Development and validation of intra-day photovoltaic power forecast by means of machine learning techniques

In the last two decades, the penetration of renewable energy sources (RES) in the energy systems around the world has progressively increased, due to the rise of environmental concerns and governmental policies. Among the RES, of particular interest is the case of photovoltaic (PV) technologies. In fact, the PV power output presents high level of variability, strongly depending on meteorological conditions as cloud cover, temperature, wind speed and atmospheric aerosol levels. This variability and uncertainty of the PV power profile creates several issues directly or indirectly related to the power grid, such as power system control and reliability, reserves management and cost, dispatchable and ancillary generation and power planning. For these reasons, highly accurate PV power forecasting systems are required. The present thesis work is devoted to improving the accuracy of the PV power prediction, while decreasing the required computational burden. Artificial Neural Network (ANN) computational systems are used to the scope. A precise sizing procedure specifically tailored for the application is proposed. To reduce the discrepancy between the forecast and the actual power profile, a novel approach is introduced to choose the most suitable outputs provided by the adopted method. In addition, a detailed selection of the required parameters is inspected, based on the correlation and covariance coefficients. Moreover, a technique to compute the intra-day forecast is presented. The proposed methodologies will be one at a time implemented and validated throughout the work, to emphasize the contribution they individually bring. Finally, at the end of the work, they will be altogether implemented in a simulation of the whole year 2017, for a PV module installed in the Solar Tech Lab in the department of Energy at Politecnico di Milano.

La penetrazione delle fonti energetiche rinnovabili (RES) all'interno dei sistemi energetici mondiali è significativamente aumentata negli ultimi due decenni grazie a diversi fattori, tra i quali si annoverano politiche energetiche favorevoli e l'aumento della consapevolezza legata ai problemi ambientali. Tra le tecnologie che sfruttano queste risorse, di particolare interesse è il caso del fotovoltaico (PV). Infatti, la potenza prodotta da questi impianti è affetta da elevata variabilità, dipendendo fortemente da condizioni metereologiche come copertura nuvolosa, temperatura, velocità del vento e livelli di particolato presente nell'atmosfera. La variabilità e l'incertezza della potenza generata dal fotovoltaico può comportare numerosi problemi, direttamente o indirettamente collegati alla rete elettrica, quali il controllo, l'affidabilità e la gestione sia degli impianti tradizionali pronti a sopperire alla mancata produzione che dei servizi ancillari. Per i motivi elencati, la disponibilità di previsioni accurate della potenza prodotta si rende necessaria. Il presente lavoro di tesi si pone l'obiettivo di migliorare la previsione della produzione degli impianti fotovoltaici e, allo stesso tempo, ridurre l'onere computazionale ad essa legato. Il metodo previsionale adottato è quello delle reti neurali artificiali (ANN), appartenente al campo dell'apprendimento automatico (Machine Learning). Nel corso del lavoro verrà proposto un metodo per dimensionare una rete specificatamente pensata per l'applicazione. Successivamente si introdurrà un approccio innovativo che permetta di selezionale preventivamente solo i risultati che garantiscano una prestazione ottimale. Verrà inoltre proposta una analisi atta alla previsione intra giornaliera. Gli approcci presentati verranno singolarmente implementati nel corso del lavoro per poter valutare il contributo che distintamente apportano. Verrà infine effettuata e dettagliatamente commentata una simulazione per l’anno 2017.