Enhancing solar PV power production prediction: assessing input data for improved accuracy

Accurate forecasting of solar photovoltaic (PV) power generation is vital for effective energy management and grid stability, particularly as renewable energy sources become more integrated into the grid. While solar energy offers promising eco-friendly benefits, its market expansion owes much to advancements in PhotoVoltaic (PV) technologies, which have led to more efficient panels at lower costs. However, the variability of solar energy generation due to meteorological factors like solar radiation, cloud cover, rainfall, and temperature presents challenges for seamless grid integration. Therefore, precise forecasting of PV system power output is essential for the successful integration of solar energy into the grid. This thesis provides a comprehensive overview of methodologies and models for estimating PV power production in a literature review including Physical, Statistical, Machine-Learning, and Hybrid Data-driven Methods and the impact of environmental factors such as temperature, wind velocity, shading, and humidity on PV cell performance. This thesis aims to explore the feasibility of employing empirical techniques to predict solar power generation accurately, enhancing the utilization of this sustainable energy source. Specifically, we focus on predicting PV power output based on SOLCAST dataset and comparison with actual measurements. The study evaluates the correlation between SOLCAST Global Horizontal Irradiance (GHI) predictions and actual PV power output, highlighting the effectiveness of SOLCAST predictions in forecasting power generation. Then, it assesses the results with another study and its method, which is based on the numerical weather prediction method for the same set of PV panels located at Politecnico di Milano University provided by comparing NMAE and NRMSE. The findings contribute to the advancement of PV power production estimation methodologies, fostering the sustainable integration of solar energy into the global energy landscape. Additionally, the thesis emphasizes the need for further research to enhance the accuracy and reliability of solar power forecasting, particularly under extreme weather conditions, with implications for optimizing energy management and grid stability.

La previsione accurata della generazione di energia solare fotovoltaica (PV) è fondamentale per una gestione energetica efficace e la stabilità delle reti elettriche, in particolare con l'integrazione sempre maggiore delle fonti di energia rinnovabile nella rete. Sebbene l'energia solare offra promettenti vantaggi ecologici, la sua espansione sul mercato è in gran parte dovuta ai progressi nelle tecnologie fotovoltaiche, che hanno portato a pannelli più efficienti a costi inferiori. Tuttavia, la variabilità della generazione di energia solare dovuta a fattori meteorologici come radiazione solare, copertura nuvolosa, precipitazioni e temperatura presenta sfide per un'integrazione nella rete. Pertanto, è essenziale una previsione precisa della produzione di energia del sistema fotovoltaico. Questa tesi fornisce una panoramica completa delle metodologie e dei modelli per stimare la produzione di energia PV in una revisione della letteratura, includendo Metodi Fisici, Statistici, di Apprendimento Automatico e Ibridi basati sui Dati e l'impatto dei fattori ambientali come temperatura, velocità del vento, ombreggiatura e umidità sulle prestazioni delle celle fotovoltaiche. Questo lavoro di tesi mira a esplorare la fattibilità dell'impiego di tecniche empiriche per prevedere con precisione la generazione di energia solare, migliorando l'utilizzo di questa fonte energetica sostenibile. In particolare, ci concentriamo sulla previsione dell'output di energia PV basata sul dataset di SOLCAST e la confrontiamo con misurazioni effettive. Lo studio valuta la correlazione tra le previsioni di irraggiamento solare globale (GHI) di SOLCAST e l'effettivo output di energia PV, evidenziando l'efficacia delle previsioni di SOLCAST nella previsione della generazione di energia. Successivamente, valuta i risultati con un altro studio e il suo metodo, basato sul metodo di previsione numerica del tempo per lo stesso set di pannelli PV situati presso il Politecnico di Milano, fornendo un confronto tra NMAE e NRMSE. I risultati contribuiscono all'avanzamento delle metodologie di stima della produzione di energia PV, favorendo l'integrazione sostenibile dell'energia solare nel panorama energetico globale. Inoltre, la tesi sottolinea la necessità di ulteriori ricerche per migliorare l'accuratezza e l'affidabilità della previsione dell'energia solare, in particolare in condizioni meteorologiche estreme, con implicazioni per l'ottimizzazione della gestione energetica e la stabilità della rete.