Neural Networks for Solar Panels Efficiency Prediction

Abstract

In 2018, more than 100GW worth of solar panels were installed worldwide. The in crease in solar energy systems is beneficial for the environment, but some companies have trouble implementing it given its inconsistent generations of energy. This inconsistency creates energy fluctuations that can overcharge the electrical grid or complicate load de mand predictions. This work proposes an approach that uses distributed data and machine learning to reduce these risks by making these energy fluctuations more predictable. We implemented neural network models to evaluate data that connects solar panels’ efficiency with weather conditions. Companies and Smart Grid operators can use our approach and models with forecasting data to predict the next-day solar energy generation and adapt decisions considering fluctuations. Results show that our application achieved with an absolute error of less than 10% in some studied cases.

Somente em 2018, mais de 100 GW em novos painéis solares foram instalados no mundo. Mesmo que essa fonte energética seja benéfica para o meio ambiente, muitas organizações enfrentam dificuldades em implementá-la devido à sua geração de energia inconsistente. Essa inconsistência cria flutuações de energia que podem sobrecarregar a rede elétrica ou complicar o cálculo da demanda de energia. Esse trabalho propõe uma abordagem usando dados distribuídos e aprendizagem de máquina para reduzir esses riscos. Para isso, nós implementamos modelos de redes neurais para analisarem dados que relacionam a eficiência de painéis solares com condições climáticas. Companhias podem usar nossa abordagem e modelos para prever a energia que será gerada no próximo dia e se programar melhor para flutuações de energia. Os resultados mostram que a nossa abordagem atingiu níveis de precisão prósperos, tendo menos de 10% de erro absoluto em suas medições em alguns cenários estudados.