Porównanie algorytmów uczenia maszynowego do wysoko precyzyjnego prognozowania mocy elektrowni fotowoltaicznych na skalę przemysłową

Dokładne prognozowanie mocy fotowoltaicznej (PV) ma zasadnicze znaczenie dla skutecznego monitorowania, sterowania i integracji z siecią energetyczną wielkoskalowych instalacji słonecznych. W niniejszym badaniu wykorzystano dane o wysokiej rozdzielczości pochodzące z elektrowni fotowoltaicznej o mocy 20 MW, działającej na skalę przemysłową, w celu porównania czterech zaawansowanych modeli uczenia maszynowego (ML): maszyny wektorów nośnych (SVM), lasu losowego (RF), regresji procesów gaussowskich (GPR) oraz sztucznej sieci neuronowej (ANN). Wydajność modeli oceniono za pomocą wskaźników R², RMSE i MAE. Ponadto przeprowadzono szczegółową analizę trójwymiarowych (3D) powierzchni prognozowanej mocy. Wyniki wskazują, że metody GPR i ANN przewyższają SVM i RF, osiągając niemal idealną dokładność (R² = 1,0000) przy minimalnym błędzie. Metody te dają gładkie, fizycznie spójne powierzchnie, które dokładnie odzwierciedlają zachowanie systemu fotowoltaicznego. Wyniki te potwierdzają, że GPR i ANN są najbardziej wiarygodnymi metodami uczenia maszynowego (ML) w zastosowaniach związanych z wysoko precyzyjnymi prognozami mocy fotowoltaicznej (PV) oraz zarządzaniem energią.