PhotoVoltaic Power Forecasting over a 15-minute Horizon Through Satellite Imagery and Pyranometer Measurements

This thesis deals with the forecasting of PV power radiation through machine learning algorithms and radiation forecasting. The datasets taken into consideration are the cloud top height dataset, and the radiation dataset, includ- ing the Temperature and the humidity. The forecasted parameters are 2: The cloud top height and the radiation. Although, only the radiation is used and forecasted; due to the inefficiency and the infeasibility of the forecasting and the absence of additional parameters, the cloud top height was forecasted but not related to the radiation, and subsequently to the PV power forecasting. In this thesis, several models were developed, using different variants of the Graph neural networks, with the definition of grid mapping and dynamic edge weight calculations to capture the spatial and temporal features of the dataset. The results and error metrics are de- fined, and the best model is shown the be the hybrid model which includes the Graph Convolution Network (GCN), Graph Attention Networks (GAT), and the GraphSAGE (Graph Sample and aggregate) had the highest efficiency by compar- ing it to the other variants and the base linear model

Questa tesi tratta la previsione della radiazione di potenza fotovoltaica tramite algoritmi di apprendimento automatico e la previsione della radiazione. I dataset presi in considerazione sono il dataset dell’altezza della cima delle nuvole e il dataset della radiazione, inclusi la temperatura e l’umidità. I parametri previsti sono 2: l’altezza della cima delle nuvole e la radiazione. Tuttavia, solo la radiazione è stata utilizzata e prevista; a causa dell’inefficienza e dell’infattibilità della previsione e dell’assenza di parametri aggiuntivi, l’altezza della cima delle nuvole è stata prevista ma non correlata alla radiazione e, successivamente, alla previsione della potenza fotovoltaica. In questo lavoro sono stati sviluppati diversi modelli, utilizzando varianti diverse delle reti neurali a grafo, con la definizione della mappatura della griglia e dei calcoli dinamici del peso dei bordi per catturare le caratteristiche spaziali e temporali del dataset. I risultati e le metriche di errore sono definiti, e il miglior modello si è rivelato essere il modello ibrido che include la rete di convoluzione del grafo (GCN), le reti di attenzione del grafo (GAT) e GraphSAGE (Graph Sample and Aggregate), che ha avuto l’efficienza più alta confrontandolo con le altre varianti e il modello lineare di base