Enhanced day-ahead PV power forecast : an effective combination between ANN and different clustering methods

One of the crucial challenges for the future energy sector will be the large integration of RES (Renewable Energy Sources) into the existing energy supply structure. A grid operator should be able to ensure the balance between the electricity production and consumption any moment, but the intermittency typical of RES implies problems of reliability, stability, and scheduling of the power system operation. Concerning solar energy, solar forecast is a strong tool that, predicting the PV power production, permits a more efficient management of the grid. In this thesis, different combinations between clustering techniques and ANN (Artificial Neural Networks) for day-ahead PV power forecast are analyzed. Different clustering techniques are proposed. In detail, each clustering approach is based on clearness index and is applied to divide a dataset into different categories of days with common weather conditions. Then, a dedicated ANN is developed for every cluster. The main idea is to exploit the similarity between PV power curves in days with similar weather characteristics to construct optimized predictors. The main goal of the thesis is to assess the improvement in terms of forecast determined by the described combination between ANN and clustering approaches. In addition, it is necessary to construct a classification model. When a single model is developed to predict PV power for all weather types, the predicted day-ahead samples are directly provided to it as input. On the contrary, when clustering is involved, an intermediate classification step is required to identify the weather type of the considered day. Once the weather type is known, the correct ANN is used for power forecast. In the current work, the random forest model is adopted as classifier. The different proposed combinations between clustering techniques and artificial neural networks are tested, validated, and compared on a real case study: a PV facility in SolarTechLAB, in Politecnico di Milano.

Una sfida cruciale per il settore energetico del futuro sarà la forte penetrazione delle energie rinnovabili nella sua struttura. Un operatore di rete deve garantire il bilanciamento tra produzione e consumo di potenza elettrica in ogni istante, ma l’intermittenza tipica delle fonti rinnovabili determina problemi di affidabilità, stabilità e programmazione del sistema elettrico. Per quanto riguarda l’energia solare, la previsione di produzione è un potente strumento che, prevedendo la potenza in output dai sistemi fotovoltaici, permette una gestione più efficace della rete. Nella presente tesi sono analizzate diverse combinazioni tra tecniche di clustering e reti neurali artificiali per la previsione della potenza del giorno successivo da fonte solare. Vengono proposte diverse tecniche di clustering. Più in dettaglio, ciascuna di esse è basata sul clearness index ed è applicata per dividere un dataset in categorie di giorni con condizioni meteorologiche comuni. In seguito, viene sviluppata una rete neurale dedicata ad ogni cluster. L’idea principale è quella di sfruttare la somiglianza tra curve di potenza corrispondenti a giorni con caratteristiche meteorologiche simili per costruire modelli di previsione ottimizzati. L’obbiettivo principale della presente tesi è quello di valutare il miglioramento in termini di previsione permesso dalla combinazione descritta tra reti neurali artificiali e metodi di clustering. In più, è necessario costruire un modello di classificazione. Quando viene sviluppata una singola rete neurale per prevedere la potenza prodotta per qualsiasi condizione meteo, i campioni previsti per il giorno successivo sono direttamente forniti in input alla rete. Al contrario, quando interviene il clustering, è necessario un passaggio di classificazione intermedio per identificare le condizioni meteorologiche del giorno considerato. Una volta nota la sua categoria, la rete neurale corrispondente è usata per la previsione. In questa tesi, il modello di random forest viene adottato come classificatore. Tutte le diverse combinazioni proposte tra tecniche di clustering e reti neurali artificiali sono testate, validate e confrontate su un caso studio reale: un impianto fotovoltaico nel SolarTechLAB, al Politecnico di Milano.