Volltext-Downloads (blau) und Frontdoor-Views (grau)
The search result changed since you submitted your search request. Documents might be displayed in a different sort order.
  • search hit 10 of 411
Back to Result List

Low cost Solar Forecast

  • In der vorliegenden Arbeit wird der Fokus auf die Konzeption eines kostengünstigen 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 für 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 (künstliches 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 kostengünstiger Einplatinencomputer, ein Raspberry Pi 3, und andererseits ein leistungsstarkes Notebook verwendet. Die jeweils benötigte Rechenzeit weist keine gravierenden Unterschiede auf. Anschließend 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 (künstliches neuronales Netzwerk)(Tensorflow) (ANNT) von den Messdaten liegt über 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. Abschließend wird auf Verbesserungsmöglichkeiten und weiterführende Arbeiten eingegangen.
  • This thesis focuses on the development of a cost-effective system to forecast solar radiation by using stochastic methods. The time frame for the forecast lies between one and three hours. The risks of using stochastics and data processing of stochastic methods will be discussed. Various methods for forecasting meteorological data are analyzed, applied and compared by using the relative error, the RMSE or the MAD. A variety of criteria for the selection of a suitable method are formulated. Based on the existing stochastic methods and application of these, it was found that the ANN, which has been created by using the software library Tensorflow, is the best applicable method. The programming of the particular methods, which was done by means of Scikit-learn, Python and Tensorflow, is described and a forecast is produced. As hardware a low cost single-board computer, a Raspberry Pi 3, is used on one hand and on the other hand a high-performance laptop is used. There is no significant difference in the processing time of these two tools. Then the calculated forecasts were compared to the existing measured data, the PM and the forecast of Meteo-Schweiz. The many diagrams of these forecasts and their accuracy are shown in the course of this thesis. In 2017, the relative deviation of the forecast calculated by ANNT from the measured data is at 8.52% or referring to the annual energy, it is 87.3 kWh/m2 . Compared to the PM, the ANNT method deviates by 83.5 kWh/m2 and year. The possibilities for improvements and further research are finally discussed.

Download full text files

Export metadata

Additional Services

Search Google Scholar
Metadaten
Author:Thomas Hasibeder
DOI:https://doi.org/10.25924/opus-3195
Title Additional (German):Kostengünstige Vorhersage der solaren Einstrahlung
Advisor:Markus Markstaler
Document Type:Master's Thesis
Language:German
Year of publication:2019
Publishing Institution:FH Vorarlberg (Fachhochschule Vorarlberg)
Granting Institution:FH Vorarlberg (Fachhochschule Vorarlberg)
Release Date:2019/12/11
Tag:Neural Network; Solar Forecast; Solar Radiation Prediction
Number of pages:78
DDC classes:500 Naturwissenschaften und Mathematik / 500 Naturwissenschaften / 500 Naturwissenschaften und Mathematik
Open Access?:ja
Course of Studies:Energietechnik und Energiewirtschaft
Licence (German):License LogoUrhG - The Austrian Copyright Act applies - Es gilt das österr. Urheberrechtsgesetz