Transitioning from fossil fuels to renewable energy presents a major challenge in modern society. However, to expand the use of photovoltaic (PV) power, better prediction accuracy is required. This thesis investigated the accuracy and uncertainty of machine learning models in forecasting the hourly PV power output two days in advance, based on weather data, for a solar park situated in central Sweden. Models developed using historical observed weather data were compared against those constructed with historical forecasted weather data. The findings indicated that models trained on historical forecast data outperformed models trained on historical observed training data. This trend was consistent across all machine learning models and feature sets evaluated. Random forests and extra trees were the best performing models and including solar angles as input features improved prediction accuracy. Furthermore, relatively reliable uncertainty estimates were achievable for models trained on historical forecasted weather data using quantile gradient boosting. The study also revealed that the weather conditions of a given day significantly influenced the accuracy and uncertainty of predictions, with days featuring snow being particularly challenging to forecast accurately.

Övergången från fossila bränslen till förnybar energi är en av de stora utmaningarna i dagens samhälle. För att öka användningen av solenergi krävs dock en större förutsägbarhet. I denna uppsats utreddes noggrannheten och osäkerheten hos olika maskininlärningsmodeller som förutspår den timvisa solenergiproduktionen två dagar i förväg utifrån väderdata för en solpark belägen i centrala Sverige. Modeller konstruerade med historiska observerade väderdata jämfördes med modeller konstruerade med historiska väderprognosdata. Resultaten indikerade att modeller tränade på historiska väderprognosdata presterade bättre än de tränade på historiska observerade träningsdata. Detta resultat var konsekvent för alla maskininlärningsmodeller och variabeluppsättningar som undersöktes. De modeller som presterade bäst var random forests och extra trees. Inkludering av solvinklar som variabler förbättrade noggrannheten. Det var vidare möjligt att uppnå relativt tillförlitliga osäkerhetsuppskattningar för modeller tränade på historiska prognostiserade väderdata med hjälp av quantile gradient boosting. Studien visade också att väderförhållandena för en given dag hade en betydande inverkan på prognosernas noggrannhet och osäkerhet. Dagar med snö var särskilt utmanande att prognostisera korrekt.