Original title: Krátkodobá predikce pohybu slunečního disku a oblačnosti na obloze s využitím All-Sky kamerového zařízení
Translated title: Short-term prediction of the movement of the sun disk and cloud cover in the sky using All-Sky camera
Authors: Lajda, Tomáš ; Strýček, Šimon (referee) ; Liška, Jakub (advisor)
Document type: Bachelor's theses
Year: 2026
Language: eng
Publisher: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract: [eng] [cze]
Integrácii fotovoltaických systémov do elektrických sietí bráni kolísanie slnečného žiarenia spôsobené oblačnosťou. Táto práca predstavuje systém krátkodobého predpovedania, ktorý využíva snímky z All-Sky kamery a meteorologické údaje na predpovedanie pohybu oblakov a intenzity slnečného žiarenia s predstihom až 3 minút. Analytická poloha Slnka poskytuje geometrický kontext. Na zariadenie s obmedzenými zdrojmi Raspberry Pi bol nasadený multimodálny proces hlbokého učenia s komponentmi ConvLSTM a 1D-LSTM. Snímky z objektívu rybieho oka boli geometricky korigované a časovo zosúladené s údajmi zo senzorov. Hodnotenie na testovacej sade Eye2Sky ukázalo, že systém znížil chyby typické pre tradičné prístupy a dosiahol SSIM 0,7408 pri 180-sekundovej predpovedi a priemernú hodnotu GHI NRMSE 8,32%. Benchmarky nasadenia preukázali výkon v reálnom čase na edge zariadeniach. Hlavným prínosom je robustné a efektívne riešenie pre krátkodobú predpoveď slnečného žiarenia na distribuovanom hardvéri. Integrating photovoltaic systems into power grids is hindered by the volatility of solar irradiance due to cloud cover. This thesis presents a short-term forecasting system that uses All-Sky camera images and weather data to predict cloud movement and irradiance up to 3 minutes ahead. The analytic solar position provides geometric context. A multimodal deep learning pipeline with ConvLSTM and 1D-LSTM components was deployed on Raspberry Pi edge hardware. Images captured by a fisheye lens were geometrically corrected and temporally aligned with sensor data. Evaluation on the Eye2Sky test set showed that the system reduced errors typical of traditional approaches, achieving a forecast SSIM of 0.7408 in 180 seconds and an average GHI NRMSE of 8.32%. Deployment benchmarks demonstrated real-time performance on edge devices. The core contribution is a robust, efficient solution for short-term solar irradiance forecasting on distributed hardware.
Keywords: ConvLSTM; Hlboké učenie; Kinematika oblakov; Multimodálna fúzia; Prediktívne učenie v priestore a čase; Predpoveď slnečného žiarenia; Snímkovanie celej oblohy; TensorFlow; Výpočty na okraji siete; All-Sky Imaging; Cloud Kinematics; ConvLSTM; Deep Learning; Edge Computing; Multimodal Fusion; Solar Irradiance Forecasting; Spatiotemporal Predictive Learning; TensorFlow

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: http://hdl.handle.net/11012/258815

Permalink: http://www.nusl.cz/ntk/nusl-776890


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Bachelor's theses