La energía solar fotovoltaica se ha consolidado como una de las fuentes de energía renovable más utilizadas en todo el mundo. En este contexto, los sistemas solares fotovoltaicos de diferentes capacidades están siendo aplicados en una amplia variedad de proyectos residenciales, comerciales e industriales. En este artículo, vamos a analizar detalladamente un sistema solar fotovoltaico de 30 kW utilizando la tecnología del aprendizaje automático. Descubriremos cómo esta técnica nos ayuda a optimizar el rendimiento y la eficiencia de este sistema, maximizando así los beneficios de la energía solar. ¡Sigue leyendo para conocer todos los detalles!

Título del Proyecto: Análisis de predicción y rendimiento de un sistema solar fotovoltaico de 30 kW mediante un algoritmo de regresión lineal de aprendizaje automático

El proyecto final sobre “Análisis de predicción y rendimiento de un sistema solar fotovoltaico de 30 kW utilizando un algoritmo de regresión lineal para aprendizaje automático” presentado por Kowsika NP (de la Facultad de Ingeniería y Tecnología del Gobierno de Alagappa Chettiar, Karaikudi) a extrudesign.com.

ABSTRACTO

El cambio global hacia fuentes de energía renovables (RES) ha estimulado el desarrollo de módulos fotovoltaicos (PV). Por ejemplo, los costes de generar electricidad a partir de módulos fotovoltaicos han disminuido significativamente y, al mismo tiempo, ha aumentado la eficiencia de la conversión de energía. Sin embargo, dado que la producción de energía de los módulos fotovoltaicos depende de las condiciones climáticas, como la nubosidad y la radiación solar, la producción de energía de los módulos fotovoltaicos es inestable. Aunque las técnicas de ML no son nuevas, la capacidad informática mejorada y la mayor disponibilidad de datos de alta calidad han hecho que las técnicas sean útiles para realizar pronósticos. La predicción de la energía solar está adquiriendo cada vez más importancia en el contexto de las fuentes de energía renovables y los algoritmos de aprendizaje automático desempeñan un papel importante en este ámbito.

Si bien el almacenamiento de energía de bajo costo ayudará a que la energía solar sea más ubicua y disponible, la previsión sigue siendo una herramienta rentable para integrar la energía solar a la red porque no requiere gastos de capital para permisos y equipos. Además, el funcionamiento económico de las baterías conectadas a la red requiere predicciones precisas de la variabilidad solar para seleccionar la estrategia de carga que utilice de manera óptima la energía solar disponible y evite ciclos excesivos del sistema de almacenamiento de energía.

Nuestro principal objetivo es predecir y analizar el rendimiento de una red solar de 30kW utilizando un algoritmo de aprendizaje automático de regresión lineal. Al predecir la potencia eléctrica, podemos conectar cargas según la potencia eléctrica. En este proyecto, utilizamos la radiación solar y la temperatura para analizar el rendimiento de la red solar. El rendimiento se analiza mediante índices de rendimiento: RMSE (error cuadrático medio), MAE (error absoluto medio), MSE (error cuadrático medio).

1. INTRODUCCIÓN

1.1 INTRODUCCIÓN DEL PROYECTO PARA ANALIZAR UN SISTEMA SOLAR FV DE 30KW

Además del calentamiento directo de la superficie terrestre, la radiación solar garantiza la renovación constante de la energía eólica, de las mareas y las olas, la energía hidroeléctrica y el gradiente térmico natural del océano. La energía solar es más que suficiente para cubrir todas las necesidades energéticas a nivel mundial. La energía solar está más o menos disponible en todos los países del mundo. Desde el estallido de la crisis energética mundial en 1973, el uso de la energía solar para generar energía térmica y eléctrica ha sido un foco constante. El uso de energía solar contribuye a reducir las emisiones de gases de efecto invernadero, reducir el consumo de combustibles fósiles y desarrollar industrias locales.

En los últimos años, las inversiones en investigación sobre la conversión fotovoltaica de la radiación solar para producir células solares de alta calidad pero rentables y otros componentes del sistema fotovoltaico han aumentado constantemente. Numerosas empresas y organizaciones compiten en la promoción y producción de sistemas fotovoltaicos. Hasta la fecha se han instalado en todo el mundo varios miles de sistemas solares fotovoltaicos que van desde 1 kW hasta varios cientos de megavatios.

La previsión de la energía solar implica recopilar y analizar datos para predecir la producción de energía solar en diferentes horizontes temporales para mitigar los efectos de las fluctuaciones solares. Los pronósticos de energía solar se utilizan para controlar eficientemente la red eléctrica y el comercio de electricidad.

La predicción y el análisis del rendimiento de los sistemas solares fotovoltaicos se realizan mediante aprendizaje automático. Ya que el aprendizaje automático no requiere intervención humana y detecta fácilmente tendencias y patrones.

1.2 OBJETIVO DEL ANÁLISIS DE UN SISTEMA SOLAR FV DE 30KW

Al predecir la potencia eléctrica, podemos conectar cargas según la potencia eléctrica. Sin embargo, dado que la producción de energía de los módulos fotovoltaicos depende de las condiciones climáticas, como la nubosidad y la radiación solar, la producción de energía de los módulos fotovoltaicos es inestable.

Nuestro principal objetivo del proyecto es predecir y realizar un análisis de rendimiento del sistema solar fotovoltaico de 30 kW instalado en nuestro departamento mediante un algoritmo de máquina de regresión lineal.

1.3 DECLARACIÓN DEL PROBLEMA

El rendimiento de la energía solar depende en gran medida de las condiciones climáticas. Los paneles solares son más productivos a bajas temperaturas. Las altas temperaturas reducen la potencia de salida de las células fotovoltaicas debido a la caída de tensión. Por lo tanto, un día fresco y soleado es una condición mucho mejor para que los módulos solares funcionen de manera óptima.

Al analizar el rendimiento del sistema solar fotovoltaico en función de la temperatura, podemos predecir la producción eléctrica efectiva.

2. ENCUESTA DE LITERATURA

2.1 ENCUESTA DE LITERATURA SOBRE EL ANÁLISIS DE UN SISTEMA SOLAR FV DE 30 KW MEDIANTE APRENDIZAJE AUTOMÁTICO

Dastan Hussen Maulud, Adnan Mohsin Abdulazeez (2016)

Uno de los algoritmos estadísticos y de aprendizaje automático más comunes y completos es la regresión lineal. La regresión lineal se utiliza para determinar una relación lineal entre uno o más predictores. Hay dos tipos de regresión lineal: regresión simple y regresión múltiple (MLR).

Este artículo analiza varios trabajos de varios investigadores sobre regresión lineal y regresión polinómica y compara su rendimiento utilizando el mejor enfoque para optimizar la predicción y la precisión. Casi todos los artículos analizados en esta revisión se centran en conjuntos de datos; Para determinar la eficiencia de un modelo se debe correlacionar con los valores reales obtenidos para las variables explicativas.

Suneel Raju Penderm, Suresh Mikkili (2021)

El objetivo principal del diseño de un sistema fotovoltaico (PV) es extraer la máxima potencia de los sistemas fotovoltaicos durante un largo período de tiempo. La cantidad de energía extraída del conjunto fotovoltaico puede verse influenciada por la temperatura, la radiación solar, la acumulación de polvo, la velocidad del viento, la configuración del conjunto fotovoltaico y los patrones de sombreado. A menudo, los paneles fotovoltaicos están total o parcialmente sombreados, lo que plantea un problema importante que puede reducir la potencia de salida de los paneles fotovoltaicos debido a pérdidas de energía no coincidentes entre los módulos fotovoltaicos y también presenta múltiples PowerPoints Máximos (MPP) en las características eléctricas (I – V y características P-V).

Rajib Baran Roy1, MD. Rokonuzzaman, Nowshad Amin, Saifur Rahman (2021)

Se presenta un análisis comparativo de los algoritmos en términos de desempeño al procesar el conjunto de datos entrenado. El entorno MATLAB/Simulink se utiliza para diseñar el sistema de recolección de energía de seguimiento del punto de máxima potencia, y la caja de herramientas de redes neuronales artificiales se utiliza para analizar el modelo desarrollado. El modelo propuesto está entrenado con 1000 conjuntos de datos de irradiancia solar, temperatura y voltajes. El 70% de los datos se utiliza para entrenamiento, mientras que el 15% de los datos se utiliza para validación y el 15% de los datos se utiliza para pruebas. El histograma de error de los conjuntos de datos entrenados representa error cero en las fases de entrenamiento, validación y prueba de la comparación de datos.

Dragana D. Milosavljević, Tomislav M. Pavlović, Danica S. Piršl

El artículo presenta datos básicos de un sistema solar fotovoltaico de 2 kW instalado en el edificio de la Facultad de Ciencias y Matemáticas, así como los equipos para estimar su rendimiento y eficiencia energética en función de las condiciones climáticas reales (inversor, sistema de comunicación, estación meteorológica automática). , etc.). El artículo tiene como objetivo aplicar los resultados obtenidos en la integración de la producción de energía solar en una red de transmisión para aumentar el uso de sistemas solares fotovoltaicos con fines comerciales en Serbia.

Emil Isaksson, Mikaël Karpe Condé (2018)

La creciente competitividad de los módulos solares fotovoltaicos como fuente de energía renovable ha provocado un aumento en el número de instalaciones de módulos fotovoltaicos en los últimos años. Mientras tanto, una mayor disponibilidad de datos y una mayor potencia informática permiten que los algoritmos de aprendizaje automático hagan mejores predicciones. Dado que para muchos actores de la industria energética es crucial predecir la producción de energía a partir de energía solar, se pueden utilizar modelos de series temporales y aprendizaje automático para este propósito.

3. SISTEMA PROPUESTO

3.1 DIAGRAMA DE BLOQUES DE UN SISTEMA SOLAR FV DE 30kW

3.2 EXPLICACIÓN DEL DIAGRAMA DE BLOQUES

• En un sistema solar fotovoltaico, los módulos solares generan corriente continua. Para alimentar la carga de la red pública, la corriente continua se convierte en corriente alterna mediante un inversor.
• El inversor dirige la salida de CA a cargas distribuidas.
• Para entrenar el modelo, los datos necesarios para entrenar el modelo se recopilan del inversor.
• El modelo está entrenado para analizar y predecir la potencia de salida de las entradas que damos.

4. SISTEMA SOLAR FV

4.1 RESUMEN

Un sistema fotovoltaico (PV) consta de uno o más paneles solares combinados con un inversor y otros dispositivos eléctricos y mecánicos que utilizan la energía del sol para generar electricidad. Los sistemas fotovoltaicos pueden variar mucho en tamaño, desde pequeños sistemas portátiles o de techo hasta enormes plantas de energía a escala de servicios públicos.

4.2 TRABAJO

La luz del sol, formada por paquetes de energía llamados fotones, incide sobre un panel solar y produce corriente eléctrica mediante un proceso llamado efecto fotovoltaico. Cada módulo produce relativamente poca energía, pero se puede conectar a otros módulos para producir mayores cantidades de energía como un sistema solar. La electricidad generada por un panel solar (o sistema solar) se presenta en forma de corriente continua (CC). Aunque muchos dispositivos electrónicos, incluidos su teléfono o computadora portátil, usan corriente continua, están diseñados para funcionar en la red eléctrica, que suministra (y requiere) corriente alterna (CA). Para que la energía solar sea utilizable, primero debe convertirse de corriente continua a corriente alterna mediante un inversor. Esta corriente alterna del inversor puede utilizarse para alimentar localmente dispositivos electrónicos o inyectarse a la red eléctrica.

4.3 COMPONENTES

4.3.1 PANEL SOLAR

Un panel solar consta de muchas células solares con propiedades semiconductoras encapsuladas en un material para protegerlo del medio ambiente. Estas propiedades permiten a la célula capturar la luz, más específicamente los fotones del sol, y convertir su energía en electricidad utilizable mediante un proceso llamado efecto fotovoltaico. A ambos lados del semiconductor hay una capa de material conductor que “recoge” la corriente generada.

4.3.2 Inversor

Un inversor es un dispositivo eléctrico que toma corriente eléctrica en forma de corriente continua (DC) y la convierte en corriente alterna (AC). En los sistemas de energía solar, esto significa que la corriente continua del sistema solar pasa a través de un inversor, que la convierte en corriente alterna. Esta conversión es necesaria para el funcionamiento de la mayoría de dispositivos eléctricos o la conexión a la red eléctrica.

4.4 SISTEMA SOLAR FV EN NUESTRO DEPARTAMENTO 4.4.1 PANEL SOLAR

4.4.1. Panel solar

4.4.2 ESPECIFICACIÓN DEL PANEL SOLAR

Potencia máxima (vatios)	325
Voltaje de circuito abierto (voltios)	46
Corriente de cortocircuito (amperios)	9.25
Tensión puntual máxima (voltios)	37.1
Corriente puntual máxima (amperios)	8.77
Fusible serie máximo (amperios)	15
Voltaje máximo del sistema (voltios)	1000
Potencia de salida (vatios)	-0/+4,99W
STC	1000 W/M al cuadrado, AM 1,5, 25 grados centígrados

4.4.3 Datos recopilados

• Se recopilaron casi 170 registros. La potencia de salida es recogida por el inversor del sistema solar fotovoltaico de 30 kW instalado en nuestro campus.
• La NASA recopiló la irradiancia y la temperatura utilizando datos de las mismas fechas en que se recopiló la energía de salida.

5. APRENDIZAJE MÁQUINA

5.1 DEFINICIÓN DE APRENDIZAJE MÁQUINA

El aprendizaje automático hace que las computadoras se programen por sí mismas. Si la programación es automatización, entonces el aprendizaje automático automatiza el proceso de automatización.

5.2 ELEMENTOS CLAVE

Cada algoritmo de aprendizaje automático consta de tres componentes:

• Representación: cómo representar el conocimiento. Los ejemplos incluyen árboles de decisión, conjuntos de reglas, instancias, modelos gráficos, redes neuronales, máquinas de vectores de soporte, conjuntos de modelos y otros.
• Evaluación: la forma de evaluar los programas candidatos (hipótesis). Los ejemplos incluyen precisión, predicción y recuperación, error al cuadrado, probabilidad, probabilidad posterior, costo, margen, divergencia de entropía kL y otros.
• Mejoramiento: La forma en que se generan los programas candidatos se denomina proceso de búsqueda. Por ejemplo, optimización combinatoria, optimización convexa, optimización restringida.

5.3 TIPOS DE APRENDIZAJE

• Aprendizaje supervisado: (también llamado aprendizaje inductivo) los datos de capacitación incluyen los resultados deseados. Esto no es spam, el aprendizaje es monitoreado.
• Aprendizaje no supervisado: los datos de entrenamiento no contienen los resultados deseados. El ejemplo es la agrupación. Es difícil decir qué es un buen aprendizaje y qué no.
• Aprendizaje semisupervisado: los datos de entrenamiento contienen algunos resultados deseados.
• Aprendizaje por refuerzo: recompensas de una secuencia de acciones. A los chicos de IA les gusta, es la forma más ambiciosa de aprender.
• Clasificación: cuando la función aprendida es discreta.
• Regresión: cuando la función aprendida es continua.
• Estimación de probabilidad: cuando la salida de la función es una probabilidad.

5.4 REGRESIÓN LINEAL

La regresión lineal es un modelo lineal que supone una relación lineal entre las variables de entrada (x) y la variable de salida única (y). Más específicamente, y se puede calcular a partir de una combinación lineal de las variables de entrada (x).

Una línea se muestra gráficamente sobre una serie de puntos.

5.5 Representación del modelo de regresión lineal

La representación es una ecuación lineal que combina un conjunto dado de valores de entrada (x), cuya solución es la salida prevista para ese conjunto de valores de entrada (y). Por tanto, tanto los valores de entrada (x) como el valor de salida son numéricos.

La ecuación lineal asigna un factor de escala a cada valor de entrada o columna, llamado coeficiente, representado por la letra griega mayúscula beta (B). También se agrega un coeficiente adicional que le da a la línea un grado adicional de libertad (por ejemplo, moverse hacia arriba y hacia abajo en un gráfico bidimensional) y a menudo se denomina coeficiente de intersección o sesgo.

Por ejemplo, para un problema de regresión simple (una sola x y una sola y), el modelo se vería así:

y = b0 + b1*x……. (1)

Los valores b0 y b1 deben elegirse de manera que minimicen el error. Cuando se utiliza la suma de cuadrados del error como métrica para evaluar el modelo, el objetivo es obtener la línea que mejor reduzca el error.

…….(2)

En dimensiones superiores, cuando tenemos más de una entrada (x), la línea se llama plano o hiperplano. Por lo tanto, la representación tiene la forma de la ecuación y los valores específicos utilizados para los coeficientes (por ejemplo, b0 y b1 en el ejemplo anterior).

La regresión lineal se refiere al número de coeficientes utilizados en el modelo. La fórmula del coeficiente.

………. (3)

Cuando un coeficiente se vuelve cero, la influencia de la variable de entrada en el modelo y, por tanto, en la predicción realizada por el modelo, se elimina efectivamente (0 * x = 0). Esto se vuelve relevante cuando se analizan los métodos de regularización que modifican el algoritmo de aprendizaje para reducir la complejidad de los modelos de regresión al ejercer presión sobre el tamaño absoluto de los coeficientes, llevando algunos a cero.

En nuestro proyecto tomamos
Variable independiente – irradiancia, temperatura
Variable dependiente – potencia de salida

6 RESULTADO DE LA SIMULACIÓN

6.1 DIAGRAMA DE FLUJO

Fig. 6.1.1 Diagrama de flujo

6.2 MÉTODO DE ANÁLISIS DE UN SISTEMA SOLAR FV DE 30KW MEDIANTE APRENDIZAJE MÁQUINA

En este proyecto, la regresión lineal se realiza en MATLAB. El proceso paso a paso para predecir y analizar el rendimiento en función de los datos que recopilamos (por ejemplo, irradiancia, temperatura y potencia de salida).

Paso 1: Abra el software MATLAB y debemos importar los datos recopilados en formato CSV haciendo clic en «Importar datos».

Paso 2: abra «Aprendiz de regresión» desde las aplicaciones presentes en la barra de herramientas.

Paso 3: se abrirá una nueva pestaña. Haga clic en Nueva sesión en la barra de herramientas.

Paso 4: Necesitamos seleccionar los predictores y la respuesta (variable dependiente).

Paso 5: entrena el modelo con los datos que subimos.

Paso 6: También podemos verificar el error usando el predictor en comparación con el gráfico real. Si el error es pequeño, todos los puntos están casi cerca de la línea.

Paso 7: Una vez entrenado el modelo, el modelo predecirá la respuesta (aquí, la potencia de salida) para los datos de irradiancia y temperatura que proporcionamos.

Temperatura versus potencia de salida

Irradiancia versus potencia de salida

Paso 8: Podemos ver el error entre el valor previsto y el valor real en el gráfico.

7 CONCLUSIÓN Y TRABAJO FUTURO

7.1 CONCLUSIÓN PARA EL ANÁLISIS DE UN SISTEMA SOLAR FV DE 30KW

El mayor desafío en la producción de energía solar es la volatilidad intermitente de la generación de electricidad a partir de sistemas fotovoltaicos, que se debe principalmente a las condiciones climáticas. Por lo tanto, una previsión precisa de la generación de energía fotovoltaica se vuelve esencial para reducir el impacto de la incertidumbre y los costos de energía y permitir la integración adecuada de los sistemas fotovoltaicos en una red inteligente. En este proyecto, el conjunto de datos necesarios para entrenar el modelo recopila la potencia de salida del inversor del sistema solar fotovoltaico de 30 kW instalado en nuestro campus. La NASA recopiló la irradiancia y la temperatura utilizando datos de las mismas fechas en que se recopiló la energía de salida. El conjunto de datos se utiliza para entrenar el modelo en MATLAB mediante un algoritmo de regresión lineal. Una vez entrenado el modelo, proporcionó un valor predicho a las entradas (predictores) que ingresamos.

7.1.1 RESULTADOS: Irradiancia versus potencia de salida

Temperatura versus potencia de salida

Aquí, los puntos azules representan el valor real y los puntos amarillos representan el valor predicho. El resultado del modelo predicho se muestra en la Fig. 7.1.1.3

7.2 TRABAJO FUTURO

En nuestro proyecto se consigue casi un 60% de eficiencia. En el futuro, aumentaremos la eficiencia aumentando la cantidad de datos necesarios para la capacitación e implementando diversas técnicas de aprendizaje automático.

REFERENCIA

1. https://sci-hub.hkvisa.net/10.1016/j.rser.2014.12.031
2. https://www.geeksforgeeks.org/ml-advantages-and-disadvantages-of-linear-regression/
3. https://machinelearningmastery.com/linear-regression-for-machine-learning/
4. https://energyeducation.ca/encyclopedia/Photovoltaic_system
5. https://www.sciencedirect.com/science/article/abs/pii/S13640321 14010831
6. www.morganclaypoolpublishers.com
7. https://www.sciencedirect.com/science/article/abs/pii/S15684946 14005857
8. https://machinelearningmastery.com/basic-concepts-in-machine-learning/
9. www.genusinnovation.com
10. https://power.larc.nasa.gov/data-access-viewer/
11. https://towardsdatascience.com/linear-regression-detailed-view-ea73175f6e86
12. Una descripción general de la regresión lineal integral en el aprendizaje automático Dastan Hussen Maulud1, *, Adnan Mohsin Abdulazeez (2020)https://jastt.org/index.php/jasttpath/article/download/57/20
13. Predicción del rendimiento de la energía solar fotovoltaica mediante técnica de aprendizaje automático; Dinh Van Tai 2019 J. Phys.: Conf. Ser. 1327 012051
14. Mehrbakhsh Nilashi, Othman bin Ibrahim, Hossein Ahmadi, Leila Shahmoradi Un método analítico para la predicción de enfermedades utilizando técnicas de aprendizaje automático, Computación e ingeniería química, volumen 106, 2017, páginas 212-223, ISSN 0098-1354, https://doi.org /10.1016/j.compchemeng.2017.06.011.
15. Modelado, simulación y análisis de rendimiento de configuraciones de paneles solares fotovoltaicos (serie, serie-paralelo y panal) para obtener el máximo rendimiento en condiciones de sombra parcial; Suneel Raju Penderm, Suresh Mikkili (2021) https://www.sciencedirect.com/science/article/pii/S2352484717302378
16. A. Khosravi, RNN Koury, L. Machado, JJG Pabon, Predicción de la radiación solar por hora en la isla de Abu Musa utilizando algoritmos de aprendizaje automático, Journal of Cleaner Production, volumen 176, 2018, páginas 63-75, ISSN 0959-6526, https: / /doi.org/10.1016/j.jclepro.2017.12.065.
17. Modelado y análisis de rendimiento de un sistema de energía solar fotovoltaica bajo irradiancia y fluctuaciones de carga; FE Tahiri, Khalid Chikh, Mohamed Khafallah (2018) https://ieeexplore.ieee.org/abstract/document/8166952

Crédito: Este proyecto «Análisis de predicción y rendimiento de un sistema solar fotovoltaico de 30 kW mediante un algoritmo de regresión lineal de aprendizaje automático“fue realizado por KRITHIKAA KK, KOWSIKA NP y HARSHA M bajo la supervisión del Sr. S.Balamurugan y el Dr. K. BASKARAN (HOD) del Departamento de Ingeniería Eléctrica y Electrónica de la Facultad de Ingeniería y Tecnología del Gobierno de Alagappa Chettiar (karaikudi) completó.

Write a seo optimized article for a blog. Get inspired by the following content, Project Title: Prediction And Performance Analysis Of 30kW Solar Pv System Using Machine Learning Linear Regression Algorithm

The Final Year Project on “Prediction And Performance Analysis Of 30kW Solar Pv System Using Machine Learning Linear Regression Algorithm” submitted by Kowsika NP (from Alagappa Chettiar Government College Of Engineering And Technology, karaikudi) to extrudesign.com.

ABSTRACT
The global shift towards renewable energy sources (RES) has driven the development of photovoltaic (PV) panels. For example, the costs of producing electricity from PV panels have dropped significantly, while simultaneously increasing the energy conversion efficiency. However, since PV panel energy output depends on weather conditions such as cloud cover and solar irradiance, the energy output of the PV panels is unstable. Although ML techniques are nothing new, the improved computational capacity and the higher availability of quality data have made the techniques useful for forecasting. Forecasting solar energy is becoming an important issue in the context of renewable energy sources and Machine Learning Algorithms play an important role in this field.

While low-cost energy storage will help solar power become more ubiquitous and dispatchable, forecasting remains a cost-effective tool to integrate solar into the grid, since it doesn’t require capital expenditure for permits and equipment. What’s more, operating grid-connected batteries economically will require accurate forecasts of solar variability to select the charging strategy that takes maximum advantage of the available solar power and avoids undue cycling of the energy storage system.
Our main aim is to predict and analyze the performance of a 30Kw solar grid using a linear regression machine learning algorithm. By predicting the electrical output we will be able to connect loads according to the electrical output. In this project, we took solar irradiance and Temperature to analyze the performance of the solar grid. The performance is analyzed with performance indices- RMSE(Root Mean Squared Error), MAE(Mean Absolute Error), MSE(Mean Squared Error).
1. INTRODUCTION
1.1 INTRODUCTION OF PROJECT ON ANALYSIS OF 30KW SOLAR PV SYSTEM
Besides direct heating of the Earth’s surface, solar irradiation brings about the constant renewal of wind energy, tidal and wave power, hydropower, and the ocean’s natural thermal gradient. Solar energy is more than enough to meet all the energy needs worldwide. To a greater or lesser extent, solar energy is available in every country of the world. Since the outbreak of the world energy crisis in 1973, the use of solar energy for the production of thermal and electrical energy has been constantly in the focus of attention. The use of solar energy contributes to the greenhouse gas emissions reduction, fossil fuel consumption decrease, development of the local industry.

Over recent years there has been a constant increase of the investment in the research of photovoltaic conversion of solar radiation to produce high quality, yet cheap solar cells and other components of the photovoltaic systems. Numerous companies and organizations compete in the promotion and production of photovoltaic systems. Up to now, several thousands of solar PV plants of 1 kW to several hundreds of megawatts have been installed worldwide.

What are the Mechanical Comparators…Please enable JavaScript
Solar power forecasting is the process of gathering and analyzing data to predict solar power generation on various time horizons to mitigate the impact of solar intermittency. Solar power forecasts are used for efficient management of the electric grid and power trading.
Prediction and performance analysis of solar PV systems is done by means of machine learning. Since machine learning needs no human intervention and easily identifies trends and patterns.
1.2 OBJECTIVE OF ANALYSIS OF 30KW SOLAR PV SYSTEM
By predicting the electrical output we will be able to connect loads according to the electrical output. However, since PV panel energy output depends on weather conditions such as cloud cover and solar irradiance, the energy output of the PV panels is unstable.

Our main objective of the project is, Prediction and performance analysis of the 30 kW solar PV system installed in our department is done by linear regression machine algorithm.
1.3 PROBLEM STATEMENT
Solar power output highly depends on weather conditions. solar panels are more productive when temperatures are low. High temperatures reduce the power output of the PV cells due to voltage drop. Thus, a cool sunny day is a lot better condition for the optimal functioning of the solar panels.
By analyzing the performance of the solar PV system according to the temperature we will predict the effective electrical output.
2. LITERATURE SURVEY 

2.1 LITERATURE SURVEY ON ANALYSIS OF 30KW SOLAR PV SYSTEM USING MACHINE LEARNING
Dastan Hussen Maulud , Adnan Mohsin Abdulazeez (2016)
One of the most common and comprehensive statistical and machine learning algorithms is linear regression. Linear regression is used to find a linear relationship between one or more predictors. Linear regression has two types: simple regression and multiple regression (MLR).

This paper discusses various works by different researchers on linear regression and polynomial regression and compares their performance using the best approach to optimize prediction and precision. Almost all of the articles analyzed in this review are focused on datasets; to determine a model’s efficiency, it must be correlated with the actual values obtained for the explanatory variables.
Suneel Raju Penderm, Suresh Mikkili(2021)
The main design objective of the solar photovoltaic (PV) systems is to extract the maximum power from the PV systems for a long time. The amount of power extracted from the PV array can be affected by temperature, solar irradiation, dust accumulation, wind speed, PV array configuration, and shading pattern. Often, the PV arrays are completely or partially shadowed and have been recognized as a major challenging concern which can reduce the output power of PV arrays due to mismatching power loss between the PV modules and also represents multiple Maximum PowerPoints (MPPs) in the electrical characteristics (I–V and P–V characteristics).
Rajib Baran Roy1 , MD. Rokonuzzaman, Nowshad Amin, Saifur Rahman(2021)
A comparative analysis among the algorithms in terms of the performance of handling the trained dataset is presented. The MATLAB/Simulink environment is used to design the maximum power point tracking energy harvesting system and the artificial neural network toolbox is utilized to analyze the developed model. The proposed model is trained with 1000 datasets of solar irradiance, temperature, and voltages. Seventy percent of data is used for training, while 15% of data is employed for validation, and 15% of data is utilized for testing. The trained datasets error histogram represents zero error in the training, validation, and test phase of data matching.

Dragana D. Milosavljević ,Tomislav M. Pavlović , Danica S. Piršl
The article presents basic data on a 2 kW solar PV plant installed on the building of the Faculty of Sciences and Mathematics and the equipment for the estimation of its performance and energy efficiency depending on the real climate conditions (inverter, communication system, automatic meteorological station, etc.). The article aims to apply the obtained results in the integration of solar energy generation into a transmission network to increase the use of solar PV plants for commercial purposes in Serbia.

Emil Isaksson , Mikael Karpe Conde (2018)
The increased competitiveness of solar PV panels as a renewable energy source has increased the number of PV panel installations in recent years. In the meantime, higher availability of data and computational power have enabled machine learning algorithms to perform improved predictions. As the need to predict solar PV energy output is essential for many actors in the energy industry, machine learning and time series models can be employed towards this end.
3. PROPOSED SYSTEM
3.1 BLOCK DIAGRAM OF 30kW SOLAR PV SYSTEM
Fig 3.1.1 Block Diagram

3.2 BLOCK DIAGRAM EXPLANATION

In a solar PV system, DC power output is obtained from the solar panels. In order to supply the supply load, DC output is converted into AC by means of an inverter.From the inverter, AC output is given to distributed loadsIn order to train the model, data required to train the model is collected from the inverter.The model will train to analyze and predict the output power for the input we gave.
4. SOLAR PV SYSTEM
4.1 OVERVIEW
A photovoltaic (PV) system is composed of one or more solar panels combined with an inverter and other electrical and mechanical hardware that use energy from the Sun to generate electricity. PV systems can vary greatly in size from a small rooftop or portable systems to massive utility-scale generation plants.
4.2 WORKING
The light from the Sun is made up of packets of energy called photons, falls onto a solar panel, and creates an electric current through a process called the photovoltaic effect. Each panel produces a relatively small amount of energy but can be linked together with other panels to produce higher amounts of energy as a solar array. The electricity produced from a solar panel (or array) is in the form of direct current (DC). Although many electronic devices use DC electricity, including your phone or laptop, they are designed to operate using the electrical utility grid which provides (and requires) alternating current (AC). Therefore, for solar electricity to be useful it must first be converted from DC to AC using an inverter. This AC electricity from the inverter can then be used to power electronics locally, or be sent on to the electrical grid.

Fig: 4.2.1 Solar PV System

4.3 COMPONENTS
4.3.1 SOLAR PANEL
A solar panel consists of many solar cells with semiconductor properties encapsulated within a material to protect it from the environment. These properties enable the cell to capture light, or more specifically, the photons from the sun, and convert their energy into useful electricity through a process called the photovoltaic effect. On either side of the semiconductor is a layer of conducting material which “collects” the electricity produced.

4.3.2 INVERTER
An inverter is an electrical device that accepts electrical current in the form of direct current (DC) and converts it to alternating current (AC). For solar energy systems, this means the DC from the solar array is fed through an inverter which converts it to AC. This conversion is necessary to operate most electric devices or interface with the electrical grid.Fig 4.3.2.1 Inverter
4.4 SOLAR PV SYSTEM IN OUR DEPARTMENT 4.4.1 SOLAR PANEL
4.4.1. Solar Panel
Fig 4.4.1.1 Solar Panel
Fig 4.4.1.2 Solar Panel

4.4.2 SOLAR PANEL SPECIFICATION
Maximum Power (watt)325Open Circuit Voltage(volt)46Short Circuit Current (amp)9.25Maximum Point Voltage(volt)37.1Maximum Point Current (Amp)8.77Maximum Series Fuse(Amp)15Maximum System Voltage(volt)1000Output Power(watt)-0/+4.99wSTC1000W/M square, AM 1.5,25 degree Celsius

4.4.3 Data Collected
IrradianceTemperatureOutput Power(Wm-2)(ºC)(kW)549.2330.9413.1555.1331.1812.52557.131.4311.93561.0431.6713.35564.9731.9114.77597.2932.1215.15629.6232.3415.53661.9430.9818.48694.2632.7621.42660.6532.9122.87627.0533.0624.32593.4433.223.37559.8333.3522.42545.533.4322.67531.1733.522.91516.8333.5823.16502.533.6523.4458.1228.1318.91413.7427.3214.43369.3622.019.94324.9820.985.45280.3723.899.66235.7526.813.86191.1429.712.22146.5232.6110.58114.9121.657.4283.3120.134.25912.8428.9819.12904.729.9719.98896.5630.9620.83888.4131.9521.29880.2732.9422.36839.4133.0122.97798.5633.0924.12757.733.1625.28716.8433.2326.04528.3733.0523.4481.630.521.32434.8427.9519.24388.0725.3912.2341.322.845.15295.9224.169.51250.5423.513.86205.1526.0412.27159.7724.1510.68125.2323.917.4790.722.774.25615.9827.1519.46593.2828.3820.19570.5729.6220.91547.8730.8521.69525.1632.0822.47538.2232.2721.91551.2732.4621.34564.3332.6422.09577.3832.8322.83369.1430.2519.71IrradianceTemperatureOutput Power(Wm-2)(ºC)(kW)333.3626.5212.99297.5923.556.27261.8126.3511.39226.0328.5216.51185.9627.9915.4145.927.4514.28105.8326.3112.3265.7625.0510.3552.3723.999.1938.9939.368.03795.0732.9823.38800.0732.5422.76805.0630.8921.54810.0632.2422.01815.0533.5922.49802.2633.6122.54789.4733.6421.59776.6833.6623.08763.8933.6823.58725.5132.0924.12687.1230.524.66648.7430.1220.41610.3627.3216.16571.9724.0514.3533.5922.5212.44495.221.3610.59456.8232.248.73409.2132.018.74361.6131.778.7531431.547.8266.3931.36.85230.0631.066.09193.7430.825.33157.4130.584.96121.0830.344.5852.3729.884.438.9929.434.21513.9230.493.53458.430.423.87402.8830.344.21346.330.194.04289.7230.043.87233.1329.883.48176.5529.733.1136.5429.432.8193.5324.312.53622.931.518.46566.1931.398.03509.4831.277.6452.7631.157.53396.0531.037.46336.9430.847.02277.8430.646.58336.9430.847.02277.8430.646.58218.7330.455.46159.6230.254.33IrradianceTemperatureOutput Power(Wm-2)(ºC)(kW)98.123.813.7686.8622.453.18523.2729.1415.96471.2429.0317.77419.228.9319.58367.1728.8212.35315.1328.715.61267.7628.554.53220.428.393.45173.0328.226.13125.6628.068.8297.1427.818.1268.6127.567.41465.1831.2811.43423.5231.1711.37381.8531.0611.3340.1930.9510.1298.5230.8410.14250.2430.5911.9201.9630.3516.36153.6730.15.97105.3929.8511.5181.5925.517.9685.8264.4454.3230.5110.59411.3830.3813.7368.4430.2614.61325.530.1314.5282.563010.14236.9729.756.75191.3829.494.9168.5829.363.61100.1928.983.3776.8526.563.0753.524.132.86373.5123.584.92334.8423.528.56296.1823.465.45257.5123.41.63218.8423.341.63187.823.251.33156.7523.151.28125.7123.061.2394.6622.961.873.523.471.7852.3323.982.51472.1625.397.21428.9825.336.77385.8125.266.65342.6325.26.78299.4525.136.09250.2225.084.49200.9825.0311.2151.7524.978.25102.5124.925.2954.5324.664.0478.5225.16.73

Nearly 170 data sets were collected. Output power is collected from the inverter of the 30kW solar PV system installed in our campusIrradiance and Temperature were collected from NASA with data on the same dates as output power were collected
5. MACHINE LEARNING
5.1 DEFINITION OF MACHINE LEARNING
Machine Learning is getting computers to program themselves. If programming is automation, then machine learning is automating the process of automation.Fig 5.1.1 Machine Learning
5.2 KEY ELEMENTS
Every machine learning algorithm has three components:
Representation: how to represent knowledge. Examples include decision trees, sets of rules, instances, graphical models, neural networks, support vector machines, model ensembles and others.Evaluation: the way to evaluate candidate programs (hypotheses). Examples include accuracy, prediction and recall, squared error, likelihood, posterior probability, cost, margin, entropy k-L divergence and others.Optimization: the way candidate programs are generated known as the search Sprocess. For example combinatorial optimization, convex optimization, constrained optimization.
5.3 TYPES OF LEARNING
Supervised learning: (also called inductive learning) Training data includes desired outputs. This is spam this is not, learning is supervised.Unsupervised learning: Training data does not include desired outputs.Example is clustering. It is hard to tell what is good learning and what is not.Semi-supervised learning: Training data includes a few desired outputs.Reinforcement learning: Rewards from a sequence of actions. AI types like it,it is the most ambitious type of learning.Classification: when the function being learned is discrete.Regression: when the function being learned is continuous.Probability Estimation: when the output of the function is a probability.
5.4 LINEAR REGRESSION
Linear regression is a linear model that assumes a linear relationship between the input variables (x) and the single output variable (y). More specifically, that y can be calculated from a linear combination of the input variables (x).

It involves graphing a line over a set of points.Fig 5.4.1 Linear Regression Model
5.5 LINEAR REGRESSION MODEL REPRESENTATION
The representation is a linear equation that combines a specific set of input values (x) the solution to which is the predicted output for that set of input values (y). As such, both the input values (x) and the output value are numeric.
The linear equation assigns one scale factor to each input value or column, called a coefficient, and represented by the capital Greek letter Beta (B). One additional coefficient is also added, giving the line an additional degree of freedom (e.g. moving up and down on a two-dimensional plot) and is often called the intercept or the bias coefficient.
For example, in a simple regression problem (a single x and a single y), the form of the model would be:

y = b0 + b1*x ……. (1)
The values b0 and b1 must be chosen so that they minimize the error. If the sum of squared error is taken as a metric to evaluate the model, then the goal to obtain a line that best reduces the error
…….(2)
In higher dimensions when we have more than one input (x), the line is called a plane or a hyper-plane. The representation, therefore, is in the form of the equation and the specific values used for the coefficients (e.g. b0 and b1 in the above example)
Linear regression refers to the number of coefficients used in the model. The formula for coefficient,

………. (3)
When a coefficient becomes zero, it effectively removes the influence of the input variable on the model and therefore from the prediction made from the model (0 * x = 0). This becomes relevant if you look at regularization methods that change the learning algorithm to reduce the complexity of regression models by putting pressure on the absolute size of the coefficients, driving some to zero.

In our project, we takeIndependent variable – Irradiance, TemperatureDependent variable – Output power
6 SIMULATION RESULT
6.1 FLOW CHART
Fig 6.1.1 Flow Chart
Fig 6.1.1 Flow Chart
6.2 PROCEDURE FOR ANALYSIS OF ANALYSIS OF 30KW SOLAR PV SYSTEM USING MACHINE LEARNING
In this project linear regression is carried out in MATLAB. The step-by-step procedure to predict and analyze the performance using the data we collected (i.e) Irradiance, Temperature, and Output power.

Step 1: Open the MATLAB software and we have to import the data collected in .csv format by clicking the import data.Fig 6.2.1 Procedure – Step 1
Step 2: Open the “regression learner” from apps present in the toolbar.Fig 6.2.2 Procedure – Step 2
Step 3: A new tab will open. Click “new session” present in the toolbar.Fig 6.2.3 Procedure – Step 3
Step 4: We have to select the predictors and the response (dependant variable)Fig 6.2.4 Procedure – Step 4
Step 5: With the data we uploaded, train the model.

Fig 6.2.5 Procedure – Step 5
Step 6: we can also check the error using predictor vs. actual plot. If the error is small then all points are lying almost close to the line.

Fig 6.2.6 Procedure – Step 6
Step 7: After the model was trained, the model will predict the response(here output power) for the data we gave concerning Irradiance and Temperature.

Temperature VS Output powerFig 6.2.8 Procedure – Step 7(1)
Irradiance VS Output PowerFig 6.2.8 Procedure – Step 7(2)
Step 8: We can see the error between the predicted value and the true value in the graph.

Fig 6.2.9 Procedure – Step 8
7 CONCLUSION AND FUTURE WORK
7.1 CONCLUSION FOR ANALYSIS OF 30KW SOLAR PV SYSTEM
The major challenge in solar energy generation is the volatility intermittent of photovoltaic system power generation due mainly to weather conditions. Thus, accurate forecasting of photovoltaic power generation is becoming indispensable for reducing the effect of uncertainty and energy costs and enabling suitable integration of photovoltaic systems in a smart grid. In this project, for the data set required to train the model Output power is collected from the inverter of the 30kW solar PV system installed on our campus. Irradiance and Temperature were collected from NASA with data on the same dates as output power was collected. With the data set, the model is trained in MATLAB using a linear regression algorithm. After the model was trained it gave predicted value to the input (predictors) we gave.

7.1.1 RESULTS: Irradiance VS Output power
Fig 7.1.1 Predicted Model 1

Temperature VS Output PowerFig 7.1.1.2 Predicted Model 2
Here the blue dots represent actual value and yellow dots represent predicted value. The result from the predicted model is shown in fig 7.1.1.3

Fig 7.1.1.3 Result from predicted model
7.2 FUTURE WORK
In our project, nearly 60% of the efficiency is achieved. In the future, we will increase efficiency by increasing the number of data required for training and implementing different machine learning techniques.

REFERENCE
https://sci-hub.hkvisa.net/10.1016/j.rser.2014.12.031https://www.geeksforgeeks.org/ml-advantages-and-disadvantages-of-linear- regression/https://machinelearningmastery.com/linear-regression-for- machine-learning/https://energyeducation.ca/encyclopedia/Photovoltaic_systemhttps://www.sciencedirect.com/science/article/abs/pii/S13640321 14010831www.morganclaypoolpublishers.comhttps://www.sciencedirect.com/science/article/abs/pii/S15684946 14005857Https://machinelearningmastery.com/basic-concepts-in-machine- learning/www.genusinnovation.comhttps://power.larc.nasa.gov/data-access-viewer/https://towardsdatascience.com/linear-regression-detailed-view-ea73175f6e86A Review on Linear Regression Comprehensive in Machine Learning Dastan Hussen Maulud1, * , Adnan Mohsin Abdulazeez (2020)https://jastt.org/index.php/jasttpath/article/download/57/20Solar photovoltaic power output forecasting using machine learning technique ; Dinh Van Tai 2019 J. Phys.: Conf. Ser. 1327 012051Mehrbakhsh Nilashi, Othman bin Ibrahim, Hossein Ahmadi, Leila Shahmoradi An analytical method for diseases prediction using machine learning techniques, Computers & Chemical Engineering, Volume 106, 2017, Pages 212-223, ISSN 0098-1354,https://doi.org/10.1016/j.compchemeng.2017.06.011.Modeling, simulation and performance analysis of solar PV array configurations (Series, Series–Parallel and Honey-Comb) to extract maximum power under Partial Shading Conditions; Suneel Raju Penderm, Suresh Mikkili(2021)https://www.sciencedirect.com/science/article/pii/S2352484717302378A. Khosravi, R.N.N. Koury, L. Machado, J.J.G. Pabon, Prediction of hourly solar radiation in Abu Musa Island using machine learning algorithms, Journal of Cleaner Production,Volume 176, 2018, Pages 63-75, ISSN 0959- 6526,https://doi.org/10.1016/j.jclepro.2017.12.065.Modeling and performance analysis of a solar PV power system under irradiation and load variations;F. E. Tahiri , Khalid Chikh, Mohamed Khafallah (2018)https://ieeexplore.ieee.org/abstract/document/8166952
Credit: This Project “Prediction And Performance Analysis Of 30kW Solar Pv System Using Machine Learning Linear Regression Algorithm” was completed by KRITHIKAA KK, KOWSIKA NP, and HARSHA M under the supervision of Mr.S.Balamurugan and Dr. K. BASKARAN (HOD) from the Department of Electrical And Electronics Engineering of Alagappa Chettiar Government College Of Engineering And Technology karaikudi.

. Write this article in html format for a web page, with

,

, , ,

,
1. tags. Contain frequently asked questions. Do not insert images. Remove
   

   tags. Add within the text, external reference links to relevant sources. Write the content in Spanish.

   Related Posts:

   • Análisis y clasificación de la calidad del grano…
   • Sistema de control automático de puertas de ferrocarril
   • ANÁLISIS DE TENSIONES RESIDUALES DE JUNTAS SOLDADAS…
   • Cargador móvil solar y análisis de eficiencia de…
   • Sistema de monitorización remota de pacientes a…
   • Mecanismo de aprendizaje multitarea para el…