Comparison of different training approaches and ensemble methods for an effective PV power output forecast by means of ANN

In the last decades, most of the countries embraced the decarbonization transition, shifting their electricity production from conventional energy sources to renewables. Worldwide penetration of renewable energy sources (RES) into the electricity supply mix has recorded an impressive growth mainly due to feed-in tariffs set by many countries. However, power generated by RES is characterized by high volatility and low predictability. Power fluctuations are mainly caused by high variability of the meteorological conditions, such as cloud cover, temperature, wind and aerosol levels. If not properly managed, these power instabilities can hinder a large penetration of RES in the electrical grid. Among the RES, of particular interest is the photovoltaic (PV) technology. Its expansion has turned the focus on accurate forecast for PV power output to avoid problems such as the grid unreliability and the volatility of prices in the energy market. Within this thesis project, one of the most promising computational intelligence techniques, Artificial Neural Network, is applied with different training approaches and ensemble methods for an effective PV power output forecast in line with previous studies. The main purpose is to enhance the forecast accuracy observing the effect of different methodologies. Innovative clustering methods validated through a real case study are implemented in order to select the best pool of available historical data, considering the most commonly adopted error indicators available in literature. These clustering approaches involved a statistical analysis of the weather forecast provided by a meteorological service for one year and the actual power recorded in 2017 on a PV module located at SolarTechLab in Politecnico di Milano, Department of Energy. Finally, the most effective methods are suggested as a benchmark for future implementations.

Nel corso dell’ultimodecennionumerosi paesi hanno intrapreso un processo di decarbonizzazione delsettore energetico,affidando sempre più la generazione di energia elettrica a fonti di energia rinnovabile(FER). Per questo motivo la penetrazione di tecnologie basate suFERè significativamente aumentataall’interno del mix produttivoglobale, anche grazie a incentivi come le feed-in-tariffproposteda numerosipaesi. Tuttavia la potenza prodotta da queste tecnologie è soggetta agrande volatilità, dipendendodallavariabilità dellecondizioni metereologichequali lacopertura nuvolosa,latemperatura,il ventoedillivellodi particolato. Se non correttamente gestite queste fluttuazioni possonoostacolare una ulteriore diffusionedelle tecnologie rinnovabili. Di particolare interesse è il caso del fotovoltaico, la cui diffusione ha fatto sì chesi rendessero necessarie accurate previsioni della potenza prodotta per superare problemi legati allasicurezza della rete elettrica e alla volatilità dei prezzi del mercato elettrico.In questo lavoro di tesi, una delle più promettenti tecniche di intelligenzaartificiale, artificial neuralnetwork,è stata adottata al fine di prevedere la potenza prodotta da impianti fotovoltaici. L’obiettivoprincipale è stato quello di migliorare l’accuratezza della previsione,valutando quanto l’adozione didifferenti metodologiedi traininginfluisca sul risultato atteso.È stato studiatoquindiun innovativo sistemaatto al raggruppamento dei dati storici disponibili,che è statoquindivalidatoattraversoun caso studiorealee valutato tramitel’adozione degli indicatori di errore più comunemente utilizzati in letteratura.Tuttigli studi condotti sono statieffettuati rispetto a dati di potenza misurata per l’anno 2017 per un modulofotovoltaico situato al SolarTechLab, all’interno del Dipartimento di Energia del Politecnico di Milano.Infine, i metodi che hanno riportato i migliori risultati sono proposti come riferimento per successivi studi.