Multiple Time Scales PV Power Forecast Using Wavelet Packet Decomposition and Long-Short Term Memory

Solar power generation is significantly influenced by environmental factors such as solar irradiance, temperature, cloud cover, wind speed, and humidity. These variables cause dynamic fluctuations in PV power output, posing challenges to grid stability and reliability. Accurate forecasting of PV power generation is crucial for mitigating these challenges and ensuring the reliable operation of power systems. This study proposes hybrid deep learning models that combine Wavelet Packet Decomposition (WPD) and Long Short-Term Memory (LSTM) networks to enhance the accuracy of PV power forecasts. The hybrid models are applied to multi-time scale PV power forecasting with fifteen-minute intervals. WPD is used to decompose the original PV power series into several sub-series. Then, LSTM networks are developed to forecast these sub-series and reconstruct the original PV power using the decomposed sub-series as new input features. The performance of the proposed methods is evaluated using a case study with an actual dataset from a solar parking site on the campus of the University of Twente, Enschede, Netherlands. Comparative analysis with individual LSTM, Linear Regression, and Persistence models demonstrates the superior performance of the proposed models for short-term horizons. The evaluation indicators confirm that the proposed hybrid deep learning models excel in both forecasting accuracy and stability for the 15-minute ahead and 1-hour ahead forecasts. These findings highlight the potential of combining WPD and LSTM networks for improved PV power forecasting, contributing to more efficient and reliable energy system management.

La generazione di energia solare è significativamente influenzata da fattori ambientali come l'irraggiamento solare, la temperatura, la copertura nuvolosa, la velocità del vento e l'umidità. Queste variabili causano fluttuazioni dinamiche nell'output di potenza dei pannelli fotovoltaici (PV), ponendo sfide alla stabilità e affidabilità della rete. La previsione accurata della generazione di energia fotovoltaica è cruciale per mitigare queste sfide e garantire il funzionamento affidabile dei sistemi di alimentazione. Questo studio propone modelli ibridi di deep learning che combinano la Wavelet Packet Decomposition (WPD) e le reti Long Short-Term Memory (LSTM) per migliorare l'accuratezza delle previsioni di potenza fotovoltaica. I modelli ibridi sono applicati a previsioni di potenza fotovoltaica su scala temporale multipla con intervalli di quindici minuti. La WPD viene utilizzata per decomporre la serie di potenza fotovoltaica originale in diverse sottoserie. Successivamente, vengono sviluppate reti LSTM per prevedere queste sottoserie e ricostruire la potenza fotovoltaica originale utilizzando le sottoserie decomposte come nuove caratteristiche di input. Le prestazioni dei metodi proposti vengono valutate utilizzando uno studio di caso con un dataset reale proveniente da un sito di parcheggio alimentato da panelli fotovoltaici nel campus dell'Università di Twente, Enschede, Paesi Bassi. L'analisi comparativa con modelli LSTM individuali, Regressione Lineare e modelli di Persistenza dimostra la superiorità dei modelli proposti per orizzonti a breve termine. Gli indicatori di valutazione confermano che i modelli ibridi di deep learning proposti eccellono sia in accuratezza che in stabilità delle previsioni a 15 minuti e a 1 ora. Questi risultati evidenziano il potenziale della combinazione di reti WPD e LSTM per il miglioramento delle previsioni di potenza fotovoltaica, contribuendo a una gestione del sistema energetico più efficiente e affidabile.