20.500.12556/DKUM-90463 Analiza učinkovitosti različnih metod strojnega učenja pri napovedovanju sončnega sevanja diplomsko delo Analysis of the effectiveness of different machine learning methods for predicting solar radiation V 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. This thesis compares the effectiveness of two machine learning models, LSTM (Long Short-Term Memory) and FFNN (Feedforward Neural Network), in predicting global horizontal irradiance (GHI). Solar energy is crucial for sustainable development as it provides a clean and renewable alternative to fossil fuels, but its utilization requires accurate predictions of solar irradiance. The thesis first explores the theoretical foundations of solar energy, photovoltaics, and the challenges associated with predicting GHI values. In the practical part, simulations were conducted in MATLAB, where the models were trained on data from 2018–2021 and used to predict values for 2022. The results showed that the LSTM model is generally superior in predicting GHI, demonstrating greater stability, accuracy, and capability in capturing seasonal variations compared to the FFNN model, which struggled with predicting extreme values and seasonal fluctuations. Based on these findings, we conclude that the LSTM model is more suitable for GHI prediction, while the FFNN model requires further optimization. This thesis contributes to the development of more accurate predictive models, which are essential for optimizing the use of solar energy and supporting sustainable development. sončna energija strojno učenje globalno horizontalno obsevanje solar energy machine learning global horizontal irradiance true true false [D. Popović] Slovenski jezik Angleški jezik Diplomsko delo/naloga 2024-09-04 14:08:09 2025-02-07 15:26:00 2025-02-08 03:12:15 0000-00-00 00:00:00 2024 0 Maribor 0 Krško XVIII, 78 f. 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 [662.997+621.383.51]:004.85(043.2) 225522179 UN_Popovic_Dragan_2024.pdf UN_Popovic_Dragan_2024.pdf 1 10BA150F9DCE05250AEDEC5638D3EA6D 06381cd4c1537b4d7636880cb2c354790f76158dcbfc3b3e741418d5f6ade1d4 b85e617f-774a-11ef-9603-00155d000105 https://dk.um.si/Dokument.php?lang=slv&id=185585 Fakulteta za energetiko 0 0 0