Novel methods for PV energy forecasting of the day-ahead hourly power curve

The main goal of this work is to set up a well-defined method to identify the best Artificial Neural Network (ANN) in terms of number of neurons, number of layers, training set size to perform the day-ahead energy production forecast, which could be applicable to any Photo-Voltaic (PV) plant. Therefore, my PhD thesis has been addressed to set up a new hybrid method (PHANN – Physic Hybrid Artificial Neural Network) in order to enhance the energy day-ahead forecast combining both the deterministic Clear Sky Solar Radiation Algorithm (CSRM) and the stochastic ANN method. This hybrid method has been tested on different PV plants in Italy assessing the role of different training set in terms both of quantity and of data mix and the number of trials to be included in the “ensemble forecast”. Then different strategies have been analyzed and adopted to overcome the main problems related to this task. Finally, different weather conditions have been taken into account to test the robustness of the algorithm as well as the effects of particular events on the forecasting output.

L'obiettivo principale di questo lavoro è quello di istituire un metodo ben definito per identificare la migliore Rete Neurale Artificiale (Artificial Neural Network - ANN) in termini di numero di neuroni, numero di strati nascosti, dimensione del training set per effettuare la previsione di produzione di energia del giorno prima, affinché possa essere applicabile a qualsiasi impianto fotovoltaico (PV). Pertanto, la mia tesi di dottorato è stata indirizzata a creare un nuovo metodo ibrido (PHANN - Physic Hybrid Artificial Neural Network) al fine di migliorare le previsioni del giorno prima dell'energia che combini l'algoritmo deterministico Clear Sky Solar Radiation Model (CSRM) ed il metodo stocastico ANN. Questo metodo ibrido è stato testato su diversi impianti fotovoltaici in Italia al fine di valutare il ruolo di training set differenti sia in termini di quantità che di composizione dei dati ed il numero di prove da includere nell' "ensemble forecast". Successivamente sono stati analizzati ed adottate diverse strategie per superare i principali problemi riscontrati. Infine, diverse condizioni climatiche sono state prese in considerazione per testare la robustezza dell'algoritmo nonché gli effetti di particolari condizioni atmosferiche sulla previsione finale.