Application of neural networks for predicting the energy yield of a photovoltaic module

• Autorzy: Łukasz Dyoniziak , Joanna Aleksiejuk-Gawron

Warianty tytułu

PL

Zastosowanie sieci neuronowych do predykcji uzysku energetycznego z modułu fotowoltaicznego

• Języki publikacji: EN

Abstrakty

EN

The article presents the application of artificial neural networks for predicting the energy yield of a monocrystalline photovoltaic module. The research was based on measurement data from a meteorological station and a photovoltaic systems laboratory, located at the Institute of Mechanical Engineering, Warsaw University of Life Sciences. The input data included the sum of solar radiation, external temperature, and module temperature, while the model's output was energy yield. MATLAB and the Neural Net Pattern Recognition tool were used to develop the predictive model. The results demonstrated high predictive accuracy, confirmed by, among other things, low mean square error values and high correlation coefficients, suggesting the potential of utilizing artificial neural networks for optimal energy yield management in photovoltaic systems.

PL

W artykule przedstawiono zastosowanie sztucznych sieci neuronowych do predykcji uzysku energetycznego z monokrystalicznego modułu fotowoltaicznego. Badania oparto na danych pomiarowych pochodzących ze stacji meteorologicznej oraz laboratorium systemów fotowoltaicznych znaj duj ących się w Instytucie Inżynierii Mechanicznej, Szkoły Głównej Gospodarstwa Wiejskiego w Warszawie. Dane wejściowe obejmowały sume natężenia promieniowania słonecznego, temperature zewnętrzną i temperaturę modułu, natomiast wyjściem modelu był uzysk energetyczny. Do opracowania modelu predykcyjnego wykorzystano program MATLAB i narzedzie Neural Net Pattern Recognition. Wyniki wykazały wysoką skuteczność predykcji, potwierdzoną m.in. niskimi wartościami błędu średniokwadratowego oraz wysokimi współczynnikami korelacji, . co sugeruje potencjał zastosowania sztucznych sieci neuronowych w optymalnym zarządzaniu uzyskiem energii z systemu fotowoltaicznego.

Słowa kluczowe

EN

energy yield; artificial neural network; predictive modeling

PL

uzysk energetyczny; sztuczne sieci neuronowe; modelowanie predykcyjne

• Wydawca: KAPRINT
• Czasopismo: Rynek Energii
• Rocznik: 2024
• Tom: Nr 6
• Strony: 104--109
• Opis fizyczny: Bibliogr. 8 poz., fig., tab.

Twórcy

autor

Łukasz Dyoniziak

• Absolwent SGGW w Warszawie

autor

Joanna Aleksiejuk-Gawron

• SGGW w Warszawie

• https://orcid.org/0000-0001-9334-3413

Bibliografia

• [1] Abuella M., Chowdhury B.: Solar Power Forecasting Using Artificial Neural Networks. IEEE, 2015.
• [2] Elkounni A., Radoine H., Mastouri H. et al.: Solar Power Output Forecasting Using Artificial Neural Network, IRSEC, 2021.
• [3] Gomez J.L., Martinez A.C., Pastoriza ET. et al.: Photovoltaic Power Prediction Using Artificial Neural Networks and Numerical Weather Data, Sustainability, 2020.
• [4] Institute for Renewable Energy: Photovoltaic market in Poland 2023, XII edition, Warsaw 2024 (in Polish).
• [5] Jumaat S.A., Crocker F., Wahad M.H.A. et al.: Prediction of Photovoltaic (PV) Output Using Artificial Neutral Network (ANN) Based on Ambient Factors. Journal of Physics, 2018.
• [6] Lichota J.: Modeling of supercritical boiler by neural network. Rynek Energii 2023, nr 4, str. 64—69.
• [7] Ramsami P., Oree V.: A hybrid method for forecasting the Energy output of photovoltaic systems, Energy Conversion and Management, 2015.
• [8] Ronkiewicz T., Aleksiejuk-Gawron J., Awtoniuk M., Kurek J.: Neural modelling of solar radiation variability. Journal of Physics - Conference Series, 2021.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki (2025).