Abstract Intensity of solar irradiance directly affects solar power generation and this makes solar irradiance forecasting a vital process in energy management systems. Existing forecasting systems show positive solar irradiance forecasting performance, but most of them are not accurate in real-life especially when there are fast-moving clouds, causing highly fluctuating solar irradiance profile, which is difficult to predict. Moreover, the requirement to pre-train Artificial Intelligence-based forecasting system has made solar irradiance forecasting impractical as long-hour weather profiles need to be collected prior to deployment. This paper proposes a new artificial intelligent algorithm namely the Regression Enhanced Incremental Self-organising Neural Network (RE-SOINN) for accurate (even for highly fluctuating profile) and adaptive solar irradiance forecasting. This algorithm works by learning the time-series solar irradiance data incrementally and predicting it in real-time. It is novel in terms of enabling the learning of data from discrete (as in the conventional) to continuous using the regression method. The proposed algorithm further improves the prediction accuracy by decomposing the input data into two components (low and high frequency components) before feeding into the RE-SOINNs. Results showed that the proposed algorithm achieves higher accuracy compared to the Persistence model, Exponential Smoothing Model and Artificial Neural Networks.

中文翻译：

---

一种用于太阳辐照度预测的回归无监督增量学习算法

摘要 太阳辐照强度直接影响太阳能发电，这使得太阳辐照度预测成为能源管理系统中至关重要的过程。现有的预报系统对太阳辐照度的预报效果较好，但在现实生活中大多不准确，尤其是在有快速移动的云层时，导致太阳辐照度分布高度波动，难以预测。此外，对基于人工智能的预测系统进行预训练的要求使得太阳辐照度预测不切实际，因为在部署之前需要收集长时间的天气状况。本文提出了一种新的人工智能算法，即回归增强增量自组织神经网络 (RE-SOINN)，用于准确（即使对于高度波动的剖面）和自适应太阳辐照度预测。该算法的工作原理是逐步学习时间序列太阳辐照度数据并对其进行实时预测。在使用回归方法将数据从离散（如传统）学习到连续数据方面，它是新颖的。所提出的算法通过在馈入 RE-SOINN 之前将输入数据分解为两个分量（低频和高频分量），进一步提高了预测精度。结果表明，与持久性模型、指数平滑模型和人工神经网络相比，所提出的算法具有更高的精度。该算法的工作原理是逐步学习时间序列太阳辐照度数据并对其进行实时预测。在使用回归方法将数据从离散（如传统）学习到连续数据方面，它是新颖的。所提出的算法通过在馈入 RE-SOINN 之前将输入数据分解为两个分量（低频和高频分量），进一步提高了预测精度。结果表明，与持久性模型、指数平滑模型和人工神经网络相比，所提出的算法具有更高的精度。该算法的工作原理是逐步学习时间序列太阳辐照度数据并对其进行实时预测。在使用回归方法将数据从离散（如传统）学习到连续数据方面，它是新颖的。所提出的算法通过在馈入 RE-SOINN 之前将输入数据分解为两个分量（低频和高频分量），进一步提高了预测精度。结果表明，与持久性模型、指数平滑模型和人工神经网络相比，所提出的算法具有更高的精度。所提出的算法通过在馈入 RE-SOINN 之前将输入数据分解为两个分量（低频和高频分量），进一步提高了预测精度。结果表明，与持久性模型、指数平滑模型和人工神经网络相比，所提出的算法具有更高的精度。所提出的算法通过在馈入 RE-SOINN 之前将输入数据分解为两个分量（低频和高频分量），进一步提高了预测精度。结果表明，与持久性模型、指数平滑模型和人工神经网络相比，所提出的算法具有更高的精度。