Synthetic generation of solar radiation data for a robust micro-grid design

Energy access is a defining challenge for developing countries, and is widely considered a fundamental enabler for economic, social and cultural development. Distributed Renewable Energy systems represent one of the key solutions to provide energy access in developing countries. Indeed, the majority of developing countries have abundant availability of renewable energy resources, in particular solar and wind. Micro-grids are particularly well suited for rural areas, which are cut off from national electricity grids and other major infrastructure. Due to its modularity, ease of maintenance and affordability, PV power has emerged as the most common renewable source for micro-grids. Due to the high variability of renewable energy resources, a proper design of a micro-grid requires extensive simulations with sub-hourly resolution. Delivering, installing and maintaining equipment for measuring solar irradiation is particularly difficult in rural areas, which are also very sensitive to investment costs. In addition to this, collecting multiple years of data is intrinsically time-demanding, representing a major obstacle in applications where time-to-market is critical. The lack of large amounts of data needed for such simulations is often a major roadblock in rural areas, leading to increased costs, delays and reduced performance of these systems. Whereas hourly and sub-hourly data are rarely available, multiple publicly available databases provided monthly average data for most locations around the world. The goal of this thesis work is to develop a stochastic, site-independent methodology to synthetically generate sub-hourly solar irradiation data, based on limited inputs. By site-independent it is meant that the same methodology can be applied to different locations, generating location-specific outputs without major adjustments to the procedure. This methodology should provide inputs to software for the design and optimization of Distributed Energy Systems, particularly for solar technologies. A tool based on this methodology has been implemented in MATLAB with the intention to be integrated in PoliNRG (POLItecnico di Milano - Network Robust desiGn), a software package for the robust design of Distributed Energy Systems. The methodology is composed by a combination of stochastic models, including Autoregressive Integrated Moving Average and Markov models, and empirical correlations. Rather than directly modeling solar irradiation, the proposed procedure uses the clearness index as auxiliary climatic variable. Using a non-dimensional variable has several advantages and makes generalizing the procedure easier. The methodology is designed to turn monthly data into sub-hourly values. This transformation is achieved through several steps. For each step, the most suitable model has been chosen, based on the resolution of input and output values. It is possible to decompose the methodology in three main steps: the Bendt's block, the ARIMA block and Markov block. The first block is used to turn monthly average clearness index data into daily values. The Bendt's correlation is used to model the cumulative distribution of daily clearness index values within each month. This step returns the unordered daily values. In the second step, the sequence of daily values within each month is determined through an ARIMA(1,1,1) model. This model is used to order the values obtained in the first step throught the Bendt's correlation. In the third step, a second order Markov model has been used to increase the resolution from daily to sub-hourly. In order to obtain reliable results, daily clearness index values are clustered in Markov classes. Each class is characterized by a specific Markov Transition Matrix. To further reduce the dependency on location-specific data, the calibration procedure of both the ARIMA and Markov models has been generalized. This generalization reduces the input required from the user and enables the application of the model in areas where hourly and sub-hourly data are not available. It has been shown that the ARIMA model can be safely calibrated at a global level. Both the model orders and its parameters can be determined based on measurements of other locations. In addition to this, it has been shown that the calibration of the Markov model can be performed for Climatic Areas. Climatic Areas have been defined as proposed by Koppen-Geiger. For each climatic area, a corresponding group of Markov Transition Matrices has been generated. Pre-computed MTMs also decrease the overall computational time of the procedure. The methodology and its implementation have been validated by applying them to two specific cases, Amsterdam and Ngarenanyuki. The results seem to well reproduce the probability distribution of the observed data for both locations, and the statistical parameters are well approximated. Although there is a slight loss of accuracy due to the generalization of the models, the main advantage of the proposed methodology is its flexibility. Indeed, it can be used to obtain maximum detail when local data are available, or to achieve a good approximation when local data would otherwise not sufficient to model Distributed Energy Systems.

L'accesso all'energia è una delle principali sfide per i paesi in via di svilppo, ed è considerato un passaggio fondamentale per lo sviluppo economico, sociale e culturale del pease. I sistemi distribuiti di energia rinnovabile rappresentano una delle principali soluzioni per garantire l'accesso all'energia in queste aree. Infatti la maggior parte dei paesi in via di sviluppo ha una grande disponibilità di risorse energetiche rinnovabili, in particolare sole e vento. Le micro-grids reppresentano una soluzione particolarmente adatta per aree rurali, che generalmente non sono raggiunte dalla rete elettrica nazionale e da altre infrastrutture. I sistemi fotovoltaici, proprio per la loro modularità, facili da manutenere e economici, stanno emergendo come la risorsa rinnovabile più comune da inserire in micro-grids in queste aree rurali. Per la loro alta variabilità, le risorse rinnovabili, rendono più difficile la progettazione di micro-grids e inoltre richiedono simulazioni estensive con frequenza intra-oraria. Le apparecchiature per le misurazioni di irraggiamento solare richiedono sforzi particolari per la consegna, l'istallazione e il mantenimento in aree rurali, in cui i costi di investimento sono particolarmente critici. Inoltre, la raccolta di molti anni di dati richiede un grande dispendio di tempo, questo rappresenta il maggior ostacolo per applicazioni in cui il tempo di attuazione è cruciale. La mancanza di un grande quantità di dati necessari per simulazioni energetiche è spesso un ostacolo per lo sviluppo di progetti in aree rurali che porta all'aumento dei costi e ritardi alla produzione di questi sistemi. Mentre dati orari ed intraorari sono difficilmente disponibili, molti databases publici hanno a disposizione dati medi mensili per la maggior parte delle località in tutto il mondo. L'obiettivo di questo lavoro di tesi è quello di sviluppare una metodologia stocastica e non basata sulla località specifica per generare in modo sintetico dati di irraggiamento intra-orario, basata su un numero limitato di inputs. Il fatto di non essere basata su una località specifica permette alla metodologia di poter essere applicata a località differenti, generando outputs specifici senza ulteriori aggiustamenti alla procedura. Questa metodologia ha l'obiettivo di fornire inputs per software di design e ottimizzazione di Sistemi Energetici Distribuiti, in particolare per la tecnologia del solare. Questo strumento è stato implementato in MATLAB con lo scopo di essere poi integrato in PoliNRG (POLItecnico di Milano - Network Robust desiGn), un software per il design robusto di Sistemi Energetici Distribuiti. La metodologia è composta da una combinazione di modelli stocastici, inclusi modelli Autoregressive Integrated Moving Average e Markov, e correlazioni empiriche. Invece di modellare direttamente l'irraggiamento solare, è stato usato il clearness index come variabile climatica ausiliaria. Usando una variabile adimensionale si possono riscontrare diversi vantaggi e soprattutto si può rendere la generalizzazione della procedura più semplice. La metodologia è strutturata in modo da generare dati intra-orari partendo da valori mensili e questa trasformazione si è ottenuta tramite diversi passaggi. Per ogni passaggio si è scelto il modello che meglio potesse riprodurre la trasformazione in funzione della risoluzione dei valori in input ed in output. I passaggi principali sono tre: la sezione di Bendt, la sezione dell'ARIMA e la sezione di Markov. La prima sezione converte dati medi mensili di clearness index in dati giornalieri tramite la corrrelazione di Bendt che modella una distribuzione cumulata di clearness index giornalieri all'interno di ogni mese senza dargli una sequenza reale. Il secondo passaggio serve per dare una sequenza ai valori giornalieri, ottenuti nel primo passaggio, all'interno dell'anno ed è determinata usando un modello ARIMA(1,1,1). Nel terzo passaggio si usa un modello di Markov per incrementare la risoluzione dei valori da giornalieri ad intra-orari. Con lo scopo di ottenere valori affidabili i valori giornalieri del clearness index sono raggruppati in diverse classi di Markov corrispondenti a diverse condizioni atmosferiche ed ogni classe è caratterizzata da una una specifica Markov Transition Matrix. Al fine di rendere la procedura meno possibile basata su località specifiche, la calibrazione dei modelli ARIMA e di Markov sono state generalizzate. Questa generalizzazione permette di ridurre gli input richiesti all'utente. Inoltre la generalizzazione da la possibilità di applicare la metodologia in aree dove dati orari e intra-orari non sono disponibili. La calibrazione del modello di Markov è effettuata per Aree Climatiche, con la divisione proposta da Koppen-Geiger. Per ogni area climatica è stato generato un gruppo specifico di Markov Tansition Matrices e la possbilità di pre-determinare le MTMs diminuisce ulteriormente il tempo richiesto alla procedura. La metodologia e la sua implementazione sono state validate applicandole a due casi specifici, Amsterdam e Ngarenanyuki. I risultati sembrano riprodurre bene le probabilità di distribuzione dei dati osservati per entrambe le località, inoltre i parametri statistici sono ben approssimati. Sebbene ci sia una leggera perdita di accuratezza dovuta alla generalizzazione dei modelli, il più grande vantaggio che ne deriva sta nella flessibilità del modello finale. Infatti, la metodologia può essere usata per ottenere il massimo del dettaglio quando i dati lo permettono, o alternativamente per raggiungere un buon livello di approssimazione nei risultati quando non sono disponibili dati sufficienti.