Influence of sparse data on PV power prediction accuracy using machine-learning models

Alexander Prüller

Influence of sparse data on PV power prediction accuracy using machine-learning models

Titel in Übersetzung: Einfluss fehlerhafter Daten auf die Genauigkeit der PV-Leistungsvorhersage mit Hilfe von Machine-Learning-Modellen

Alexander Prüller

Publikation: Abschlussarbeit › Masterarbeit

Abstract

PV-Anlagen spielen eine zunehmende Rolle in der zukünftigen Energieversorgung mittels erneuerbarer Energien. Diese dezentrale Form von Kraftwerken birgt Herausforderungen für das Stromnetz und eine möglichst präzise Vorhersage von Leistungserträgen ist für die Bewältigung essentiell. Maschinelles Lernen hat mehrfach gezeigt, dass es dieser Aufgabe gewachsen ist, jedoch ist dieses besonders von Eingabedaten abhängig. Das Ziel dieser Arbeit ist es den Einfluss von verrauschten und spärlich verfügbaren Daten auf die Vorhersagequalität zu bestimmen

Titel in Übersetzung	Einfluss fehlerhafter Daten auf die Genauigkeit der PV-Leistungsvorhersage mit Hilfe von Machine-Learning-Modellen
Originalsprache	Englisch
Qualifikation	Master of Science
Gradverleihende Hochschule
Betreuer/-in / Berater/-in	Rennhofer, Marcus, Betreuer:in Gröschl, Martin, Betreuer:in, Externe Person
Datum der Bewilligung	13 Juni 2024
Publikationsstatus	Veröffentlicht - 1 Juni 2024

Research Field

Hybrid Power Plants

Schlagwörter

Photovoltaic
Forecasting
Machine Learning
sparse data

Andere Dateien und Links

Master_thesis___Alexander_Prueller_v2

Diese Publikation zitieren

@mastersthesis{178aedc6c1c64bf7b65afb94a999f29f,

title = "Influence of sparse data on PV power prediction accuracy using machine-learning models",

abstract = "PV-Anlagen spielen eine zunehmende Rolle in der zuk{\"u}nftigen Energieversorgung mittels erneuerbarer Energien. Diese dezentrale Form von Kraftwerken birgt Herausforderungen f{\"u}r das Stromnetz und eine m{\"o}glichst pr{\"a}zise Vorhersage von Leistungsertr{\"a}gen ist f{\"u}r die Bew{\"a}ltigung essentiell. Maschinelles Lernen hat mehrfach gezeigt, dass es dieser Aufgabe gewachsen ist, jedoch ist dieses besonders von Eingabedaten abh{\"a}ngig. Das Ziel dieser Arbeit ist es den Einfluss von verrauschten und sp{\"a}rlich verf{\"u}gbaren Daten auf die Vorhersagequalit{\"a}t zu bestimmen",

keywords = "Photovoltaic, Forecasting, Machine Learning, sparse data",

author = "Alexander Pr{\"u}ller",

year = "2024",

month = jun,

day = "1",

language = "English",

}

TY - THES

T1 - Influence of sparse data on PV power prediction accuracy using machine-learning models

AU - Prüller, Alexander

PY - 2024/6/1

Y1 - 2024/6/1

N2 - PV-Anlagen spielen eine zunehmende Rolle in der zukünftigen Energieversorgung mittels erneuerbarer Energien. Diese dezentrale Form von Kraftwerken birgt Herausforderungen für das Stromnetz und eine möglichst präzise Vorhersage von Leistungserträgen ist für die Bewältigung essentiell. Maschinelles Lernen hat mehrfach gezeigt, dass es dieser Aufgabe gewachsen ist, jedoch ist dieses besonders von Eingabedaten abhängig. Das Ziel dieser Arbeit ist es den Einfluss von verrauschten und spärlich verfügbaren Daten auf die Vorhersagequalität zu bestimmen

AB - PV-Anlagen spielen eine zunehmende Rolle in der zukünftigen Energieversorgung mittels erneuerbarer Energien. Diese dezentrale Form von Kraftwerken birgt Herausforderungen für das Stromnetz und eine möglichst präzise Vorhersage von Leistungserträgen ist für die Bewältigung essentiell. Maschinelles Lernen hat mehrfach gezeigt, dass es dieser Aufgabe gewachsen ist, jedoch ist dieses besonders von Eingabedaten abhängig. Das Ziel dieser Arbeit ist es den Einfluss von verrauschten und spärlich verfügbaren Daten auf die Vorhersagequalität zu bestimmen

KW - Photovoltaic

KW - Forecasting

KW - Machine Learning

KW - sparse data

M3 - Master's Thesis

ER -