Analiza učinkovitosti različnih metod strojnega učenja pri napovedovanju sončnega sevanjaPopović, Dragan (Avtor) Igrec, Dalibor (Mentor) sončna energijastrojno učenjeglobalno horizontalno obsevanjeV diplomskem delu smo primerjali učinkovitost dveh modelov strojnega učenja, LSTM (Long Short-Term Memory) in FFNN (Feedforward Neural Network), pri napovedovanju globalnega horizontalnega obsevanja (GHO). Sončna energija je ključna za trajnostni razvoj, saj predstavlja čisto in obnovljivo alternativo fosilnim gorivom, vendar njeno izkoriščanje zahteva natančne napovedi sončnega obsevanja. V nalogi smo najprej obravnavali teoretične osnove sončne energije, fotovoltaike in izzive, povezane z napovedovanjem vrednosti GHO. Nato smo v praktičnem delu izvedli simulacije v okolju MATLAB, kjer smo modela trenirali na podatkih iz let 2018–2021 in napovedovali vrednosti za leto 2022. Rezultati so pokazali, da je LSTM model splošno boljši pri napovedovanju GHO, saj je izkazal večjo stabilnost, natančnost in zmožnost zajemanja sezonskih sprememb v primerjavi s FFNN modelom, ki je imel več težav pri napovedovanju ekstremnih vrednosti in sezonskih nihanj. Na podlagi teh ugotovitev zaključujemo, da je LSTM model primernejši za napovedovanje GHO, medtem ko FFNN model potrebuje nadaljnjo optimizacijo. Naloga ponuja prispevek k razvoju natančnejših napovednih modelov, ki so ključni za optimizacijo izkoriščanja sončne energije in prispevek k trajnostnemu razvoju.[D. Popović]20242024-09-04 14:08:09Diplomsko delo/naloga90463sl