Enhanced Convolutional Neural Network for solar radiation nowcasting : all-sky camera infrared images embedded with exogenous parameters

The need for an accurate prediction of solar radiation is becoming crucial for both the stability of grid connected and efficient management of stand-alone networks due to the ever-increasing diffusion of electricity production from renewable energy sources. This thesis focuses on nowcasting, a very-short term forecast which ranges from a few minutes to a maximum of half an hour. Specifically, three forecast horizons equal to 5, 10 and 15 minutes ahead have been taken into account. The proposed methodology is based on the development of a Convolutional Neural Network (CNN) which elaborates sequences of images from an infrared all sky imager to detect clouds’ features for solar solar radiation forecast. The case study exploits about six months of data, which coincides with 33,686 images filtered by rainy days and hours characterized by a Sun elevation angle lower than 20°. Furthermore, Global Horizontal Irradiance (GHI) measurements and the Ineichen and Perez clear sky model are used as input for the neural network. Images and irradiance data sets have been collected at the SolarTechLAB of the Politecnico di Milano. Moreover, an innovative technique in which exogenous data are inserted as information directly in the images is proposed. The results show that the CNN outperforms the predictions provided by a weather broadcaster company which has exploited the same data. The simple CNN has forecast skill (FS) scores of 0.09% and 0.41% over persistence for 10 and 15 minutes ahead respectively. The Enhanced CNN (ECNN) got positive FS of 5.05%, 9.57% and 9.07% moving from the shortest to the longest forecast horizon. A deeper analysis of the results reveals that the proposed models are more accurate than persistence when high fluctuations of irradiance are registered. In fact, the CNN models get a forecast skill always higher than 19% for all the forecast horizons. The main problems, possible solutions and future works are also discussed.

Ad oggi, la necessità di una previsione accurata della radiazione solare sta assumendo sempre più importanza a seguito dello sviluppo esponenziale della generazione di potenza da fonti rinnovabili, in particolare quella da fotovoltaico. Questa tesi studia la previsione dell’irradianza solare a brevissimo termine, la quale si pone in un lasso di tempo compreso fra pochi minuti e mezz’ora. In particolare, questa tesi ha analizzato orizzonti di previsione di 5, 10 e 15 minuti. Il metodo utilizzato si fonda sullo sviluppo di una rete neurale convoluzionale in grado di elaborare sequenze di immagini per rilevare il movimento delle nuvole. Per effettuare questa ricerca sono stati sfruttati circa 6 mesi di immagini, le quali sono risultate in totale 33,686 dopo essere state opportunamente filtrate e processate. I valori di irradianza globale sul piano orizzontale e quelli equivalenti in caso di cielo sereno sono stati ottenuti rispettivamente dalla stazione meteorologica situata al SolarTechLAB del Politecnico di Milano e dal modello di cielo sereno sviluppato da Ineichen e Perez. Essi sono entrambi stati utilizzati per guidare la rete neurale durante l’allenamento. Inoltre, è stata ideata una tecnica innovativa a cui si forniscono alla rete neurale convoluzionale informazioni relative a parametri esogeni sotto forma di immagine. I risultati ottenuti hanno mostrato che il modello proposto supera le previsioni fornite dall’azienda meteorologica che ha sfruttato gli stessi dati usati da questo studio. Tuttavia, la rete neurale convoluzionale non è in grado di fare meglio della persistenza per l’orizzonte temporale di 5 minuti. Le previsioni a 10 e 15 minuti invece hanno ottenuto dei risultati superiori al metodo della persistenza, in particolare con "forecast skills" (FS) pari a 0.09% e 0.41%. Mentre la rete convoluzionale in grado di elaborare dati esogeni riesce a superare la persistenza per tutti gli orizzonti temporali in analisi, ottenendo rispettivamente FS del 5.05%, 9.57% e 9.07% per i 5’, 10’ e 15’. Inoltre, un’analisi specifica dei risultati nei casi di alta variazione dell’irradianza solare ha mostrato come il metodo proposto riesca a battere significativamente la persistenza, ottenendo valori di forecast skill maggiore del 19% in tutti i casi. Infine, sono stati discussi i principali problemi riscontrati, insieme alle loro possibili soluzioni e agli sviluppi futuri.