Wolff, Björn (2017) Support Vector Regression for Solar Power Prediction. PhD, Universität Oldenburg.

[img]
Preview


Volltext (6Mb)

Abstract

In recent years, renewable energies have been covering an increasing part of the worldwide electrical power demand. The additional volatility introduced to power grids by weather dependent renewable energy sources, i.e., wind and solar, makes it necessary to improve the accuracy of energy forecasts, so that the electrical grid can be operated in a cost-efficient way. The focus of this thesis lies on improving forecast models for short-term PV power predictions with horizons ranging from 15 minutes to five hours. For this, recent power measurements of PV systems throughout Germany are combined with data from weather forecast approaches. Apart from commonly used numerical weather prediction model output, satellite-based cloud motion vector predictions are applied. The data sets of these sources are preprocessed and combined with machine learning. In particular, support vector regression is optimized to work as the main regression model.

["eprint_fieldname_title_plus" not defined]

Support Vector Regression für Solarleistungsprognosen

["eprint_fieldname_abstract_plus" not defined]

Erneuerbare Energien haben einen immer größer werdenden Anteil an der Deckung des weltweiten Stromverbrauchs. Jedoch wird durch die wetterabhängigen, erneuerbaren Energiequellen wie Wind- und Solarenergie zusätzliche Unsicherheit eingeführt, welche die Verbesserung von bestehenden Vorhersageverfahren notwendig macht, um die effiziente Betriebsführung des Stromnetzes zu garantieren. Der Fokus dieser Arbeit liegt in der Verbesserung von aktuellen Vorhersagemodellen für PV-Leistung im Kurzzeitbereich von 15 Minuten bis 5 Stunden. Hierzu werden aktuelle Leistungsmessungen mit Vorhersagen aus verschiedenen Wettervorhersagemodellen kombiniert. Neben vielseits genutzten Prognosedaten von numerischen Wettermodellen werden auch satelliten-basierte Cloud Motion Vector-Vorhersagen eingesetzt. Diese unterschiedlichen Datensätze werden mit Hilfe von maschinellen Lernverfahren vorverarbeitet und mit der Support Vector Regression kombiniert.

Item Type: Thesis (PhD)
Uncontrolled Keywords: support vector regression, PV power forecasting, machine learning, numerical weather prediction, cloud motion vectors
Subjects: Generalities, computers, information > Computer science, internet
Divisions: School of Computing Science, Business Administration, Economics and Law > Department of Computing Science
Date Deposited: 04 Aug 2017 12:42
Last Modified: 04 Aug 2017 12:42
URI: https://oops.uni-oldenburg.de/id/eprint/3223
URN: urn:nbn:de:gbv:715-oops-33040
DOI:
Nutzungslizenz:

Actions (login required)

View Item View Item

Document Downloads

More statistics for this item...