พยากรณ์รังสีอาทิตย์สำหรับโซลาร์รูฟท็อป

Abstract

This thesis aims to study independent variables that influence the prediction of solar radiation by applying the neural network method (ANN) and the ordinary least square method (OLS). Therefore basic dependent variables are applied for example hour angle, maximum ambient temperature, the average ambient temperature of the day, day time, altitude, declination, azimuth, and the eccentricity correction factor of the earth's orbit. Also since these parameters are applied in these proposed equations, solar photovoltaic power generation can estimate with the electrical power waveforms as hourly daily biweekly monthly, particularly occupying in the solar rooftop. For this study, the mean absolute percentage error (MAPE) is quantitative data to compare the error of the estimated predictions. Additionally the solar PV rooftop in the Rajamangala University of Technology Lanna, Phitsanulok is utilized for this case study. Both methodologies of the power estimations are compared with the actual solar rooftop power generation. For hourly cases, the MAPE values are 20.79 percent of the ANN method and 21.97 percent of the OLS method. For Daily cases, the MAPE values are 12.19 percent of the ANN method and 12.78 percent of the OLS method. For biweekly cases, the MAPE values are 6.59 percent of the ANN method and 6.88 percent of the OLS method. For monthly cases, the MAPE values are 4.92 percent of the ANN method and 5.18 percent of the OLS method. Finally, it can be concluded that the ANN method has decent potentiality for applying to forecast solar photovoltaic power generation because the estimated predictions of the ANN method have lower errors comparing to the estimated predictions of the OLS method for all study cases in this thesis.

วิทยานิพนธ์นี้มุ่งหมายในการศึกษาตัวแปรอิสระที่มีอิทธิพลต่อการพยากรณ์ค่ารังสีอาทิตย์ โดยการประยุกต์ใช้วิธีโครงข่ายประสาทเทียม (ANN) และวิธีกำลังสองน้อยที่สุด (OLS) และตัวแปรอิสระหลักถูกเลือกใช้ ตัวอย่างเช่น มุมชั่วโมง, อุณหภูมิอากาศสูงสุด, อุณหภูมิอากาศเฉลี่ยกลางวัน, ความยาวนานเวลากลางวัน, มุมอัลติจูด, เดคลิเนชัน, มุมอาซิมุธ และแฟคเตอร์สำหรับแก้ผลการแปรค่าของระยะทางระหว่างโลกกับดวงอาทิตย์ และเมื่อนำพารามิเตอร์เหล่านี้มาใช้ในสมการที่นำเสนอ การผลิตพลังงานไฟฟ้าของเซลล์แสงอาทิตย์สามารถประมาณรูปคลื่นกำลังไฟฟ้าได้ทั้งแบบรายชั่วโมง แบบรายวัน แบบรายปักษ์ และแบบรายเดือน โดยเฉพาะอย่างยิ่งการประยุกต์ใช้กับโซลาร์รูฟท็อป สำหรับการศึกษานี้ค่าเฉลี่ยเปอร์เซ็นต์ความคลาดเคลื่อนสัมบูรณ์ (MAPE) คือ ปริมาณการเปรียบเทียบค่าผิดพลาดการประมาณการของการพยากรณ์แบบต่างๆ จากโซลาร์รูฟท็อปในมหาวิทยาลัยเทคโนโลยีราชมงคลล้านนา พิษณุโลกใช้สำหรับกรณีศึกษานี้ ทั้งนี้การประมาณของวิธีทั้งสองแบบเปรียบเทียบกับค่ากำลังการผลิตไฟฟ้าจริงจากโซลาร์รูฟท็อปในกรณีแบบรายชั่วโมง ค่า MAPE อยู่ที่ 20.79 เปอร์เซนต์ของวิธี ANN และ 21.97 เปอร์เซนต์ของวิธี OLS สำหรับกรณีแบบรายวัน ค่า MAPE อยู่ที่ 12.19 เปอร์เซนต์ของวิธี ANN และ 12.78 เปอร์เซนต์ของวิธี OLS สำหรับกรณีแบบรายปักษ์ ค่า MAPE อยู่ที่ 6.59 เปอร์เซนต์ของวิธี ANN และ 6.88 เปอร์เซนต์ของวิธี OLS และสำหรับกรณีแบบรายเดือน ค่า MAPE อยู่ที่ 4.92 เปอร์เซนต์ของวิธี ANN และ 5.18 เปอร์เซนต์ของวิธี OLS ท้ายที่สุดสามารถสรุปได้ว่า วิธี ANN มีศักยภาพที่ดีสำหรับการประยุกต์ใช้เพื่อการพยากรณ์การผลิตพลังงานไฟฟ้าของโซลาร์เซลล์ ด้วยเหตุที่การประมาณของการพยากรณ์ของวิธี ANN จึงมีค่าผิดพลาดที่น้อยกว่าเมื่อเปรียบเทียบกับการประมาณการพยากรณ์ของวิธี OLS สำหรับทุกกรณีศึกษาในวิทยานิพนธ์นี้