Prognozowanie produkcji energii fotowoltaicznej z wykorzystaniem platformy NEXO i VRM Portal

• Autorzy: Dudzik, Sebastian , Kowalczyk, Bartosz

Warianty tytułu

EN

Forecasting of solar energy production using the NEXO platform and VRM Portal

• Języki publikacji: PL

Abstrakty

PL

W pracy przedstawiono wyniki prognozowania produkcji energii fotowoltaicznej z wykorzystaniem dwóch modeli regresyjnych: regresji LASSO oraz lasu losowego. Dane o produkcji energii uzyskano przy użyciu mikroinstalacji Victron. Dzięki połączeniu usługi VRM Portal oraz platformy teleinformatycznej NEXO, możliwe było pozyskanie danych niezbędnych do nauki modeli prognostycznych. W artykule zaprezentowano metodykę modelowania produkcji energii fotowoltaicznej przy użyciu języka Python oraz biblioteki SkForecast. Na podstawie wyników badań stwierdzono, że najlepsze prognozy uzyskuje się stosując model lasów losowych.

EN

The paper presents forecasting of solar energy production using two regression models: LASSO regression and random forest. Data on energy production was obtained using Victron micro-installations. Thanks to the combination of the VRM Portal service and the NEXO platform, it was possible to obtain the data necessary to learn forecasting models. The article presents the methodology of solar energy production modeling using the Python language and the SkForecast library. Based on the test results, it was found that the best forecasts are obtained using the random forests model.

Słowa kluczowe

PL

prognozowanie produkcji energii fotowoltaicznej; regresja LASSO; las losowy; internet rzeczy

EN

PV energy forecasting; LASSO regression; random forest; NEXO; internet of things

• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2023
• Tom: R. 99, nr 11
• Strony: 224--227
• Opis fizyczny: Bibliogr. 10 poz., rys., tab.

Twórcy

autor

Dudzik, Sebastian

• Politechnika Częstochowska, Wydział Elektryczny, ul. Armii Krajowej 17, 42-200 Częstochowa,

autor

Kowalczyk, Bartosz

• Connec tPoint sp. z o.o. ul. Zagadki 21, 02-227 Warszawa,

Bibliografia

• [1] Majid, M.; Habib, S.; Javed, A.R.; Rizwan, M.; Srivastava, G.; Gadekallu, T.R.; Lin, J.C.-W. Applications of Wireless Sensor Networks and Internet of Things Frameworks in the Industry Revolution 4.0: A Systematic Literature Review. Sensors 2022, 22, 2087. https://doi.org/10.3390/s22062087
• [2] Miller M., Internet rzeczy. Jak inteligentne telewizory, samochody, domy i miasta zmieniają swiat, Wydawnictwa Naukowe PWN, Warszawa 2016
• [3] Saranya T., Deisy C., Sridevi S., Kalaiarasi Sonai Muthu Anbananthen, A comparative study of deep learning and Internet of Things for precision agriculture, Engineering Applications of Artificial Intelligence, Volume 122, 2023, 106034, ISSN 0952-1976
• [4] Box G. E. P., Jenkins G. M., Reinsel G. C., Ljung, G. M., Time Series Analysis: Forecasting and Control. John Wiley & Sons, Hoboken, New Jersey, 2015
• [5] Nespoli A., Ogliari E., Leva S., Massi Pavan A., Mellit A., Lughi V., Dolara A., Day-Ahead Photovoltaic Forecasting: A Comparison of the Most Effective Techniques, Energies, 12, 1621, 2019
• [6] Harvey, A., Peters, S., Estimation procedures for structural time series models, Journal of Forecasting 1990 , 9, pp. 89–108
• [7] Kim S. J., Koh K., Lustig M., Boyd S., Gorinevsky D., An Interior-Point Method for Large-Scale L1-Regularized Least Squares, IEEE Journal of Selected Topics in Signal Processing, vol. 1, no. 4, pp. 606–617, 2007
• [8] Strona internetowa biblioteki scikit-learn. https://scikit-learn.org/
• [9] Pedregosa F., Varoquaux G., Gramfort A., Michel V., Thirion B., Scikit-learn: Machine Learning in Python, Journal of Machine Learning Research, vol. 12, pp. 2825–2830, 2011
• [10] Breiman, L., Random Forests. Machine Learning, vol. 45, pp. 5–32, 2001. http://dx.doi.org/10.1023/A:1010933404324

Identyfikatory

DOI

10.15199/48.2023.11.41