The increased competitiveness of solar PV panels as a renewable energy source has increased the number of PV panel installations in recent years. In the meantime, higher availability of data and computational power have enabled machine learning algorithms to perform improved predictions. As the need to predict solar PV energy output is essential for many actors in the energy industry, machine learning and time series models can be employed towards this end. In this study, a comparison of different machine learning techniques and time series models is performed across five different sites in Sweden. We find that employing time series models is a complicated procedure due to the non-stationary energy time series. In contrast, machine learning techniques were more straightforward to implement. In particular, we find that the Artificial Neural Networks and Gradient Boosting Regression Trees perform best on average across all sites. / Sänkta produktionskostnader och ökad effektivitet har de senaste åren gjort solceller till ett attraktivt alternativ som energikälla. Detta har lett till en stor ökning av dess användning runt om i världen. Parallellt med denna utveckling har större tillgänglighet av data samt datorers förbättrade beräkningskapacitet möjliggjort förbättrade prediktionsresultat för maskininlärningsmetoder. Det finns för många aktörer anledning att intressera sig för prediktion av solcellers energiproduktion och från denna utgångspunkt kan maskininlärningsmetoder samt tidsserieanalys användas. I denna studie jämför vi hur metoder från de båda fälten presterar på fem olika geografiska områden i Sverige. Vi finner att tidsseriemodeller är komplicerade att implementera på grund av solcellernas icke-stationära tidsserier. I kontrast till detta visar sig maskininlärningstekniker enklare att implementera. Specifikt finner vi att artificiella neurala nätverk och så kallade Gradient Boosting Regression Trees presterar bäst i genomsnitt över de olika geografiska områdena.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-229065 |
| Date | January 2018 |
| Creators | Isaksson, Emil, Karpe Conde, Mikael |
| Publisher | KTH, Matematisk statistik |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-SCI-GRU ; 2018:214 |
Page generated in 0.0022 seconds