No description available.

No description available.

No description available.

No description available.

No description available.

No description available.

No description available.

No description available.

Due to the significant increase of ’renewable energy’ to the total energy the highly fluctuating energy supply, which is due to the constitutional conditions of production among others from photovoltaic systems, becomes a growing problem. As a result, many engineering firms and companies dedicate themselves to the so-called power prediction by which it should be possible to integrate a fast changing energy supply into a necessarily continuous energy supply. The Ingenieurbüro für Last- und Energiemanagement (LEM-Software) used a neural network for this prediction of performance of photovoltaic systems. This networks learn from past knowledge a mathematical patern that can be used for forecasting. Based on this, this article deals with a new parameter for the network which characterizes the probability of broken cloud effects. The global radiation forecast in the surrounding area is analyzed for this index. It turns out that this inhomogeneous index is a better indicator than the standard deviation. A first application shows a slight improvement in the forecast result. However, the time limit for application of the neural network is too short for a final evaluation. / Aufgrund des steigenden Anteils ’erneuerbarer Energie’ an der Energieversorgung wird die stark schwankende Energiezufuhr, bedingt durch die naturgegebenen Produktionsbedingungen unter anderem von Photovoltaik-Anlagen, zu einem immer größeren Problem. Infolge dessen widmen sich viele Ingenieurbüros und Firmen sogenannten Leistungsprognosen, mit deren Hilfe es gelingen soll, eine schnell wechselnde Energiebereitstellung in eine notwendigerweise kontinuierliche Energieversorgung zu streichen. Das Ingenieurbüro für Last- und Energiemanagement (LEM-Software) verwendet für diese Vorhersagen der Leistung von Photovoltaik-Anlagen ein künstliches neuronales Netzwerk (KNN). Dieses erlernt aus vergangenen Verhältnissen ein mathematisches Muster, welches für die Prognose angewendet werden kann. Aufbauend darauf befasst sich dieser Artikel mit einem Inhomogenitätsindex f¨ur das Netzwerk, welcher die Wahrscheinlichkeit für das Auftreten schnell wechselnder Bewölkung und von Broken-Cloud-Effekten charakterisiert. Für den Index wird die Globalstrahlungsvorhersage in der näheren Umgebung analysiert. Dabei stellt sich heraus, dass dieser Inhomogenitätsindex ein besserer Indikator als die Standardabweichung ist. Eine erste Anwendung zeigt eine leichte Verbesserung des Prognoseergebnisses, allerdings ist der Zeitraum für die Anwendung des KNN zu kurz für eine abschließende Bewertung.

No description available.