Analiza zastosowań sztucznych sieci neuronowych do krótkoterminowego prognozowania mocy oraz produkcji energii elektrycznej w systemach fotowoltaicznych

• Autorzy: Piotrowski P.

Identyfikatory

DOI

10.15199/48.2015.08.40

Warianty tytułu

EN

The analysis of artificial neural networks applications for short-term power output and electric energy production forecasting of photovoltaic systems

• Języki publikacji: PL

Abstrakty

PL

W tekście przedstawiono przegląd metod prognozowania krótkoterminowego generacji mocy oraz produkcji energii elektrycznej przez system fotowoltaiczny z zastosowaniem sztucznych sieci neuronowych. Przedstawiono zbiorczy zestaw potencjalnych zmiennych objaśniających do modeli prognostycznych. Wykonano przykładowe prognozy oraz sformułowano wnioski końcowe.

EN

The paper presents the comprehensive review of short-term power and electric energy forecasting methods of photovoltaic systems using artificial neural networks. The collective set of potential explaining variables for predictive models have been showed. Examples of predictions have been executed and the final conclusions have been presented.

Słowa kluczowe

PL

system fotowoltaiczny; dobór zmiennych; sztuczne sieci neuronowe

EN

photovoltaic system; variables selection; artificial neural networks

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2015
• Tom: R. 91, nr 8
• Strony: 162--165
• Opis fizyczny: Bibliogr. 17 poz., tab.

Twórcy

autor

Piotrowski P.

• Politechnika Warszawska, Instytut Elektroenergetyki, ul. Koszykowa 75, 00-662 Warszawa

Bibliografia

• [1] Yuehui H. et al.: “Comparative study of power forecasting methods for PV stations”, International Conference on Power System Technology (POWERCON), 2010,
• [2] Baczyński D., Księżyk K., Parol M., Piotrowski P., Wasilewski J., Wójtowicz T.: „Mikrosieci niskiego napięcia”, Praca zbiorowa pod redakcją M. Parola, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa, 2013,
• [3] Dudek G.: „Systemy uczące się oparte na podobieństwie obrazów do prognozowania szeregów czasowych obciążeń elektroenergetycznych”. Akademicka Oficyna Wydawnicza EXIT, Warszawa 2012,
• [4] Piotrowski P.: „Prognozowanie w elektroenergetyce w różnych horyzontach czasowych”, Monografia, Prace Naukowe Politechniki Warszawskiej „Elektryka”, z. 144, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa, 2013,
• [5] Piotrowski P.: „Analiza implementacji sztucznych sieci neuronowych w zadaniu prognozowania ultrakrótkoterminowego oraz sformułowanie wytycznych dotyczących prognozowania”, praca na zlecenie Globema Sp. z o.o., Warszawa, 2012,
• [6] Dobrzańska I., Dąsal K. , Łyp J., Popławski T., Sowiński J.: „Prognozowanie w elektroenergetyce. Zagadnienia wybrane”, Wydawnictwo Politechniki Częstochowskiej, Częstochowa 2002,
• [7] Cococcioni M., et al.: “24-hour-ahead forecasting of energy production in solar PV systems”, 11th International Conference on Intelligent Systems Design and Applications (ISDA), 2011,
• [8] Piotrowski P.: „Analiza doboru zmiennych w zadaniu prognozowania ultrakrótkoterminowego produkcji energii elektrycznej w systemach fotowoltaicznych”, Przegląd Elektrotechniczny (Electrical Review), (ISSN 0033-2097), nr.4/2014, R.90, s.5-9,
• [9] Baczyński D., Wasilewski J. : „Krótkoterminowe prognozowanie produkcji energii elektrycznej w systemach fotowoltaicznych”, Rynek Energii, 96 (2011), nr 5, 47-51,
• [10] Yona A., et al.: “Application of neural network to 24-hourahead generating power forecasting for PV system”, Power and Energy Society General Meeting - Conversion and Delivery of Electrical Energy in the 21st Century, 2008 IEEE,
• [11] Jie Shi , et al. : “Forecasting power output of photovoltaic system based on weather classification and support vector machine”, Industry Applications Society Annual Meeting (IAS), 2011 IEEE, Orlando 2011,
• [12] Al-Messabi N., et al.: “Forecasting of photovoltaic power yield using dynamic neural networks”, The 2012 International Joint Conference on Neural Networks (IJCNN),
• [13] Tao Cai, et al.: “Forecasting power output for gridconnected photovoltaic power system without using solar radiation measurement”, Power Electronics for Distributed Generation Systems (PEDG), 2010 2nd IEEE International Symposium,
• [14] Grimaccia F., et al.: “Neuro-fuzzy predictive model for PV energy production based on weather forecast”, Fuzzy Systems (FUZZ), 2011 IEEE International Conference,
• [15] Ciabattoni L., et al.: “Solar irradiation forecasting using RBF networks for PV systems with storage”, Industrial Technology (ICIT), 2012 IEEE International Conference,
• [16] Adel Mellit : “Recurrent neural network-based forecasting of the daily electricity generation of a photovoltaic power system”, Ecologic Vehicles - Renewable Energies (EVER), Monaco 26- 29 march 2009,
• [17] Min-Cheol Kang, et al. : “Development of algorithm for day ahead PV generation forecasting using data mining method”, Circuits and Systems (MWSCAS), 2011 IEEE 54th International Midwest Symposium.