca do pokrycia bieżącego zapotrzebowania. W wypadku szeregów czasowych cechujących się wysoką wartością współczynnika zmienności (CV), których wahania nie mogą być wujaśnione przez wcześniej znane zmienne egzogeniczne, rozwiązaniem staje się zastosowania sztucznych sieci neuronowych. W tym artykule zaprezentowane zostało prognozwania wartości nasłonecznienie z pięcio oraz piętnastominutowym horyzontem czasowym, w oparciu o dane pochodzące z teoretycznych stacji pomiarowych znajdujących się w określonej odległości od badanej instalacji PV. Uzyskane wyniki są obiecujące.

Słowa kluczowe

EN

photovoltaic; intermittency; forecasting; artificial neural networks

PL

fotowoltaika; zmienność; prognozowanie; sztuczne sieci neuronowe

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Logistyka
• Rocznik: 2015
• Tom: nr 4
• Strony: 9068--9075, CD3
• Opis fizyczny: Bibliogr. 11 poz., rys., tab., wykr.

Twórcy

autor

Jurasz J.

• AGH University, Faculty of Management, Department of Engineering Management, Cracow, Poland

autor

Zakrzewski M.

• AGH University, Faculty of Management, Department of Operations Research and Information Technology, Cracow, Poland

Bibliografia

• [1] Fraunhofer ISE: Photovoltaics Report (2014) Updated: 24 October 2014
• [2] Fraunhofer ISE: Stromerzeugungaus Solar – und Windenergieim Jahr 2012. Freiburg 2013
• [3] Szczerbowski. R. Ceran. B.: Możliwości i perspektywy magazynowania energii w generacji rozproszonej. „Logistyka” 4/2014, p. 4953–4960.
• [4] www.energy-charts.de/power_de.htm (access 10.06.2015)
• [5] Murata. A. Yamaguchi. H. Otani. K.: A Method of Eliminating the Output Fluctuation of Many Photovoltaic Power Generation Systems Dispersed in a Wide Area. “Electrical Engineering in Japan” 166(4)/2009, p. 9–19.
• [6] Jurasz. J.: Wpływ dystrybucji przestrzenne na stabilność źródeł fotowoltaicznych. Paper given during. VII Konferencja Doktorantów i Młodych Pracowników Nauki. Boguszów Gorce 2015.
• [7] Jurasz. J.: Assessment of complementarity between solar and wind resources in selected locations in Poland. Paper given during 2’ND International Conference Renewable Energy Sources. Krynica Zdrój 2015.
• [8] Kleissl J.: Solar Energy Forecasting and Resource Assessment. Waltham: Academic Press (Elsevier) 2013.
• [9] Tadeusiewicz R.: Sieci neuronowe. Akademicka Oficyna Wydawnicza RM, Warszawa 1993.
• [10] Szaleniec M.: Sieci neuronowe i regresja wieloraka – czyli jak okiełznać złożoność w badaniach naukowych? www. statsoft.pl/czytlenia.html
• [11] http://www.soda-is.com/ (access 05.06.2015)