Machine learning techniques for solar irradiation nowcasting : cloud type classification forecast through satellite data and imagery

The electricity produced from renewable energy sources (RES) has seen an exponential rise in the last decade, and growth is projected to continue in the future. While very attractive from environmental and economic perspectives, RES can provide significant challenges since energy production depends on external weather factors that cannot be controlled. The power generated by solar modules highly depends on environmental conditions, including cloud cover, sun position, weather conditions, etc. all of which can sharply vary throughout a single day. To fully integrate and efficiently managed the solar power into the existing grids, it is important that the future power output is known. For this reason, the forecasting of future production from solar modules on different time horizons has become crucial. In order to predict the future power output of a PV plant, it is fundamental to know the irradiance that will affect it in the future. This thesis presents a novel procedure for the forecasting of solar irradiance, for 15 minutes ahead time horizon, hitting a precise target (Solar Tech Lab), by means of Machine Learning techniques, satellite and weather data. Satellite information consists of the cloud cover above the selected geographic target, while the meteorological data are collected by a weather station placed at the Solar Tech Lab. Firstly, a novel cloud model is designed. This model is able to detect in real time, starting from satellite images, the clouds which potentially obstruct the sunrays directed to the Solar Tech Lab. From the results of the cloud model, a correlation between sky conditions faced by sun rays and irradiance at ground level is then identified and a new cloud classification is derived. The forecasts are made by three different Machine Learning algorithms: single hidden layer neural network, double-hidden layer neural network with categorical and continuous data delivered in two different input layer, and Random Forest. In order to find the data configuration which best provides information to these methods, several input datasets are created. In the end, the performances of each model are evaluated, and subsequently compared in order to determine the most effective Machine Learning method and input dataset for the forecasting of the fifteen minutes ahead solar irradiance. The results obtained showed that the cloud model could excellently and efficiently identify the clouds that interfere with solar radiation, and the new cloud classification allows to improve the neural networks performances. Concerning the main goal of the thesis, all the three Machine Learning methods, and in particular Random Forests, provided excellent performances in the irradiance forecasting.

L’elettricità prodotta da fonti rinnovabili ha visto un aumento esponenziale nell’ultimo decennio, e si prevede che la crescita continui in futuro. Pur essendo molto attraenti dal punto di vista ambientale ed economico, le fonti rinnovabili rappresentano un importante sfida in quanto la produzione di energia dipende da fattori atmosferici esterni che non possono essere controllati. La potenza generata da un modulo fotovoltaico è fortemente influenzata dalle condizioni ambientali, come la copertura nuvolosa, la posizione del sole, le condizioni atmosferiche, ecc. che possono variare notevolmente nel corso di un solo giorno. Per integrare pienamente e gestire in modo efficiente l’energia solare nelle reti esistenti, è importante che sia nota la produzione futura di quest’ultima, perchè le suddette variazioni possono minacciare la stabilità della rete elettrica se non vengono adottate le giuste precauzioni. Per questo motivo, è cruciale conoscere la previsione della potenza prodotta da moduli fotovoltaici su diversi orizzonti temporali. A questo scopo è fondamentale conoscere l’irraggiamento che interesserà l’impianto fotovoltaico in futuro. Essendo la relazione tra le condizioni atmosferiche e la radiazione terrestre molto complicata, e non ricostruibile in dettaglio utilizzando modelli fisici, le principali tecniche che vengono adottate sono quelle di Machine Learning. Queste hanno il vantaggio di trovare correlazioni in enormi quantità di dati, senza essere programmate, al fine di prendere decisioni e fare previsioni. Andando nel dettaglio, un algoritmo di Machine Learning per la previsione dell’irraggiamento, utilizza informazioni riguardanti l’atmosfera, provenienti da diverse fonti come stazioni meteorologiche o sistemi di acquisizione di immagine (come le All Sky Cam e i satelliti), per stimare la radiazione solare ad un determinato orizzonte temporale. Questa tesi presenta una nuova procedura per la previsione dell’irraggiamento solare in un determinato luogo (Solar Tech Lab) con 15 minuti d’anticipo, e mediante l’utilizzo di tecniche di Machine Learning che sfruttano dati satellitari e meteorologici. Le informazioni satellitari si riferiscono alla copertura nuvolosa sopra il target geografico selezionato, mentre i dati atmosferici sono raccolti dalla stazione meteo posta presso il Solar Tech Lab. In primo luogo è stato progettato un cloud model in grado di rilevare in tempo reale, a partire dalle immagini satellitari, le nubi che potenzialmente possono interferire con i raggi solari diretti al Solar Tech Lab. Dai risultati di quest’ultimo, si identifica una correlazione tra le condizioni atmosferiche incontrate dalla radiazione diretta e l’irraggiamento a livello del suolo, da cui è ottenuta una nuova classificazione delle nubi. Al fine di raggiungere il principale obiettivo di questo lavoro, sono impiegati tre diversi algoritmi di Machine Learning: una rete neurale a singolo strato nascosto, una rete neurale a doppio strato nascosto con i dati categorici e continui forniti in due diversi input layers, e infine una Random Forest. Per trovare la configurazione dei dati che meglio forniscono le informazioni a questi algoritmi, vengono creati diversi dataset di input. Per ciascuno di questi le reti sono dimensionate con due differenti algoritmi specificatamente progettati. Infine, le prestazioni di ogni modello vengono valutate tramite un terzo algoritmo creato appositamente con lo scopo di ottenere risultati affidabili. Quanto ottenuto è successivamente confrontato al fine di determinare quale sia il modello di Machine Learning più efficace e quale sia il miglior dataset di input, per la previsione della radiazione solare con 15 minuti d’anticipo. I risultati ottenuti mostrano che il cloud model ha un’eccellente capacità di identificare le nuvole che interferiscono con la radiazione solare, e la nuova classificazione delle nubi consente il miglioramento delle prestazioni delle reti neurali. Per quanto riguarda l’obiettivo principale della tesi, tutti e tre i metodi di Machine Learning, in particolare le Random Forests, forniscono prestazioni eccellenti nella previsione della radiazione solare. In conclusione vengono presentate alcune strategie per migliorare la precisione del cloud model e per mitigare i pochi ma comuni errori commessi dai modelli di Machine Learning.