Πειράματα σε 37 διαφορετικές τοποθεσίες διεξήγαγαν ερευνητές χρησιμοποιώντας τεχνητά νευρωνικά δίκτυα (ANN) με μεθόδους επιλογής χαρακτηριστικών και διάφορους αλγορίθμους μηχανικής μάθησης για να προβλέψουν την βέλτιστη γωνία κλίσης των φωτοβολταϊκών (PV) συστημάτων.
"Η γωνία κλίσης των ηλιακών πάνελ είναι μία από τις κρίσιμες μεταβλητές που καθορίζουν την αποτελεσματική εγκατάσταση και λειτουργία των φωτοβολταϊκών συστημάτων", δήλωσε η ομάδα. "Μία βέλτιστη γωνία επιτρέπει στις ακτίνες του ήλιου να απορροφώνται όσο το δυνατόν περισσότερο από το υλικό. Όταν συλλέγεται ηλιακή ενέργεια, τα φωτοβολταϊκά πάνελ επηρεάζονται από τη γωνία με την οποία το φως από διάφορες κατευθύνσεις τα προσβάλλει. Συνεπώς, η ετήσια παραγωγή ενέργειας του συστήματος επηρεάζεται άμεσα από την επιλογή της κατάλληλης γωνίας κλίσης."
Τα δεδομένα συλλέχθηκαν από 37 πόλεις της Ινδίας, συμπεριλαμβανομένων των Νέου Δελχί, Μουμπάι, Μπανγκαλόρ και Καλκούτα. Η ομάδα χρησιμοποίησε τεχνικές επιλογής χαρακτηριστικών, όπως ο συντελεστής συσχέτισης Pearson, για να αξιολογήσει τη δύναμη των συσχετίσεων των δεδομένων και την αναλογία σήματος προς θόρυβο για να απλοποιήσει τη διαδικασία σε συνθήκες υψηλού θορύβου. Μετά την εφαρμογή αυτών των μεθόδων, αποφάσισαν να μην συμπεριλάβουν την εξωγήινη SR στα μοντέλα πρόβλεψης ANN.
Δοκίμασαν έξι αλγορίθμους ANN και συνέκριναν την προβλεπόμενη γωνία κλίσης με τις πραγματικές τιμές στόχου OTA. Στη συνέχεια, υπολόγισαν τη βελτίωση στην ακρίβεια πρόβλεψης (IPA) για να δείξουν πώς η επιλογή χαρακτηριστικών βελτίωσε το μέσο τετραγωνικό σφάλμα (MSE) σε σύγκριση με το MSE του υπολογισμού με όλες τις παραμέτρους. ανάλογα με το εκτιμώμενο ANN, οι βελτιώσεις στην ακρίβεια κυμάνθηκαν από 38,59% έως 90,72%. Η μικρότερη βελτίωση (38,59%) σημειώθηκε στην περίπτωση του αλγορίθμου scaled conjugate gradient (SCG), ενώ η μεγαλύτερη βελτίωση (90,72%) σημειώθηκε με το Elman neural network (ELM).
