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:
A Parallel Swarm Library Based on Functional Programming Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Satellite Based Nowcasting of PV Energy over Peninsular Spain

verfasst von : Alejandro Catalina, Alberto Torres-Barrán, José R. Dorronsoro

Erschienen in: Advances in Computational Intelligence

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

In this work we will study the use of satellite-measured irradiances as well as clear sky radiance estimates as features for the nowcasting of photovoltaic energy productions over Peninsular Spain. We will work with three Machine Learning models (Lasso and linear and Gaussian Support Vector Regression-SVR) plus a simple persistence model. We consider prediction horizons of up to three hours, for which Gaussian SVR is the clear winner, with a quite good performance and whose errors increase slowly with time. Possible ways to further improve these results are also proposed.

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 A Coral Reef Optimization Algorithm for Wave Height Time Series Segmentation Problems
Nächstes Kapitel A Study on Feature Selection Methods for Wind Energy Prediction
Literatur
1.
Alaíz, C.M., Dorronsoro, J.R.: The generalized group lasso. In: International Joint Conference on Neural Networks, IJCNN 2015, Killarney, Ireland, 12–17 July 2015, pp. 1–8 (2015)
2.
Antonanzas, J., Osorio, N., Escobar, R., Urraca, R., Martinez de Pison, F.J., Antonanzas-Torres, F.: Review of photovoltaic power forecasting. Sol. Energy 136, 78–111 (2016)CrossRef
3.
Catalina, A., Torres-Barrán, A., Dorronsoro, J.R.: Machine learning prediction of photovoltaic energy from satellite sources. In: Woon, W.L., Aung, Z., Kramer, O., Madnick, S. (eds.) DARE 2016. LNCS, vol. 10097, pp. 31–42. Springer, Cham (2017). doi:10.​1007/​978-3-319-50947-1_​4 CrossRef
4.
Claesen, M., Simm, J., Popovic, D., Moreau, Y., De Moor, B.: Easy hyperparameter search using Optunity (2014). arXiv preprint arXiv:​1412.​1114
5.
Fan, R.-E., Chang, K.-W., Hsieh, C.-J., Wang, X.-R., Lin, C.-J.: LIBLINEAR: a library for large linear classifcation. J. Mach. Learn. Res. 9(August), 1871–1874 (2008)MATH
6.
Hammer, A., Heinemann, D., Hoyer, C., Kuhlemann, R., Lorenz, E., Müller, R., Beyer, H.G.: Solar energy assessment using remote sensing technologies. Remote Sens. Environ. 86(3), 423–432 (2003)CrossRef
7.
Hastie, T., Tibshirani, R., Friedman, J.: The Elements of Statistical Learning. Springer, New York (2009)CrossRefMATH
8.
Ineichen, P., Perez, R.: A new airmass independent formulation for the linke turbidity coefficient. Sol. Energy 73(3), 151–157 (2002)CrossRef
9.
Inman, R.H., Pedro, H., Coimbra, C.: Solar forecasting methods for renewable energy integration. Prog. Energy Combust. Sci. 39(6), 533–576 (2013)CrossRef
10.
Kühnert, J., Lorenz, E., Heinemann, D.: Satellite-based irradiance and power forecasting for the German energy market. In: Kleissl, J. (ed.) Solar Energy Forecasting and Resource Assessment, pp. 267–297. Academic Press, Cambridge (2013)CrossRef
11.
Mohammed, A.A., Yaqub, W., Aung, Z.: Probabilistic forecasting of solar power: an ensemble learning approach. In: Neves-Silva, R., Jain, L.C., Howlett, R.J. (eds.) Intelligent Decision Technologies. SIST, vol. 39, pp. 449–458. Springer, Cham (2015). doi:10.​1007/​978-3-319-19857-6_​38
12.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., Duchesnay, E.: Scikit-learn: machine learning in Python. J. Mach. Learn. Res. 12, 2825–2830 (2011)MathSciNetMATH
13.
Photovoltaic Performance Modeling Collaborative Group: The PVLIB-Python Library. Sandia National Laboratory
14.
Schölkopf, B., Smola, A.J.: Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond. MIT Press, Cambridge (2001)
15.
Tjemkes, S., Stuhlmann, R., Hewison, T., Müller, J., Gartner, V., Rota, S.: The conversion from effective radiances to equivalent brightness temperatures. Technical report, EUMETSAT 10 (2012)
16.
Wan, C., Zhao, J., Song, Y., Zhao, X., Lin, J., Zechun, H.: Photovoltaic and solar power forecasting for smart grid energy management. CSEE J. Power Energy Syst. 1, 38–46 (2015)CrossRef
17.
Wolff, B., Kühnert, J., Lorenz, E., Kramer, O., Heinemann, D.: Comparing support vector regression for PV power forecasting to a physical modeling approach using measurement, numerical weather prediction, and cloud motion data. Sol. Energy 135, 197–208 (2016)CrossRef
Metadaten
Titel
Satellite Based Nowcasting of PV Energy over Peninsular Spain
verfasst von
Alejandro Catalina
Alberto Torres-Barrán
José R. Dorronsoro
Copyright-Jahr
2017
Buch
Advances in Computational Intelligence

Print ISBN: 978-3-319-59152-0

Electronic ISBN: 978-3-319-59153-7

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-59153-7_59