Heuristic vectorized learning method based PV forecasting by using image recognition-based sky camera integration within sensor set

Abstract

In order to ensure the continuity of demand and production balance, the use of renewable energy resources (RES) by countries will increase in the near future. Solar power generation is important for the integration of renewable energy into the power grid, but it can cause problems in power systems due to the uncertain and intermittent nature of solar power. Deep learning methods provide promising results in solar energy prediction, but the performance of these models depends on the initial weights assigned to the network. In this thesis, a novel weight initialization method, the Heuristic Vectorised Learning method, which takes into account certain characteristics of solar generation data has been proposed. This method aims to achieve better accuracy in solar forecasting by combining a statistical approach with a method based on deep learning. The method was compared with other commonly used methods such as Xavier, LeCun, He and Random, and it was seen that the proposed method performed better. Overall, the proposed weight initialization method provides significant benefits for solar forecasting applications in the context of renewable energy integration into the power grid. So, to reach higher accuracy, monitoring the sky is the best option for intra-day forecasts. Therefore, a hybrid model was created for photovoltaic generation prediction by using it together with environmental sensor data. The proposed method and panel shading model achieve higher accuracy values at the Abdullah Gül University campus in Kayseri. The proposed system provides a reliable PV energy forecast for the intraday energy markets.

Talep ve üretim dengesinin sürekliliğini sağlamak için, ülkeler yenilenebilir enerji kaynaklarını (YEK) kullanımı yakın gelecekte artış gösterecektir. Güneş enerjisi üretimi, yenilenebilir enerjinin elektrik şebekesine entegrasyonu için önemlidir, ancak güneş enerjisinin belirsiz ve kesintili doğası nedeniyle güç sistemlerinde problemlere neden olabilir. Derin öğrenme yöntemleri, güneş enerjisi tahmininde umut verici sonuçlar sağlamaktadır, ancak bu modellerin performansı ağa atanan başlangıç ağırlıklarına bağlıdır. Bu çalışmada, Sezgisel Vektörleştirilmiş Öğrenme yöntemi olarak adlandırılan yeni bir ağırlık başlatma yöntemi önerilmektedir. Bu yöntem, istatistiksel bir yaklaşımı derin öğrenmeye dayalı bir yöntemle birleştirerek güneş tahmininde daha iyi doğruluk elde etmeyi amaçlamaktadır. Yöntemin Xavier, LeCun, He ve Random gibi yaygın olarak kullanılan başka yöntemlerle karşılaştırması yapılmıştır ve önerilen yöntemin daha iyi performans gösterdiği görülmüştür. Genel olarak, önerilen ağırlık başlatma yöntemi, elektrik şebekesine yenilenebilir enerji entegrasyonu bağlamında güneş tahmini uygulamaları için önemli faydalar sağlamaktadır. Dolayısıyla, çevresel sensör verileriyle birlikte kullanılarak fotovoltaik üretim tahmini için bir hibrit model oluşturulmuştur. Önerilen yöntem ve panel gölgeleme modeli, Kayseri ilinde bulunan Abdullah Gül Üniversitesi yerleşkesinde daha yüksek doğruluk değerleri elde etmektedir. Önerilen sistem, gün içi enerji piyasaları için güvenilir bir PV enerji tahmini sağlar.