Eine internationale Gruppe von Forschern hat verschiedene maschinelle Lernalgorithmen getestet, um den optimalen Neigungswinkel (OTA) von Solarprojekten in 37 indischen Städten vorherzusagen, was zu Verbesserungen von bis zu 90% führte. Die Forscher nutzten dabei Feature-Selection-basierte künstliche neuronale Netze (ANN) in Kombination mit verschiedenen maschinellen Lernalgorithmen, um den OTA von PV-Systemen vorherzusagen.
Das Experiment basierte auf Informationen von der NASA Power Data Access Viewer-Website und umfasste Parameter wie globale solare Strahlung, diffuse solare Strahlung, extraterrestrische solare Strahlung, solare Strahlung auf geneigten Oberflächen und den Klarheitsindex. Daten wurden von 37 indischen Städten extrahiert, darunter New Delhi, Mumbai, Bangalore und Kolkata.
Die Forscher verwendeten verschiedene Feature-Auswahltechniken, um die Stärke der Datenassoziationen zu bewerten und das Signal-Rausch-Verhältnis zu verbessern. Sechs ANN-Algorithmen wurden getestet, und ihre Vorhersagen des Neigungswinkels wurden mit realen OTA-Zielwerten verglichen. Die Verbesserung der Vorhersagegenauigkeit (IPA) wurde berechnet, um zu zeigen, wie die Feature-Auswahl die mittlere quadratische Abweichung im Vergleich zur Berechnung mit allen Parametern verbessert hatte.
Das niedrigste IPA wurde im Fall des Skalierten Konjugierten Gradienten (SCG) verzeichnet, was eine Verbesserung von 38,59% darstellte. Der Elman-Neural-Netzwerk (ELM) zeigte die beste Verbesserung von 90,72%. Die entwickelten Modelle sollen die Energieproduktion optimieren, die Effizienz steigern und fundierte Entscheidungen über die Neigungswinkel der Solarpaneele treffen.
Die Ergebnisse wurden in der Studie “Novel feature selection based ANN for optimal solar panels tilt angles prediction in micro grid” veröffentlicht. Das Team besteht aus Wissenschaftlern aus Indien, Südkorea und Ungarn.