PV power forecasting considering meteorological influences

Photovoltaic (PV) power generation poses a serious challenge to power system dispatch management due to its obvious intermittency and volatility. Photovoltaic power prediction is currently an economical and effective solution to this problem. Since the Photovoltaic (PV) power output characteristics have different periodic fluctuation performances in different time scales, it is necessary to research Photovoltaic (PV) power forecasting methods in multiple time scales. The degree of influence of meteorological influencing factors on PV output is analysed. Based on grey correlation analysis and Pearson correlation analysis, we use historical data to analyse the degree of influence of meteorological influencing factors and obtain the size of the influence coefficient. Several coefficients with more analytical value are filtered according to the size of the influence coefficients. Based on the selection of several parameters as outputs and Photovoltaic (PV) power as an output, the choice of values for several hyperparameters was determined based on the original data being divided into four datasets for more than four seasons. Three evaluation criteria are also selected to evaluate the predicted Photovoltaic (PV) power output. Finally, the BP (Back Propagation) neural network system is used to forecast Photovoltaic (PV) power generation on an hourly basis for a representative day of the season using hourly raw data for each season.

La produzione di energia fotovoltaica (PV) pone una seria sfida alla gestione del dispacciamento del sistema elettrico a causa della sua evidente intermittenza e volatilità. La previsione dell'energia fotovoltaica è attualmente una soluzione economica ed efficace a questo problema. Poiché le caratteristiche della potenza fotovoltaica in uscita hanno prestazioni diverse in termini di fluttuazione periodica su diverse scale temporali, è necessario condurre una ricerca sui metodi di previsione della potenza fotovoltaica su più scale temporali. Viene analizzato il grado di influenza dei fattori meteorologici sulla produzione fotovoltaica. Su questa base, basandoci sull'analisi di correlazione grigia e sull'analisi di correlazione di Pearson, utilizziamo i dati storici per analizzare il grado di influenza dei fattori meteorologici e otteniamo la dimensione del coefficiente di influenza. Diversi coefficienti con un valore più analitico vengono filtrati in base alla dimensione dei coefficienti di influenza. In base alla selezione di diversi parametri come output e della potenza fotovoltaica (PV) come output, la scelta dei valori per diversi iperparametri è stata determinata sulla base della suddivisione dei dati originali in quattro serie di dati per più quattro stagioni. Sono stati inoltre selezionati tre criteri di valutazione per valutare la potenza fotovoltaica prevista. Infine, il sistema di rete neurale BP (Back Propagation) viene utilizzato per prevedere la produzione di energia fotovoltaica su base oraria per un giorno rappresentativo della stagione, utilizzando i dati grezzi orari per ogni stagione.