DESIGN OF A MATLAB GUI FOR SHORT-TERM SOLAR FORECASTING BASED ON DEEP LEARNING
In energy systems, it is crucial to forecast solar energy generation for optimization of operations and to mitigate the impact of uncertainty. Forecasting solar energy involves predicting solar irradiance, for which historical solar irradiance and weather parameter data are typically required. Howev...
Збережено в:
| Видавець: | Institute of Renewable Energy National Academy of Sciences of Ukraine |
|---|---|
| Дата: | 2023 |
| Автори: | , |
| Формат: | Стаття |
| Мова: | Ukrainian |
| Опубліковано: |
Institute of Renewable Energy National Academy of Sciences of Ukraine
2023
|
| Теми: | |
| Онлайн доступ: | https://ve.org.ua/index.php/journal/article/view/408 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
Репозиторії
Vidnovluvana energetika| id |
veorgua-article-408 |
|---|---|
| record_format |
ojs |
| institution |
Vidnovluvana energetika |
| collection |
OJS |
| language |
Ukrainian |
| topic |
short-term forecasting solar power plant deep learning Long Short-Term Memory graphical user inter-face Короткострокове прогнозування сонячна електростанція глибоке навчання довга короткочас-на пам'ять графічний інтерфейс користувача |
| spellingShingle |
short-term forecasting solar power plant deep learning Long Short-Term Memory graphical user inter-face Короткострокове прогнозування сонячна електростанція глибоке навчання довга короткочас-на пам'ять графічний інтерфейс користувача Matushkin, D. Bosak, A. DESIGN OF A MATLAB GUI FOR SHORT-TERM SOLAR FORECASTING BASED ON DEEP LEARNING |
| topic_facet |
short-term forecasting solar power plant deep learning Long Short-Term Memory graphical user inter-face Короткострокове прогнозування сонячна електростанція глибоке навчання довга короткочас-на пам'ять графічний інтерфейс користувача |
| format |
Article |
| author |
Matushkin, D. Bosak, A. |
| author_facet |
Matushkin, D. Bosak, A. |
| author_sort |
Matushkin, D. |
| title |
DESIGN OF A MATLAB GUI FOR SHORT-TERM SOLAR FORECASTING BASED ON DEEP LEARNING |
| title_short |
DESIGN OF A MATLAB GUI FOR SHORT-TERM SOLAR FORECASTING BASED ON DEEP LEARNING |
| title_full |
DESIGN OF A MATLAB GUI FOR SHORT-TERM SOLAR FORECASTING BASED ON DEEP LEARNING |
| title_fullStr |
DESIGN OF A MATLAB GUI FOR SHORT-TERM SOLAR FORECASTING BASED ON DEEP LEARNING |
| title_full_unstemmed |
DESIGN OF A MATLAB GUI FOR SHORT-TERM SOLAR FORECASTING BASED ON DEEP LEARNING |
| title_sort |
design of a matlab gui for short-term solar forecasting based on deep learning |
| title_alt |
РОЗРОБКА ГРАФІЧНОГО ІНТЕРФЕЙСУ ДЛЯ КОРОТКОСТРОКОВОГО ПРОГНОЗУВАННЯ СОНЯЧНОЇ ГЕНЕРАЦІЇ НА ОСНОВІ ГЛИБОКОГО НАВЧАННЯ |
| description |
In energy systems, it is crucial to forecast solar energy generation for optimization of operations and to mitigate the impact of uncertainty. Forecasting solar energy involves predicting solar irradiance, for which historical solar irradiance and weather parameter data are typically required. However, such data are often unavailable for residential and commercial solar microgrids. This study proposes an hourly forecasting model for next-day Solar Power Production (SPP) that doesn't rely on historical solar irradiance data. The forecasting is performed using deep learning techniques like Long Short-Term Memory (LSTM), and the results are integrated into the MATLAB&Simulink simulation platform. A graphical user interface (GUI) within the MATLAB&Simulink software complex is presented as a simulation platform for hourly SPP forecasting. This platform serves as a useful tool for researchers studying energy management and forecasting as well as planning renewable energy-based energy system operations. The study involves predicting the amount of energy generated by Solar Power Production (SPP). The developed GUI was employed to forecast the SPP output power over test days. The forecasted data were then evaluated using Root Mean Squared Error (RMSE) and Mean Absolute Error (MAE). Experimental results demonstrated reasonable accuracy, with the proposed model achieving an RMSE of 0.835 W and an MAE of 0.353 W in certain datasets. |
| publisher |
Institute of Renewable Energy National Academy of Sciences of Ukraine |
| publishDate |
2023 |
| url |
https://ve.org.ua/index.php/journal/article/view/408 |
| work_keys_str_mv |
AT matushkind designofamatlabguiforshorttermsolarforecastingbasedondeeplearning AT bosaka designofamatlabguiforshorttermsolarforecastingbasedondeeplearning AT matushkind rozrobkagrafíčnogoínterfejsudlâkorotkostrokovogoprognozuvannâsonâčnoígeneracíínaosnovíglibokogonavčannâ AT bosaka rozrobkagrafíčnogoínterfejsudlâkorotkostrokovogoprognozuvannâsonâčnoígeneracíínaosnovíglibokogonavčannâ |
| first_indexed |
2024-06-01T14:34:35Z |
| last_indexed |
2024-06-01T14:34:35Z |
| _version_ |
1800669731403857920 |
| spelling |
veorgua-article-4082024-02-09T13:53:19Z DESIGN OF A MATLAB GUI FOR SHORT-TERM SOLAR FORECASTING BASED ON DEEP LEARNING РОЗРОБКА ГРАФІЧНОГО ІНТЕРФЕЙСУ ДЛЯ КОРОТКОСТРОКОВОГО ПРОГНОЗУВАННЯ СОНЯЧНОЇ ГЕНЕРАЦІЇ НА ОСНОВІ ГЛИБОКОГО НАВЧАННЯ Matushkin, D. Bosak, A. short-term forecasting, solar power plant, deep learning, Long Short-Term Memory, graphical user inter-face, MATLAB&Simulink simulation. Короткострокове прогнозування, сонячна електростанція, глибоке навчання, довга короткочас-на пам'ять, графічний інтерфейс користувача, симуляція в MATLAB&Simulink. In energy systems, it is crucial to forecast solar energy generation for optimization of operations and to mitigate the impact of uncertainty. Forecasting solar energy involves predicting solar irradiance, for which historical solar irradiance and weather parameter data are typically required. However, such data are often unavailable for residential and commercial solar microgrids. This study proposes an hourly forecasting model for next-day Solar Power Production (SPP) that doesn't rely on historical solar irradiance data. The forecasting is performed using deep learning techniques like Long Short-Term Memory (LSTM), and the results are integrated into the MATLAB&Simulink simulation platform. A graphical user interface (GUI) within the MATLAB&Simulink software complex is presented as a simulation platform for hourly SPP forecasting. This platform serves as a useful tool for researchers studying energy management and forecasting as well as planning renewable energy-based energy system operations. The study involves predicting the amount of energy generated by Solar Power Production (SPP). The developed GUI was employed to forecast the SPP output power over test days. The forecasted data were then evaluated using Root Mean Squared Error (RMSE) and Mean Absolute Error (MAE). Experimental results demonstrated reasonable accuracy, with the proposed model achieving an RMSE of 0.835 W and an MAE of 0.353 W in certain datasets. В енергосистемах важливо прогнозувати генерацію сонячної енергії для оптимізації роботи та зменшення впливу невизначеності. Для прогнозування сонячної енергії необхідно прогнозувати сонячне випромінювання, для чого зазвичай потрібні історичні дані про сонячне випромінювання та погодні параметри. Ці дані часто недоступні для домашніх та комерційних сонячних мікромереж. У цьому дослідженні пропонується модель погодинного прогнозування генерації SPP на наступний день, яка не залежить від історичних даних про сонячне випромінювання. Прогнозування виконується за допомогою інструмента глибокого навчання, як-от Long Short-Term Memory (LSTM), а результати подаються в систему на платформі симуляції MATLAB&Simulink. Як платформу симуляції представлено графічний інтерфейс користувача (GUI) в програмному комплексі MATLAB&Simulink для прогнозування погодинної потужності SPP. Ця платформа буде корисним і практичним механізмом для дослідників, які вивчають енергоменеджмент та для прогнозування й планування режимів роботи енергосистеми з відновлюваними джерелами енергії (ВДЕ). У цьому дослідженні виконано прогноз кількості енергії, яка буде згенерована SPP. Розроблений GUI використовувався для прогнозування вихідної потужності SPP протягом тестових днів. Потім отримані прогнозні дані були оцінені за середньо-квадратичною похибкою (RMSE) і середньою абсолютною похибкою (MAE). Результати експериментів показали достатні показники точності. Запропонована модель досягла RMSE у розмірі 0,835 W і MAE у розмірі 0,353 W у деяких наборах даних. Institute of Renewable Energy National Academy of Sciences of Ukraine 2023-10-19 Article Article application/pdf https://ve.org.ua/index.php/journal/article/view/408 10.36296/1819-8058.2023.3(74).32-41 Возобновляемая энергетика; № 3(74) (2023): Scientific and applied Journal renewable energy ; 32-41 Відновлювана енергетика; № 3(74) (2023): Науково-прикладний журнал Відновлювана енергетика; 32-41 Vidnovluvana energetika ; No. 3(74) (2023): Scientific and applied Journal renewable energy ; 32-41 2664-8172 1819-8058 10.36296/1819-8058.2023.3(74) uk https://ve.org.ua/index.php/journal/article/view/408/319 Copyright (c) 2023 Vidnovluvana energetika |