@phdthesis{Hasibeder2019,
  type      = {Master Thesis},
  author    = {Thomas Hasibeder},
  title     = {Low cost Solar Forecast},
  journal    = {Kosteng{\"u}nstige Vorhersage der solaren Einstrahlung},
  doi       = {10.25924/opus-3195},
  pages     = {78},
  year      = {2019},
  abstract  = {In der vorliegenden Arbeit wird der Fokus auf die Konzeption eines kosteng{\"u}nstigen Systems zur Vorhersage der solaren Einstrahlung mittels stochastischer Methoden gelegt. Der Vorhersagezeitraum liegt zwischen einer und drei Stunden. Es wird auf die Gefahren der Stochastik und das Aufarbeiten von Daten f{\"u}r stochastische Methoden eingegangen. Bereits die zur Vorhersage verschiedener meteorologischer Daten verwendeten Methoden werden analysiert, angewendet und mittels des relativen Fehlers, dem Root Mean Square Error (Wurzel der mittleren Fehlerquadratsumme) (RMSE) und des Mean Absolute Deviation (MAD) untereinander verglichen. Es werden Kriterien zur Auswahl der zur Aufgabenstellung am besten passenden Methode ausgearbeitet. Die Recherche der vorhandenen stochastischen Methoden und die Anwendung dieser Methoden haben das Artificial Neural Network (k{\"u}nstliches neuronales Netzwerk) (ANN), das mit der Softwarebibliothek Tensorflow erstellt wurde, als die beste Methode hervorgebracht. Die Programmierung der einzelnen Methoden mittels Scikit-learn, Python und Tensorflow wird beschrieben und eine Vorhersage berechnet. Als Hardware wird einerseits ein kosteng{\"u}nstiger Einplatinencomputer, ein Raspberry Pi 3, und andererseits ein leistungsstarkes Notebook verwendet. Die jeweils ben{\"o}tigte Rechenzeit weist keine gravierenden Unterschiede auf. Anschlie{\"s}end wurden die berechneten Vorhersagen mit den vorhandenen Messdaten, der Persistence Method (Persistenz Methode) (PM) und der Vorhersage der Meteo-Schweiz verglichen. Die unterschiedlichen Diagramme der Vorhersagen und deren Genauigkeiten kommen im Verlauf zur Darstellung. Die relative Abweichung der Vorhersage des Artificial Neural Network (k{\"u}nstliches neuronales Netzwerk)(Tensorflow) (ANNT) von den Messdaten liegt {\"u}ber das Jahr 2017 gesehen bei 8.52\% oder auf die Jahresenergie bezogen bei 87.3 kWh/m2 . Im Vergleich zur PM Methode weicht die ANNT Methode um 83.5 kWh/m2 und Jahr ab. Abschlie{\"s}end wird auf Verbesserungsm{\"o}glichkeiten und weiterf{\"u}hrende Arbeiten eingegangen.},
  language  = {de}
}