Day-ahead forecasting for photovoltaic power : an open approach using artificial neural networks ensembles

Solar photovoltaic plants power output forecasting using machine learning techniques can be of a great advantage to the Italian renewable energy producers to bene t from the governmental incentives and to minimise nancial losses when they are implemented with dayahead energy market data provided by Italian Power Exchange . In this thesis work a model was developed using a supervised learning algorithm of multilayer perceptron feedforward arti cial neural network to predict the next twenty-four hours (day-ahead) power of solar facility using fetched weather forecast of the following day. Solar position parameters were introduced to calculate the global irradiance incidental on the PV module from the clear sky radiation model , followed by processing of all historical plant data logs and meteorological records. These data were essential to initiate training period for three di erent networks architecture, including of single and double hidden layer with an incremental number of neurons con gurations summing to fty- ve networks. Each set of network con guration was trained the historical power output of the plant as a target for the network. For each con guration, each of its one hundred networks was ensemble to give the ability to of the model to generalise thus better forecast. The trained ensembles performances were analysed using statistical indicators. The best-performing model ensembles were eventually used to predict power from the automatically fetched weather data for the period following the last reported measurements.

Le previsioni di potenza erogata dagli impianti fotovoltaici (PV), ottenibili mediante tecniche di machine learning, possono essere di grande impatto a vantaggio dei produttori di energie rinnovabili, grazie agli incentivi statali e alla minimizzazione delle perdite finanziarie, considerando i dati del mercato dell'energia fornite dal GME. In questa tesi si è sviluppato un modello previsionale mediante un algoritmo di supervised learning, nello specifico una multilayer perceptron (MLP) feedforward artificial neural network (ANN), per prevedere la potenza di un impianto nelle 24 ore successive, basandosi sulle previsioni meteorologiche dello stesso. I parametri relativi alla posizione del Sole sono stati opportunamente considerati per calcolare il modello di irraggiamento globale incidente in condizioni ideali, seguito da un'analisi dello storico dei dati di produzione reale dell'impianto e delle corrispondenti condizioni meteorologiche. I dati ottenuti sono stati essenziali per l'inizio del periodo di training di tre differenti architetture, comprendenti reti single e double hidden layer con un numero crescente di neuroni per un totale di 55 diverse configurazioni analizzate. Per ogni set di queste si sono realizzati 100 training indipendenti usando i dati storici come input e la potenza prodotta dall'impianto come target. Gli output delle 100 reti addestrate in maniera indipendente sono stati mediati per dar modo al modello di meglio generalizzare con lo scopo di ottenere una previsione più attendibile. Le performance di ogni raggruppamento (ensemble) sono state valutate analizzando indicatori statistici. Il modello meglio performante è stato poi applicato al caso reale recuperando automaticamente i dati riferiti alla condizione meteorologica nel periodo immediatamente successivo ai dati disponibili.