Very short-term forecast : different classification methods of the whole-sky-camera images for sudden PV power variations detection

The growing penetration of PV systems into the electric grids implies significant issues related to their stability, reliability and the scheduling of conventional power system operation. This is due to the intermittent nature of the solar radiation, which is influenced by many factors, such as latitude, season and atmospheric conditions. Concerning the very short-term PV power production, the interaction between solar irradiance and clouds has the main influence. On small scale, such as in microgrids, two strategies are adopted in order to smooth out the PV power fluctuations: the capability of the inverter to curtail the active power, thus the sudden increase in PV power and the adoption of an energy storage system capable to handle both peaks and drops in PV power. In this context, the integration of these systems with a forecasting tool is a brilliant solution that allows to adopt less energy storage capacity and thus, to reduce the overall cost. In this thesis, three different methods to classify the solar attenuation due to the clouds in five different forecast horizons, from 1 to 5 minutes, are tested and compared on a real case study. The methods involved are a pattern recognition neural network (PRNN), a random forest (RF) model and a novel hybrid cascade method, which is a combination of these two models. The pattern recognition neural network is adopted thanks to its capability to solve complex and pattern recognition problems with non-linear and incomplete data. The random forest model is chosen and implemented for its robustness and compactness to face predictions using noisy data. Moreover, it requires very little data preparation. The hybrid cascade method consists of giving the classes probabilities provided by the PRNN as input to a RF model, which could better interpret them. Therefore, this method could outperform the single PRNN technique. All methods implemented receive the same input dataset, composed by historical measurements and information given by infrared sky images, both collected in the vicinity of a PV facility, at SolarTechLAB in Politecnico di Milano. Moreover, the output is the belonging class of the future value assumed by the clear sky index (CSI), corresponding to a range of values. This index is employed in order to better account the solar irradiance variations due to only the clouds passage, removing in this way the diurnal and seasonal effects of solar irradiance. The assessment of the models performance relies on four indexes, Precision, Recall, F1 score and test accuracy. In conclusion, all the three models have similar and quite good performances in all the five time horizons considered, detecting with high reliability drops caused by overcast and partially cloudy sky conditions. Moreover, the random forest model needs less data samples for the training, therefore, it represents the best model to be integrated with the control logic of a battery.

La crescente penetrazione dei sistemi fotovoltaici nelle reti elettriche comporta problemi significativi legati alla loro stabilità, affidabilità e alla programmazione dei sistemi convenzionali di produzione. Ciò è dovuto alla natura intermittente della radiazione solare, che è influenzata da molti fattori, come la latitudine, la stagione e le condizioni atmosferiche. Per quanto riguarda la produzione di elettricità a brevissimo termine, l’interazione tra radiazione solare e le nuvole ha l’influenza principale. Su piccola scala, come ad esempio nelle micro-reti, vengono adottate due strategie per attenuare le fluttuazioni di potenza fotovoltaica: la capacità dell’inverter di ridurre la potenza attiva, quindi l’improvviso aumento della produzione di energia e l’adozione di un sistema di accumulo in grado di gestire sia i picchi che le cadute di produzione di energia. In questo contesto, l’integrazione di questi sistemi con uno strumento di previsione è una soluzione brillante che permette di adottare una minore capacità di accumulo e così di ridurre il costo complessivo. In questa tesi, tre diversi metodi per classificare l’attenuazione solare causata dalla presenza delle nuvole con cinque diversi orizzonti di previsione, da 1 a 5 minuti, vengono testati e confrontati su un reale caso studio. I metodi coinvolti sono una rete neurale per il riconoscimento di pattern (schema ricorrente), un modello di random forest e un nuovo metodo ibrido a cascata, dato dalla combinazione di questi due modelli. La rete neurale di riconoscimento del pattern è adottata per la sua capacità di risolvere problemi complessi e di riconoscimento del pattern con dati non lineari e incompleti. Il modello di random forest è scelto e implementato per la sua robustezza e compattezza nell’affrontare previsioni usando dati in cui è presente rumore. Inoltre, esso richiede pochissima preparazione dei dati. Il metodo ibrido a cascata consiste nel fornire le probabilità di appartenenza alle classi fornite dalla rete neurale come input al modello di random forest, che potrebbe interpretarle meglio. Perciò, questo metodo potrebbe superare le prestazioni della rete neurale. Tutti i metodi implementati ricevono lo stesso set di dati in input, composto da misurazioni storiche e informazioni estratte dalle immagini del cielo a infrarossi, entrambi raccolti presso un impianto fotovoltaico al SolarTechLAB del Politecnico di Milano. Inoltre, l’output è la classe di appartenenza del valore futuro assunto dall’indice di cielo sereno, corrispondente ad un range di valori. É stato impiegato questo indice per tenere conto meglio delle variazioni dovute solo al passaggio delle nuvole, eliminando in questo modo gli effetti diurni e stagionali sull’irraggiamento solare. La valutazione delle prestazioni dei modelli si basa su quattro indici, Precision, Recall, F1 score e accuratezza. In conclusione, tutti e tre i modelli hanno prestazioni simili in tutti e cinque gli orizzonti temporali considerati, rilevando con alta affidabilità le cadute di produzione di potenza causate dalle condizioni di cielo coperto e parzialmente nuvoloso. Inoltre, il modello di random forest necessita di meno dati per l’addestramento, perciò rappresenta il miglior modello da integrare con la logica di controllo di una batteria.