DE202023105416U1

DE202023105416U1 - Ein intelligentes System zur Vorhersage der Solarstrahlung

Info

Publication number: DE202023105416U1
Application number: DE202023105416.1U
Authority: DE
Original assignee: Nitte Meenakshi Institute Of Tech; Nitte Meenakshi Institute of Technology
Current assignee: Nitte Meenakshi Institute Of Tech; Nitte Meenakshi Institute of Technology
Priority date: 2023-09-18
Filing date: 2023-09-18
Publication date: 2023-09-27
Anticipated expiration: 2033-09-19

Abstract

Ein umfassendes Gerät zur Vorhersage der Sonneneinstrahlung, bestehend aus:
ein Multisensor-Array, das sowohl die direkte Sonneneinstrahlung als auch begleitende Umweltfaktoren erfassen soll, wobei jeder Sensor zur Optimierung der Datengenauigkeit kalibriert ist;
ein Speichersystem mit hoher Kapazität und fehlertoleranten Mechanismen, das für die Archivierung großer Mengen an Roh- und verarbeiteten Daten ausgelegt ist;
ein FPGA-basierter Vorverarbeitungs-Chipsatz (Field-Programmable Gate Array), der auf die Datenbereinigung in Echtzeit spezialisiert ist, einschließlich der Entfernung von Ausreißern, dem Auffüllen von Nullwerten und der Typumwandlung;
eine dedizierte ASIC-Einheit (Application-Specific Integrated Circuit), die auf Hochgeschwindigkeits-Merkmalsextraktionsprozesse wie PCA und Merkmalsskalierung zugeschnitten ist;
ein Hardwarebeschleuniger für neuronale Netzwerke, der für lineare Regressionsoperationen optimiert ist, um das Training und die Vorhersage von Modellen für maschinelles Lernen zu beschleunigen;
ein Echtzeit-Evaluierungs-Chipsatz, der zur Bewertung von Leistungsmetriken für maschinelles Lernen, einschließlich Genauigkeit und Präzision, bewertet wird; Und
ein hochauflösendes Anzeigesystem mit Augmented-Reality-Funktionen (AR), um vorhergesagte Ergebnisse in 3D zu visualisieren und die Auswirkung primärer Merkmale auf die Vorhersagen darzustellen.

Description

GEBIET DER ERFINDUNG
Die vorliegende Offenbarung betrifft ein intelligentes System zur Vorhersage der Sonneneinstrahlung. Insbesondere bezieht sich die vorliegende Offenbarung auf ein auf maschinellem Lernen basierendes System, das die Sonneneinstrahlungswerte abhängig von einer Vielzahl von Umweltfaktoren korrekt vorhersagen kann.
HINTERGRUND DER ERFINDUNG
Eine genaue Vorhersage der Sonneneinstrahlung ist für eine Vielzahl von Prozessen von entscheidender Bedeutung, darunter die Produktion von Solarenergie, die Landwirtschaft und die Wettervorhersage. Doch aufgrund der Art und Weise, wie die Sonnenstrahlen mit der Erdatmosphäre interagieren, sind herkömmliche Methoden zur Vorhersage der Sonneneinstrahlung in der Regel nicht in der Lage, zuverlässige Prognosen zu erstellen. Um dieses Problem anzugehen, werden Techniken des maschinellen Lernens eingesetzt, um die Genauigkeit und Wirksamkeit von Vorhersagen für die Sonneneinstrahlung zu erhöhen.
Benötigt wird ein leistungsstarkes Modell für maschinelles Lernen, das die Sonneneinstrahlungswerte auf der Grundlage einer Reihe von Eingabevariablen abschätzen kann. Beispiele für Eingabevariablen sind die Atmosphäre, der Standort, die Tageszeit und vergangene Sonneneinstrahlungsdaten. Mithilfe der Fähigkeiten maschineller Lernalgorithmen können komplizierte Muster und Korrelationen in Daten identifiziert werden, die dabei helfen, präzise Schätzungen der Sonneneinstrahlung zu erstellen.
Der Literatur zufolge weisen bestehende Systeme zur Vorhersage der Sonnenstrahlung Einschränkungen auf, wie z. B. Genauigkeit, kein schnellerer Modus, Rechenkomplexität und Zeitkomplexität. Daher besteht Bedarf an einem verbesserten System.
Aus der vorstehenden Diskussion wird deutlich, dass ein Bedarf an einem intelligenten System zur Erfassung der Sonnenstrahlung unter Verwendung von Sonnenstrahlung und umweltbezogenen Daten besteht.
ZUSAMMENFASSUNG DER ERFINDUNG
Die vorliegende Offenbarung betrifft ein intelligentes System zur Vorhersage der Sonneneinstrahlung. Das Hauptziel der vorliegenden Erfindung besteht darin, ein auf maschinellem Lernen basierendes System zu entwickeln, das die Sonneneinstrahlungswerte als Reaktion auf verschiedene Umgebungsbedingungen genau vorhersagen kann. Sonnenstrahlung ist ein wesentlicher Bestandteil erneuerbarer Energiesysteme, da sie sich direkt auf die Strommenge auswirkt, die Solarmodule erzeugen können. Durch die genaue Vorhersage der Sonneneinstrahlung kann die Leistung von Solarenergiesystemen erheblich gesteigert werden, was die Effizienz der Energieerzeugung erhöht. Für die Entwicklung des vorgeschlagenen intelligenten Systems wird ein Datensatz verwendet, der historische Informationen über die Sonneneinstrahlung sowie zugehörige Umgebungsvariablen wie Temperatur, Druck, Luftfeuchtigkeit, Windrichtung und Tageszeit enthält, um das maschinelle Lernmodell zur Vorhersage der Sonneneinstrahlung zu trainieren. Diese Variablen haben einen erheblichen Einfluss auf die Menge der Sonnenstrahlung, die ein bestimmtes Gebiet erhält. Das maschinelle Lernsystem wird anhand dieses Datensatzes trainiert, um Trends und Beziehungen zwischen Umgebungsvariablen und der Sonneneinstrahlung zu ermitteln. Basierend auf den bereitgestellten Umgebungsbedingungen wird das Modell in der Lage sein, zukünftige Sonneneinstrahlungswerte durch die Untersuchung historischer Daten vorherzusagen. Für viele verschiedene Dinge, einschließlich Solarenergieplanung, Systemoptimierung und Energienetzmanagement, sind genaue Sonneneinstrahlungsvorhersagen nützlich. Es kann Betreibern von Solarkraftwerken dabei helfen, die Energieausbeute zu maximieren, Wartungsarbeiten zu organisieren und die Systemeffektivität insgesamt zu steigern. Darüber hinaus kann es Netzbetreibern und Energieunternehmen dabei helfen, die Integration von Solarenergie in das Stromnetz besser zu steuern.
Ziel der vorliegenden Offenbarung ist es, ein intelligentes System zur Vorhersage der Sonneneinstrahlung bereitzustellen. Das System umfasst: eine Erfassungsverarbeitungseinheit, die zum Erfassen relevanter Daten konfiguriert ist, wobei die erfassten Daten Informationen über Sonneneinstrahlung und Umweltdaten umfassen; eine Vorverarbeitungseinheit, die dazu konfiguriert ist, die gesammelten, für die Sonneneinstrahlung relevanten Daten vorzuverarbeiten; eine Extraktionsverarbeitungseinheit, die so konfiguriert ist, dass sie die Merkmale extrahiert, die zum Trainieren des maschinellen Lernmodells zur Vorhersage der Sonneneinstrahlung nützlich sind; eine Trainingsverarbeitungseinheit, die zum Trainieren eines maschinellen Lernmodells zur Vorhersage der Sonneneinstrahlung konfiguriert ist, wobei als maschinelles Lernmodell ein lineares Regressionsmodell verwendet wird; eine Bewertungsverarbeitungseinheit, die dazu konfiguriert ist, die Leistung des trainierten maschinellen Lernmodells zu bewerten; und eine Visualisierungsverarbeitungseinheit, die dazu konfiguriert ist, eine Datenvisualisierung des vorhergesagten Ergebnisses durchzuführen, wobei die Visualisierung des vorhergesagten Ergebnisses die Bestimmung des wichtigsten Merkmals erleichtert, das zum Ergebnis beiträgt.
In einer Ausführungsform kann das System eine Benutzeroberfläche zum Anzeigen der visualisierten vorhergesagten Daten umfassen.
Ein Ziel der vorliegenden Offenbarung besteht darin, ein intelligentes System zur Vorhersage der Sonnenstrahlung bereitzustellen.
Ein weiteres Ziel der vorliegenden Offenbarung besteht darin, ein System bereitzustellen, das den Grad der Sonneneinstrahlung in Abhängigkeit von einer Vielzahl von Umweltfaktoren genau vorhersagen kann.
Ein weiteres Ziel der vorliegenden Offenbarung besteht darin, ein Modell für maschinelles Lernen zur Vorhersage der Sonneneinstrahlung zu verwenden, wobei ein Datensatz zum Trainieren des Modells für maschinelles Lernen verwendet wird.
Ein weiteres Ziel der vorliegenden Offenbarung besteht darin, ein System bereitzustellen, das bei der Planung von Solarenergie, der Systemoptimierung und dem Energienetzmanagement helfen kann.
Um die Vorteile und Merkmale der vorliegenden Offenbarung weiter zu verdeutlichen, erfolgt eine detailliertere Beschreibung der Erfindung unter Bezugnahme auf spezifische Ausführungsformen davon, die in den beigefügten Zeichnungen dargestellt sind. Es versteht sich, dass diese Zeichnungen nur typische Ausführungsformen der Erfindung darstellen und daher nicht als deren Umfang einschränkend anzusehen sind. Die Erfindung wird anhand der beigefügten Zeichnungen genauer und detaillierter beschrieben und erläutert.
KURZBESCHREIBUNG DER FIGUREN
Diese und andere Merkmale, Aspekte und Vorteile der vorliegenden Offenbarung werden besser verständlich, wenn die folgende detaillierte Beschreibung unter Bezugnahme auf die beigefügten Zeichnungen gelesen wird, in denen in den Zeichnungen gleiche Bezugszeichen gleiche Teile darstellen, wobei:

1 veranschaulicht ein Blockdiagramm eines intelligenten Systems zur Vorhersage der Sonneneinstrahlung gemäß einer Ausführungsform der vorliegenden Offenbarung; Und
2 veranschaulicht ein Blockdiagramm einer umfassenden Vorrichtung zur Vorhersage der Sonnenstrahlung gemäß einer Ausführungsform der vorliegenden Offenbarung.

Darüber hinaus werden erfahrene Handwerker erkennen, dass Elemente in den Zeichnungen der Einfachheit halber dargestellt sind und möglicherweise nicht unbedingt maßstabsgetreu gezeichnet wurden. Beispielsweise veranschaulichen die Flussdiagramme die Methode anhand der wichtigsten Schritte, die dazu beitragen, das Verständnis von Aspekten der vorliegenden Offenbarung zu verbessern. Darüber hinaus können im Hinblick auf die Konstruktion des Geräts eine oder mehrere Komponenten des Geräts in den Zeichnungen durch herkömmliche Symbole dargestellt worden sein, und die Zeichnungen zeigen möglicherweise nur die spezifischen Details, die für das Verständnis der Ausführungsformen der vorliegenden Offenbarung relevant sind um die Zeichnungen nicht durch Details zu verdecken, die für den Durchschnittsfachmann auf dem Gebiet, der Nutzen aus der Beschreibung hierin zieht, leicht ersichtlich sind.
DETAILLIERTE BESCHREIBUNG:
Um das Verständnis der Prinzipien der Erfindung zu fördern, wird nun auf die in den Zeichnungen dargestellte Ausführungsform Bezug genommen und für deren Beschreibung eine spezifische Sprache verwendet. Es versteht sich jedoch, dass dadurch keine Einschränkung des Umfangs der Erfindung beabsichtigt ist, da Änderungen und weitere Modifikationen des dargestellten Systems und weitere Anwendungen der darin dargestellten Prinzipien der Erfindung in Betracht gezogen werden, wie sie einem Fachmann normalerweise in den Sinn kommen würden in der Technik, auf die sich die Erfindung bezieht.
Der Fachmann versteht, dass die vorstehende allgemeine Beschreibung und die folgende detaillierte Beschreibung beispielhaft und erläuternd für die Erfindung sind und diese nicht einschränken sollen.
Verweise in dieser Spezifikation auf „einen Aspekt“, „einen anderen Aspekt“ oder eine ähnliche Sprache bedeuten, dass ein bestimmtes Merkmal, eine bestimmte Struktur oder ein bestimmtes Merkmal, das in Verbindung mit der Ausführungsform beschrieben wird, in mindestens einer Ausführungsform der vorliegenden Offenbarung enthalten ist. Daher beziehen sich die Formulierungen „in einer Ausführungsform“, „in einer anderen Ausführungsform“ und ähnliche Formulierungen in dieser Spezifikation möglicherweise, aber nicht unbedingt, auf dieselbe Ausführungsform.
Die Begriffe „umfasst“, „umfassend“ oder andere Variationen davon sollen eine nicht ausschließliche Einbeziehung abdecken, sodass ein Prozess oder eine Methode, die eine Liste von Schritten umfasst, nicht nur diese Schritte umfasst, sondern möglicherweise andere Schritte nicht umfasst ausdrücklich aufgeführt oder diesem Prozess oder dieser Methode innewohnend sind. Ebenso schließen ein oder mehrere Geräte oder Subsysteme oder Elemente oder Strukturen oder Komponenten, denen „umfasst...a“ vorangestellt ist, nicht ohne weitere Einschränkungen die Existenz anderer Geräte oder anderer Subsysteme oder anderer Elemente oder anderer Strukturen aus andere Komponenten oder zusätzliche Geräte oder zusätzliche Subsysteme oder zusätzliche Elemente oder zusätzliche Strukturen oder zusätzliche Komponenten.
Sofern nicht anders definiert, haben alle hier verwendeten technischen und wissenschaftlichen Begriffe die gleiche Bedeutung, wie sie von einem Durchschnittsfachmann auf dem Gebiet, zu dem diese Erfindung gehört, allgemein verstanden werden. Das hier bereitgestellte System, die Methoden und Beispiele dienen nur der Veranschaulichung und sollen nicht einschränkend sein.
Ausführungsformen der vorliegenden Offenbarung werden im Folgenden ausführlich unter Bezugnahme auf die beigefügten Zeichnungen beschrieben.
Die in dieser Spezifikation beschriebenen Funktionseinheiten sind als Geräte gekennzeichnet. Ein Gerät kann in programmierbaren Hardwaregeräten wie Prozessoren, digitalen Signalprozessoren, Zentraleinheiten, feldprogrammierbaren Gate-Arrays, programmierbarer Array-Logik, programmierbaren Logikgeräten, Cloud-Verarbeitungssystemen oder dergleichen implementiert werden. Die Geräte können auch in Software zur Ausführung durch verschiedene Prozessortypen implementiert werden. Ein identifiziertes Gerät kann ausführbaren Code enthalten und beispielsweise einen oder mehrere physische oder logische Blöcke von Computeranweisungen umfassen, die beispielsweise als Objekt, Prozedur, Funktion oder anderes Konstrukt organisiert sein können. Dennoch muss die ausführbare Datei eines identifizierten Geräts nicht physisch zusammen angeordnet sein, sondern kann aus unterschiedlichen, an unterschiedlichen Orten gespeicherten Anweisungen bestehen, die, wenn sie logisch zusammengefügt werden, das Gerät bilden und den angegebenen Zweck des Geräts erfüllen.
Tatsächlich könnte ein ausführbarer Code eines Geräts oder Moduls eine einzelne Anweisung oder mehrere Anweisungen sein und sogar über mehrere verschiedene Codesegmente, zwischen verschiedenen Anwendungen und über mehrere Speichergeräte verteilt sein. In ähnlicher Weise können Betriebsdaten hier innerhalb des Geräts identifiziert und dargestellt werden und können in jeder geeigneten Form verkörpert und in jeder geeigneten Art von Datenstruktur organisiert werden. Die Betriebsdaten können als einzelner Datensatz erfasst oder über verschiedene Standorte, einschließlich verschiedener Speichergeräte, verteilt werden und können zumindest teilweise als elektronische Signale in einem System oder Netzwerk vorliegen.
Verweise in dieser Spezifikation auf „eine ausgewählte Ausführungsform“, „eine Ausführungsform“ oder „eine Ausführungsform“ bedeuten, dass ein bestimmtes Merkmal, eine bestimmte Struktur oder ein bestimmtes Merkmal, das in Verbindung mit der Ausführungsform beschrieben wird, in mindestens einer Ausführungsform des offenbarten Gegenstands enthalten ist. Daher beziehen sich die Ausdrücke „eine ausgewählte Ausführungsform“, „in einer Ausführungsform“ oder „in einer Ausführungsform“ an verschiedenen Stellen in dieser Spezifikation nicht unbedingt auf dieselbe Ausführungsform.
Darüber hinaus können die beschriebenen Merkmale, Strukturen oder Eigenschaften in einer oder mehreren Ausführungsformen auf jede geeignete Weise kombiniert werden. In der folgenden Beschreibung werden zahlreiche spezifische Details bereitgestellt, um ein umfassendes Verständnis der Ausführungsformen des offenbarten Gegenstands zu ermöglichen. Ein Fachmann auf dem betreffenden Gebiet wird jedoch erkennen, dass der offenbarte Gegenstand ohne eines oder mehrere der spezifischen Details oder mit anderen Methoden, Komponenten, Materialien usw. in die Praxis umgesetzt werden kann. In anderen Fällen können wohlbekannte Strukturen, Materialien, oder Vorgänge werden nicht im Detail gezeigt oder beschrieben, um Aspekte des offengelegten Gegenstands nicht zu verschleiern.
Gemäß den beispielhaften Ausführungsformen können die offenbarten Computerprogramme oder -module auf viele beispielhafte Arten ausgeführt werden, beispielsweise als Anwendung, die sich im Speicher eines Geräts befindet, oder als gehostete Anwendung, die auf einem Server ausgeführt wird und mit diesem kommuniziert Geräteanwendung oder Browser über eine Reihe von Standardprotokollen wie TCP/IP, HTTP, XML, SOAP, REST, JSON und andere ausreichende Protokolle. Die offenbarten Computerprogramme können in beispielhaften Programmiersprachen geschrieben sein, die aus dem Speicher des Geräts oder von einem gehosteten Server ausgeführt werden, wie etwa BASIC, COBOL, C, C++, Java, Pascal, oder Skriptsprachen wie JavaScript, Python, Ruby, PHP, Perl oder andere geeignete Programmiersprachen.
Einige der offenbarten Ausführungsformen beinhalten oder beinhalten auf andere Weise die Datenübertragung über ein Netzwerk, beispielsweise die Übermittlung verschiedener Eingaben oder Dateien über das Netzwerk. Das Netzwerk kann beispielsweise eines oder mehrere der folgenden Elemente umfassen: Internet, Wide Area Networks (WANs), Local Area Networks (LANs), analoge oder digitale drahtgebundene und drahtlose Telefonnetzwerke z. B. ein PSTN, Integrated Services Digital Network (ISDN), ein Mobilfunknetz und Digital Subscriber Line (xDSL), Radio, Fernsehen, Kabel, Satellit und/oder andere Übertragungs- oder Tunnelmechanismen zur Datenübertragung. Das Netzwerk kann mehrere Netzwerke oder Teilnetzwerke umfassen, von denen jedes beispielsweise einen drahtgebundenen oder drahtlosen Datenweg umfassen kann. Das Netzwerk kann ein leitungsvermitteltes Sprachnetzwerk, ein paketvermitteltes Datennetzwerk oder jedes andere Netzwerk umfassen, das elektronische Kommunikation übertragen kann. Das Netzwerk kann beispielsweise Netzwerke umfassen, die auf dem Internetprotokoll (IP) oder dem asynchronen Übertragungsmodus (ATM) basieren, und kann Sprache beispielsweise mithilfe von VoIP, Voice-over-ATM oder anderen vergleichbaren Protokollen unterstützen, die für Sprachdatenkommunikation verwendet werden. In einer Implementierung umfasst das Netzwerk ein Mobilfunknetz, das so konfiguriert ist, dass es den Austausch von Text- oder SMS-Nachrichten ermöglicht.
Beispiele für das Netzwerk sind unter anderem ein Personal Area Network (PAN), ein Storage Area Network (SAN), ein Home Area Network (HAN), ein Campus Area Network (CAN) und ein Local Area Network (LAN), ein Wide Area Network (WAN), ein Metropolitan Area Network (MAN), ein Virtual Private Network (VPN), ein Enterprise Private Network (EPN), Internet, ein Global Area Network (GAN) und so weiter.
1 zeigt ein Blockdiagramm eines intelligenten Systems (100) zur Vorhersage der Sonneneinstrahlung gemäß einer Ausführungsform der vorliegenden Offenbarung. Das System (100) umfasst eine Erfassungsverarbeitungseinheit (102), die zum Erfassen relevanter Daten konfiguriert ist, wobei die erfassten Daten Informationen über Sonneneinstrahlung und Umweltdaten umfassen.
In einer Ausführungsform ist eine Vorverarbeitungseinheit (104) so konfiguriert, dass sie die gesammelten sonnenstrahlungsrelevanten Daten vorverarbeitet.
In einer Ausführungsform ist eine Extraktionsverarbeitungseinheit (106) so konfiguriert, dass sie die Merkmale extrahiert, die zum Trainieren des maschinellen Lernmodells zur Vorhersage der Sonneneinstrahlung nützlich sind.
In einer Ausführungsform ist eine Trainingsverarbeitungseinheit (108) dazu konfiguriert, ein maschinelles Lernmodell zur Vorhersage der Sonneneinstrahlung zu trainieren, wobei als maschinelles Lernmodell ein lineares Regressionsmodell (108a) verwendet wird.
In einer Ausführungsform ist eine Bewertungsverarbeitungseinheit (110) so konfiguriert, dass sie die Leistung des trainierten maschinellen Lernmodells bewertet.
In einer Ausführungsform ist eine Visualisierungsverarbeitungseinheit (112) so konfiguriert, dass sie eine Datenvisualisierung des vorhergesagten Ergebnisses durchführt, wobei die Visualisierung des vorhergesagten Ergebnisses die Bestimmung des wichtigsten Merkmals erleichtert, das zum Ergebnis beiträgt.
In einer Ausführungsform kann das System (100) eine Benutzeroberfläche (114) zum Anzeigen der visualisierten vorhergesagten Daten umfassen.
In einer Ausführungsform umfasst die Erfassungsverarbeitungseinheit (102) das Sammeln eines Echtzeitdatensatzes von Kaggle, wobei der Datensatz Daten wie Daten, Zeit, UNIXTIME, TimeSunRise, TimeSunSet, Strahlung, Temperatur, Geschwindigkeit, Luftfeuchtigkeit, Windrichtung in Grad enthält.
In einer Ausführungsform umfasst die Vorverarbeitungseinheit (104) die Vorbereitung eines Datensatzes, die nach der Vorverarbeitung der gesammelten Rohdaten durchgeführt wird, wobei zur Vorverarbeitung die Behandlung fehlender Werte, der Umgang mit Ausreißern und die Konvertierung kategorialer Variablen in numerische Werte durchgeführt werden Die Vorverarbeitung stellt die Datenqualität und Genauigkeit des Modells sicher. Nullwerte werden gelöscht oder mit Nullen aufgefüllt, und es wird eine Typumwandlung jeder Spalte in Bezug auf das erforderliche Format durchgeführt. Die vorverarbeiteten Daten werden in Trainingsdaten (104a) und Testdaten (104b) aufgeteilt, wobei Trainingsdaten zum Trainieren des Modells für maschinelles Lernen verwendet werden und Testdaten zur Bewertung der Leistung des trainierten Modells für maschinelles Lernen verwendet werden.
In einer Ausführungsform umfasst die Extraktionsverarbeitungseinheit (106) das Extrahieren relevanter Merkmale, die zum Training des maschinellen Lernmodells zur Vorhersage der Sonnenstrahlung beitragen, wobei zum Extrahieren von Merkmalen Hauptkomponentenanalyse (PCA), Merkmalsskalierung oder Merkmalsauswahltechniken verwendet werden.
In einer Ausführungsform umfasst die Trainingsverarbeitungseinheit (108) die Verwendung eines linearen Regressionsmodells für maschinelles Lernen (108a), das unter Verwendung extrahierter Merkmale zur Vorhersage der Sonneneinstrahlung trainiert wird.
In einer Ausführungsform umfasst die Bewertungsverarbeitungseinheit (110) die Bewertung der Leistung des trainierten linearen Regressionsmodells auf der Grundlage der Metriken, nämlich Genauigkeit, Präzision usw.
In einer Ausführungsform verwendet die Visualisierungsverarbeitungseinheit (112) verschiedene Werkzeuge zur Visualisierung der vorhergesagten Ausgabe, nämlich Streudiagramme, Histogramme und Heatmaps, um die Daten zu untersuchen und Muster oder Beziehungen zu identifizieren.
In einer Ausführungsform sind die Sammlungsverarbeitungseinheit (102), die Vorverarbeitungseinheit (104), die Extraktionsverarbeitungseinheit (106), die Trainingsverarbeitungseinheit (108), die Bewertungsverarbeitungseinheit (110), die Visualisierungsverarbeitungseinheit (112). kann in programmierbaren Hardwaregeräten wie Prozessoren, digitalen Signalprozessoren, Zentraleinheiten, feldprogrammierbaren Gate-Arrays, programmierbarer Array-Logik, programmierbaren Logikgeräten, Cloud-Verarbeitungssystemen oder dergleichen implementiert werden.
Das vorgeschlagene System zielt darauf ab, eine auf maschinellem Lernen (ML) basierende Lösung zur präzisen Vorhersage der Sonneneinstrahlung zu entwickeln und deren Einsatz in der Praxis zu untersuchen. Für den effektiven Betrieb und die Planung solarbasierter Systeme sind genaue Prognosen erforderlich, da die Sonneneinstrahlung eine wichtige Rolle bei der Erzeugung erneuerbarer Energie spielt. Um einen vollständigen Datensatz für diese Erfindung zu erstellen, werden historische Sonnenstrahlungsdaten zusammen mit relevanten Umwelteigenschaften gesammelt. Die Leistung der verschiedenen Modelle des maschinellen Lernens (ML), einschließlich Support-Vektor-Maschinen, Random Forests und neuronaler Netze, wird verglichen, um das Modell zu finden, das die Sonneneinstrahlung am genauesten vorhersagt.
Um die Belastbarkeit und Generalisierbarkeit des Modells zu gewährleisten, wird ein gründliches Kreuzvalidierungsverfahren eingesetzt. Das ausgewählte MI,-Modell wird angepasst und verfeinert, um die beste Genauigkeit zu erreichen und Vorhersagefehler zu reduzieren. Um die Elemente zu verstehen, die die Muster der Sonnenstrahlung steuern, wird auch eine Analyse der Merkmalsbedeutung durchgeführt. Um die Wirksamkeit des Modells zu bestimmen, wird seine Leistung statistisch gemessen und mit anderen Prognosesystemen verglichen.
Das vorgeschlagene auf maschinellem Lernen basierende System kann in praktischen Situationen eingesetzt werden, beispielsweise in Solarenergieanlagen und intelligenten Stromnetzen. Das vorgeschlagene System umfasst eine benutzerfreundliche Schnittstelle, die eine einfache Interaktion und Interpretation der klassifizierten Vorhersage durch relevante Interessengruppen ermöglichen soll.
In einer Ausführungsform werden die ersten Rohdaten gesammelt, wobei in dieser Erfindung; Es werden die Echtzeitdatensätze von Kaggle und Kdnegget verwendet. Die Datensätze enthalten eine Vielzahl von Attributen. Daher ist es wichtig zu bestimmen, welcher Datensatz und welches Merkmal zu einer höheren Genauigkeit beitragen könnte.
In einer Ausführungsform weisen die gesammelten Daten mehrere Nachteile auf, wie z. B. fehlende Werte, bei denen es sich im Datensatz um einige Nullwerte handelt, und Ausreißer, bei denen es sich um wenige Ausreißer im Datensatz handelt. Diese Probleme werden durch Vorverarbeitung des Datensatzes gelöst, wobei fehlende Werte behandelt werden, indem sie aus dem Datensatz gelöscht oder mit Nullen aufgefüllt werden, und Ausreißer mithilfe des Z-Scores behandelt werden. Es wird eine Typumwandlung jeder Spalte hinsichtlich des erforderlichen Formats durchgeführt. Der Vorverarbeitungsschritt ist entscheidend für die Sicherstellung der Datenqualität und der Genauigkeit des Modells.
Merkmalsauswahl oder Merkmalsextraktion: Nachdem die Daten bereinigt und vorverarbeitet wurden, müssen relevante Merkmale aus den Daten extrahiert werden. Bei der Merkmalsextraktion geht es darum, die relevantesten Variablen auszuwählen, die dem Algorithmus für maschinelles Lernen dabei helfen können, Muster in den Daten zu lernen. Dies könnte Techniken wie die Hauptkomponentenanalyse (PCA), die Merkmalsskalierung oder die Merkmalsauswahl umfassen.
Sobald die Daten vorverarbeitet und Merkmale extrahiert wurden, muss der Datensatz in Trainings- und Testsätze aufgeteilt werden. Der Trainingssatz wird zum Trainieren des maschinellen Lernmodells verwendet, während der Testsatz zur Bewertung der Leistung des Modells verwendet wird.
Nachdem die Daten in Trainings- und Testsätze aufgeteilt wurden, besteht der nächste Schritt darin, das Modell für maschinelles Lernen zu trainieren. Dies könnte die Verwendung von Algorithmen wie der linearen Regression beinhalten. Das Modell verwendet die ausgewählten Features, um die Beziehung zwischen den Features und der Zielvariablen zu lernen.
Nach dem Training des maschinellen Lernmodells ist es wichtig, seine Leistung auf dem Testsatz zu bewerten. Dies könnte die Verwendung von Metriken wie Genauigkeit und die Fähigkeit zur Verallgemeinerung neuer Daten beinhalten. Die Bewertung des Modells für maschinelles Lernen liefert Einblicke in die Leistung des Modells und ermöglicht etwaige erforderliche Anpassungen. Die Bewertungsmetriken, die zur Bewertung der Leistung des Modells verwendet werden, können Genauigkeit, Präzision usw. umfassen.
Die Datenvisualisierung ist ein wichtiger Schritt in jedem maschinellen Lernprojekt. Dabei werden visuelle Tools wie Streudiagramme, Histogramme und Heatmaps verwendet, um die Daten zu untersuchen und Muster oder Beziehungen zu identifizieren. Die Visualisierung kann bei der Merkmalsauswahl und der Bestimmung der wichtigsten Merkmale hilfreich sein.
In einer Ausführungsform gibt es beim maschinellen Lernen mehrere Datenmodelle, die zur Vorhersage des Umsatzes mit Sonnenstrahlung verwendet werden können.
Lineare Regression: Die lineare Regression ist ein weit verbreitetes statistisches Modell zur Vorhersage einer kontinuierlichen Zielvariablen basierend auf einer oder mehreren Eingabevariablen. Anhand von Informationen über die Umgebung, wie Temperatur, Luftfeuchtigkeit, Windgeschwindigkeit und Wolkenbedeckung, kann eine lineare Regression verwendet werden, um zu bestimmen, wie viel Sonnenstrahlung vorhanden sein wird. Das Modell geht von einer linearen Beziehung zwischen den Eingabevariablen und der Zielvariablen aus und generiert Koeffizienten, die den Daten am ehesten entsprechen, um Vorhersagen zu treffen. Der Einfluss jeder Eingangsgröße auf die Prognose der Sonneneinstrahlung wird über nachvollziehbare Koeffizienten aus der linearen Regression dargestellt. Es kann jedoch sein, dass komplexe nichtlineare Zusammenhänge in den Daten übersehen werden.
Der Random Forest Regressor ist ein Ensemble-Modell für maschinelles Lernen, das Vorhersagen durch die Kombination verschiedener Entscheidungsbäume trifft. Der Random-Forest-Regressor kann die Menge der Sonneneinstrahlung genau vorhersagen, indem er eine Reihe von Umweltfaktoren und deren Wechselwirkung berücksichtigt. Das Modell wird als Sammlung mehrerer Entscheidungsbäume implementiert, die jeweils auf einer bestimmten Datenstichprobe und einer Teilmenge zufällig ausgewählter Eingabevariablen trainiert werden. Die endgültige Prognose ist der Durchschnitt aller Vorhersagen jedes einzelnen Baums. Der Random Forest Regressor ist bekannt für seine Fähigkeit, nichtlineare Verbindungen zu verwalten, komplexe Interaktionen aufzuzeichnen und genaue Vorhersagen zu generieren. Es kann hochdimensionale Daten mit mehreren Eingabevariablen verarbeiten und ist weniger anfällig für Überanpassungen als ein einzelner Entscheidungsbaum.
Zur Vorhersage der Sonneneinstrahlung werden häufig Methoden wie die lineare Regression und der Random-Forest-Regressor verwendet. Während die lineare Regression unkompliziert und leicht zu verstehen ist, bietet die Random-Forest-Regression mehr Flexibilität und eine verbesserte Leistung bei der Erfassung nichtlinearer Verbindungen. Welches der beiden Modelle angewendet werden sollte, hängt von den spezifischen Eigenschaften des Datensatzes, der Komplexität der Beziehungen zwischen den Eingabevariablen und der Zielvariablen sowie dem beabsichtigten Kompromiss zwischen Interpretierbarkeit und Vorhersagegenauigkeit ab. Es wird empfohlen, beide Modelle zu testen und ihre Leistung anhand seriöser Bewertungskriterien zu bewerten, bevor Sie das Modell auswählen, das für die Vorhersage der Sonneneinstrahlung am nützlichsten ist.
In einer Ausführungsform kann ein beliebter maschineller Lernansatz namens Random Forest Regression zur Vorhersage der Sonneneinstrahlung verwendet werden. Eine Reihe von Indikatoren kann verwendet werden, um die Effizienz des Random-Forest-Modells zu bewerten. Genauigkeit ist ein typisches Bewertungskriterium für Random-Forest-Modelle. Der Prozentsatz der Fälle, die aus allen Beispielen richtig klassifiziert wurden, wird als Genauigkeit bezeichnet.
2 zeigt ein Blockdiagramm einer umfassenden Vorrichtung zur Vorhersage der Sonneneinstrahlung gemäß einer Ausführungsform der vorliegenden Offenbarung. Die Vorrichtung (200) umfasst ein Multisensor-Array (202), das sowohl die direkte Sonnenstrahlung als auch begleitende Umweltfaktoren erfassen soll, wobei jeder Sensor zur Optimierung der Datengenauigkeit kalibriert ist.
In einer Ausführungsform ist das Hochleistungsspeichersystem (204) mit fehlertoleranten Mechanismen für die Archivierung großer Mengen an Roh- und verarbeiteten Daten ausgelegt.
In einer Ausführungsform wird ein FPGA (Field-Programmable Gate Array) betriebener Vorverarbeitungs-Chipsatz (206) verwendet, der auf die Datenbereinigung in Echtzeit spezialisiert ist, einschließlich der Entfernung von Ausreißern, dem Auffüllen von Nullwerten und der Typumwandlung.
In einer Ausführungsform ist eine dedizierte ASIC-Einheit (Application-Specific Integrated Circuit) (208) auf Hochgeschwindigkeits-Merkmalsextraktionsprozesse wie PCA und Merkmalsskalierung zugeschnitten.
In einer Ausführungsform ist ein Hardwarebeschleuniger (210) für ein neuronales Netzwerk für lineare Regressionsoperationen optimiert, um Modelltrainings- und Vorhersageaufgaben für maschinelles Lernen zu beschleunigen.
In einer Ausführungsform wird ein Echtzeit-Bewertungs-Chipsatz (212) einem Benchmarking unterzogen, um Leistungsmetriken für maschinelles Lernen, einschließlich Genauigkeit und Präzision, zu bewerten.
In einer Ausführungsform wird ein hochauflösendes Anzeigesystem (214) mit Augmented-Reality-Funktionen (AR) verwendet, um vorhergesagte Ergebnisse in 3D zu visualisieren und die Auswirkung primärer Merkmale auf die Vorhersagen darzustellen.
In einer Ausführungsform ist das Multisensor-Array (202) mit IoT-Funktionen ausgestattet, die die Datenübertragung an entfernte Datenbanken, einschließlich Datensätzen wie Kaggle, erleichtern.
In einer Ausführungsform ermöglicht der FPGA-Vorverarbeitungs-Chipsatz (206) Echtzeitanpassungen basierend auf der Qualität eingehender Daten und stellt eine konsistente Datenintegrität sicher.
In einer Ausführungsform verfügt der Hardwarebeschleuniger (210) des neuronalen Netzwerks über Selbstlernfähigkeiten, die es ihm ermöglichen, Modellparameter dynamisch anzupassen, wenn mehr Daten verfügbar werden.
In einer Ausführungsform umfasst die Vorrichtung (200) außerdem ein audiovisuelles Feedbacksystem (216), wobei Benutzer sofortiges akustisches und visuelles Feedback bezüglich der Vorhersagequalität und Datenanomalien erhalten.
In einer Ausführungsform wird das Speichersystem mit hoher Kapazität (204) durch Cloud-Synchronisierungsfunktionen erweitert, die eine Echtzeitsicherung und einen verteilten Datenzugriff ermöglichen.
In einer Ausführungsform umfasst das Gerät (200) außerdem ein energieeffizientes Energieverwaltungssystem (218), das für längere Betriebszeiträume in abgelegenen oder schwierigen Umgebungsbedingungen optimiert ist.
In einer Ausführungsform arbeitet die dedizierte ASIC-Einheit (208) zur Merkmalsextraktion in Echtzeit mit dem FPGA-Vorverarbeitungs-Chipsatz zusammen und verfeinert die Qualität und Relevanz der extrahierten Merkmale basierend auf dem laufenden Datenkontext.
In einer Ausführungsform umfasst das Gerät (200) außerdem eine benutzerfreundliche Schnittstelle (220), die eine einfache Konfiguration, Kalibrierung und Visualisierungsanpassungen gemäß Benutzerpräferenzen oder Anwendungsanforderungen ermöglicht.
Die Zeichnungen und die vorstehende Beschreibung geben Beispiele für Ausführungsformen. Fachleute werden erkennen, dass eines oder mehrere der beschriebenen Elemente durchaus zu einem einzigen Funktionselement kombiniert werden können. Alternativ können bestimmte Elemente in mehrere Funktionselemente aufgeteilt werden. Elemente einer Ausführungsform können zu einer anderen Ausführungsform hinzugefügt werden. Beispielsweise können die Reihenfolgen der hier beschriebenen Prozesse geändert werden und sind nicht auf die hier beschriebene Weise beschränkt. Darüber hinaus müssen die Aktionen eines Flussdiagramms nicht in der gezeigten Reihenfolge implementiert werden; Es müssen auch nicht unbedingt alle Handlungen ausgeführt werden. Auch solche Handlungen, die nicht von anderen Handlungen abhängig sind, können parallel zu den anderen Handlungen durchgeführt werden. Der Umfang der Ausführungsformen wird durch diese spezifischen Beispiele keineswegs eingeschränkt. Zahlreiche Variationen, ob explizit in der Spezifikation angegeben oder nicht, wie z. B. Unterschiede in Struktur, Abmessung und Materialverwendung, sind möglich. Der Umfang der Ausführungsformen ist mindestens so breit wie durch die folgenden Ansprüche angegeben.
Vorteile, andere Vorzüge und Problemlösungen wurden oben im Hinblick auf spezifische Ausführungsformen beschrieben. Allerdings sind die Vorteile, Vorzüge, Problemlösungen und alle Komponenten, die dazu führen können, dass Vorteile, Vorzüge oder Lösungen auftreten oder ausgeprägter werden, nicht als kritische, erforderliche oder wesentliche Merkmale oder Komponenten von anzusehen einzelne oder alle Ansprüche.
REFERENZEN

100: Ein intelligentes System zur Vorhersage der Sonneneinstrahlung.
102: Sammlungsverarbeitungseinheit
104: Vorverarbeitungseinheit
104a: Trainingsdaten
104b: Testdaten
106: Extraktionsverarbeitungseinheit
108: Trainingsverarbeitungseinheit
108a: lineares Regressionsmodell
110: Auswertungsverarbeitungseinheit
112: Visualisierungsverarbeitungseinheit
114: Benutzeroberfläche
202: Ein Multisensor-Array
204: Hochleistungsspeichersystem
206: Ein Fpga-Betriebener Vorverarbeitungs-Chipsatz
208: Dedizierte Asic- Einheit
210: Ein Neuronaler Netzwerk-Hardwarebeschleuniger
212: Ein Echtzeit-Evaluierungs-Chipsatz
214: Ein Hochauflösendes Anzeigesystem
216: Ein Audiovisuelles Feedbacksystem
218: Ein Energieeffizientes Energiemanagementsystem
220: Eine Benutzerfreundliche Oberfläche

Claims

Ein umfassendes Gerät zur Vorhersage der Sonneneinstrahlung, bestehend aus: ein Multisensor-Array, das sowohl die direkte Sonneneinstrahlung als auch begleitende Umweltfaktoren erfassen soll, wobei jeder Sensor zur Optimierung der Datengenauigkeit kalibriert ist; ein Speichersystem mit hoher Kapazität und fehlertoleranten Mechanismen, das für die Archivierung großer Mengen an Roh- und verarbeiteten Daten ausgelegt ist; ein FPGA-basierter Vorverarbeitungs-Chipsatz (Field-Programmable Gate Array), der auf die Datenbereinigung in Echtzeit spezialisiert ist, einschließlich der Entfernung von Ausreißern, dem Auffüllen von Nullwerten und der Typumwandlung; eine dedizierte ASIC-Einheit (Application-Specific Integrated Circuit), die auf Hochgeschwindigkeits-Merkmalsextraktionsprozesse wie PCA und Merkmalsskalierung zugeschnitten ist; ein Hardwarebeschleuniger für neuronale Netzwerke, der für lineare Regressionsoperationen optimiert ist, um das Training und die Vorhersage von Modellen für maschinelles Lernen zu beschleunigen; ein Echtzeit-Evaluierungs-Chipsatz, der zur Bewertung von Leistungsmetriken für maschinelles Lernen, einschließlich Genauigkeit und Präzision, bewertet wird; Und ein hochauflösendes Anzeigesystem mit Augmented-Reality-Funktionen (AR), um vorhergesagte Ergebnisse in 3D zu visualisieren und die Auswirkung primärer Merkmale auf die Vorhersagen darzustellen.
Vorrichtung nach Anspruch 1, wobei das Multisensor-Array mit IoT-Funktionen ausgestattet ist, die die Datenübertragung an entfernte Datenbanken, einschließlich Datensätzen wie Kaggle, erleichtern.
Vorrichtung nach Anspruch 1, wobei der FPGA-Vorverarbeitungs-Chipsatz Echtzeitanpassungen basierend auf der Qualität eingehender Daten ermöglicht und eine konsistente Datenintegrität gewährleistet.
Vorrichtung nach Anspruch 1, wobei der Hardwarebeschleuniger des neuronalen Netzwerks über Selbstlernfähigkeiten verfügt, die es ihm ermöglichen, Modellparameter dynamisch anzupassen, wenn mehr Daten verfügbar werden.
Vorrichtung nach Anspruch 1, die außerdem ein audiovisuelles Feedbacksystem umfasst, bei dem Benutzer sofortiges akustisches und visuelles Feedback bezüglich der Vorhersagequalität und Datenanomalien erhalten.
Vorrichtung nach Anspruch 1, wobei das Speichersystem mit hoher Kapazität durch Cloud-Synchronisierungsfunktionen erweitert ist, die eine Echtzeitsicherung und einen verteilten Datenzugriff ermöglichen.
Vorrichtung nach Anspruch 1, die außerdem ein energieeffizientes Energiemanagementsystem umfasst, das für längere Betriebszeiten in abgelegenen oder schwierigen Umgebungsbedingungen optimiert ist.
Vorrichtung nach Anspruch 1, wobei die dedizierte ASIC-Einheit zur Merkmalsextraktion in Echtzeit mit dem FPGA-Vorverarbeitungs-Chipsatz zusammenarbeitet und die Qualität und Relevanz der extrahierten Merkmale basierend auf dem laufenden Datenkontext verfeinert.
Vorrichtung nach Anspruch 1, das außerdem eine benutzerfreundliche Schnittstelle umfasst, die eine einfache Konfiguration, Kalibrierung und Visualisierungsanpassungen gemäß Benutzerpräferenzen oder Anwendungsanforderungen ermöglicht.