prikaz prve stranice dokumenta Estimacija proizvodnje izlazne snage solarnih elektrana metodama strojnog učenja
  Download
PDF 3.7 MB
master's thesis
Estimacija proizvodnje izlazne snage solarnih elektrana metodama strojnog učenja
2024. urn:nbn:hr:190:654166
Mihalić, Leo
University of Rijeka
Faculty of Engineering

Cite this document

Mihalić, L. (2024). Estimacija proizvodnje izlazne snage solarnih elektrana metodama strojnog učenja (Master's thesis). Rijeka: University of Rijeka, Faculty of Engineering. Retrieved from https://urn.nsk.hr/urn:nbn:hr:190:654166

Mihalić, Leo. "Estimacija proizvodnje izlazne snage solarnih elektrana metodama strojnog učenja." Master's thesis, University of Rijeka, Faculty of Engineering, 2024. https://urn.nsk.hr/urn:nbn:hr:190:654166

Mihalić, Leo. "Estimacija proizvodnje izlazne snage solarnih elektrana metodama strojnog učenja." Master's thesis, University of Rijeka, Faculty of Engineering, 2024. https://urn.nsk.hr/urn:nbn:hr:190:654166

Mihalić, L. (2024). 'Estimacija proizvodnje izlazne snage solarnih elektrana metodama strojnog učenja', Master's thesis, University of Rijeka, Faculty of Engineering, accessed 02 April 2025, https://urn.nsk.hr/urn:nbn:hr:190:654166

Mihalić L. Estimacija proizvodnje izlazne snage solarnih elektrana metodama strojnog učenja [Master's thesis]. Rijeka: University of Rijeka, Faculty of Engineering; 2024 [cited 2025 April 02] Available at: https://urn.nsk.hr/urn:nbn:hr:190:654166

L. Mihalić, "Estimacija proizvodnje izlazne snage solarnih elektrana metodama strojnog učenja", Master's thesis, University of Rijeka, Faculty of Engineering, Rijeka, 2024. Available at: https://urn.nsk.hr/urn:nbn:hr:190:654166

Please login to the repository to save this object to your list.
Metadata
TitleEstimacija proizvodnje izlazne snage solarnih elektrana metodama strojnog učenja
Title (english)Estimation of Output Power Production of Solar Power Plants Using Machine Learning Methods
AuthorLeo Mihalić
MentorZlatan Car (mentor)
Committee memberSaša Vlahinić (predsjednik povjerenstva)
Committee memberIvan Volarić (član povjerenstva)
Committee memberZlatan Car (član povjerenstva)
GranterUniversity of Rijeka
Faculty of Engineering
Rijeka
Defense date and country2024-07-16, Croatia
Scientific / art field,
discipline and subdiscipline		TECHNICAL SCIENCES
Electrical Engineering
Abstract
U ovom radu je istraženo je li moguće dobiti točnu estimaciju izlazne snage fotonaponske elektrane pomoću algoritama strojnog učenja. Na odabranom setu podataka mjerenih u periodu od 34 dana u fotonaponskoj elekrani u Indiji napravljena je detaljna statistička analiza, odabrane su ulazne i izlazne veličine i podaci su raspodijeljeni na podatke za treniranje i na podatke za validaciju. Metrike koje su se koristile za validaciju su: koeficijent determinancije (R2), srednja apsolutna pogreška... More (MAE), kvadratni korjen srednje kvadratne pogreške (RMSE) i Kling-Gupta efficiency (KGE). Inicijalno istraživanje je rađeno na 7 modela strojnog učenja pomoću nasumičnog odabira hiperparametara. Trenirani modeli su: Autoregresivni diferencijalno regresor (ARDR), Multi-Layer perceptron (MLP), BayesianRidge regresor, linearna regresija, Huber regresor, ElasticNET i Lasso. Nakon inicijalnog istraživanja sljedeći korak je bio treniranje modela pomoću nasumičnog odabira hiperparametara i unakrsnom validacijom. Rezultati iz dva prethodna koraka su pokazali kako Huber regresor ima loše performanse i neće se koristiti za daljnje istraživanje. U sljedećem koraku trenirani su stacking ansambl modeli s različitim finalnim estimatorima. Stacking modeli su sačinjeni od prethodno treniranih modela ne uključujući Huber regresor. Na kraju trenirani stacking ansambl modeli su se koristili za treniranje krajnjeg ansambl modela koji je imao zadovoljavajuću točnost estimacije izlazne snage fotonaponske elektrane. Stacking ansambl 2 model je imao koeficijent determinancije iznosa 0.99, srednju apsolutnu pogrešku iznosa 16.54 i kvadratni korjen srednje kvadratne pogreške 45.57. Less
Abstract (english)
This paper investigates whether it is possible to accurately estimate the output power of a photovoltaic power plant using machine learning algorithms. A detailed statistical analysis was performed on a selected dataset measured over a period of 34 days at a photovoltaic power plant in India. Input and output variables were selected, and the data was divided into training and validation sets. The metrics used for validation were: coefficient of determination (R2), mean absolute error... More (MAE), root mean square error (RMSE), and Kling-Gupta efficiency (KGE). The initial research was conducted on 7 machine learning models using random selection of hyperparameters. The trained models were: Autoregressive Differential Regressor (ARDR), Multi-Layer Perceptron (MLP), Bayesian Ridge Regressor, Linear Regression, Huber Regressor, ElasticNET, and Lasso. After the initial research, the next step was training the models using random selection of hyperparameters and cross-validation. The results from the previous two steps showed that the Huber Regressor had poor performance and would not be used for further research. In the next step, stacking ensemble models with different final estimators were trained. The stacking models consisted of the previously trained models, excluding the Huber Regressor. Finally, the trained stacking ensemble models were used to train the final ensemble model, which achieved satisfactory accuracy in estimating the output power of the photovoltaic power plant. The final model had a coefficient of determination of 0.99, a mean absolute error of 16.54, and a root mean square error of 45.57. Less
Keywords
Keywords (english)
Languagecroatian
URN:NBNurn:nbn:hr:190:654166
Study programmeTitle: Graduate University Study of Electrical Engineering
Study programme type: university
Study level: graduate
Academic / professional title: magistar/magistra inženjer/inženjerka elektrotehnike (magistar/magistra inženjer/inženjerka elektrotehnike)
Type of resourceText
File originBorn digital
Access conditionsOpen access
Terms of useLicence Attribution 4.0 International (CC BY 4.0) icon
Created on2024-07-14 14:20:18
accessibility

closeAccessibilityrefresh

If you wish to permanently save changes, click on Save, if not - your settings will be reset when you restart the browser.