Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Sustainable Development and Computing—An Introduction Kapitel lesen Erstes Kapitel lesen

2016 | OriginalPaper | Buchkapitel

Statistical Learning for Short-Term Photovoltaic Power Predictions

verfasst von : Björn Wolff, Elke Lorenz, Oliver Kramer

Erschienen in: Computational Sustainability

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

A reliable prediction of photovoltaic (PV) power plays an important part as basis for operation and management strategies for a efficient and economical integration into the power grid. Due to changing weather conditions, e.g., clouds and fog, a precise forecast in a few hour range can be a difficult task. The growing IT infrastructure allows a fine screening of PV power. On the basis of big data sets of PV measurements, we apply methods from statistical learning for one- to six-hour ahead predictions based on data with hourly resolution. In this work, we employ nearest neighbor regression and support vector regression for PV power predictions based on measurements and numerical weather predictions. We put an emphasis on the analysis of feature combinations based on these two data sources. After optimizing the settings and comparing the employed statistical learning models, we build a hybrid predictor that uses forecasts of both employed models.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Wind Power Prediction with Machine Learning
Nächstes Kapitel Renewable Energy Prediction for Improved Utilization and Efficiency in Datacenters and Backbone Networks
Literatur
1.
Bacher, P., Madsen, H., Nielsen, H.A.: Online short-term solar power forecasting. Sol. Energy 83(10), 1772–1783 (2009)CrossRef
2.
Bailey, T., Jain, A.: A note on distance-weighted k-nearest neighbor rules. IEEE Trans. Syst. Man Cybern. 8(4), 311–313 (1978)CrossRefMATH
3.
Cao, J., Cao, S.: Study of forecasting solar irradiance using neural networks with preprocessing sample data by wavelet analysis. Energy 31(15), 3435–3445 (2006)CrossRef
4.
Chakraborty, P., Marwah, M., Arlitt, M., Ramakrishnan, N.: Fine-grained photovoltaic output prediction using a Bayesian ensemble. In: Twenty-Sixth AAAI Conference on Artificial Intelligence, pp. 274–280 (2012)
5.
Chowdhury, B.: Short-term prediction of solar irradiance using time-series analysis. Energy Sources 12(2), 199–219 (1990)CrossRef
6.
da Silva Fonseca, J., Oozeki, T., Takashima, T., Koshimizu, G., Uchida, Y., Ogimoto, K.: Photovoltaic power production forecasts with support vector regression: a study on the forecast horizon. In: 2011 37th IEEE Photovoltaic Specialists Conference (PVSC), pp. 2579–2583 (2011)
7.
8.
Hastie, T., Tibshirani, R., Friedman, J.: The Elements of Statistical Learning. Springer, Berlin (2009)CrossRefMATH
9.
Heinemann, D., Lorenz, E., Girodo, M.: Forecasting of solar radiation. In: Proceedings of the International Workshop on Solar Resource from the Local Level to Global Scale in Support of the Resource Management of Renewable Electricity Generation. Institute for Environment and Sustainability, Joint Research Center, Ispra, Italy (2004)
10.
Kramer, O., Gieseke, F.: Short-term wind energy forecasting using support vector regression. In: 6th International Conference SOCO 2011 Soft Computing Models in Industrial and Environmental Applications, pp. 271–280 (2011)
11.
Lorenz, E., Hurka, J., Heinemann, D., Beyer, H.G.: Irradiance forecasting for the power prediction of grid-connected photovoltaic systems. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2, 2–10 (2009)CrossRef
12.
Lorenz, E., Heinemann, D. (eds.): Prediction of solar irradiance and photovoltaic power. In: Comprehensive Renewable Energy, vol. 1, pp. 239–292. Springer (2012)
13.
Mellit, A.: Artificial intelligence technique for modelling and forecasting of solar radiation data—a review. Int. J. Artif. Intell. Soft Comput. 1(1), 52–76 (2008)CrossRef
14.
15.
Reikard, G.: Predicting solar radiation at high resolutions: a comparison of time series forecasts. Solar Energy 83(3), 342–349 (2009)CrossRef
16.
Schölkopf, B., Smola, A.J.: Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond. MIT Press, Cambridge, MA, USA (2001)
17.
Smola, A.J., Schölkopf, B.: A tutorial on support vector regression. In: Statistics and Computing, vol. 14, pp. 199–222. Kluwer Academic Publishers, Hingham, MA, USA (2004)
18.
Wolff, B., Lorenz, E., Kramer, O.: Statistical learning for short-term photovoltaic power predictions. In: European Conference on Machine Learning (ECML), Workshop Data Analytics for Renewable Energy Integration (DARE) (2013)
Metadaten
Titel
Statistical Learning for Short-Term Photovoltaic Power Predictions
verfasst von
Björn Wolff
Elke Lorenz
Oliver Kramer
Copyright-Jahr
2016
Buch
Computational Sustainability

Print ISBN: 978-3-319-31856-1

Electronic ISBN: 978-3-319-31858-5

Copyright-Jahr: 2016

DOI
https://doi.org/10.1007/978-3-319-31858-5_3