Design and validation of ANN-based day ahead PV power forecasting for real-time applications: an open source approach

The global energy landscape is undergoing profound transformations due to the growing awareness regarding climate change issues and the need to reduce the emission of climate-changing gases. The increasing demand for renewable energy sources integration, with photovoltaic power leading the process of decarbonization of the electric grid, urges us to eventually reconsider the electrical system as it was built in previous decades while ensuring that the stability and health of the current network is preserved in the meantime. In this context, the availability of more accurate and robust models to predict power generation is needed. This thesis presents the design, implementation, and validation of an artificial neural network (ANN)-based model for day-ahead photovoltaic (PV) power forecasting, utilizing real-time data acquisition systems on a Raspberry Pi platform. A critical gap addressed in this work is the lack of accessible, real-time data from the system. The proposed solution integrates multiple data streams with weather data being gathered using Solcast’s API, and electrical data coming from the plant on an ethernet path employing the Modbus communication protocol. A Node-RED flow orchestrates the collection, decryption, and storage of the data, creating a seamless, real-time flow of information critical for accurate ANN training and forecasting. The core of the forecasting model is a Multilayer Perceptron (MLP) neural network, optimized through a comprehensive sensitivity analysis involving hyperparameter tuning and methods to prevent overfitting. The model was trained on historical data and tested on real-time weather forecasts, with metrics such as Normalized Mean Absolute Error (NMAE) and Weighted Mean Absolute Error (WMAE) validating its performance. The results demonstrate that the system can predict PV power output with high accuracy (NMAE=4.35%) across varying weather conditions, proving the efficacy of integrating open-source technologies for real-time applications in the renewable energy sector. This research contributes a novel, open-source approach to real-time PV power forecasting, bridging gaps in data acquisition and offering a flexible and cost-effective solution for broader renewable energy applications.

Il panorama energetico globale sta subendo profonde trasformazioni grazie alla crescente consapevolezza riguardo ai problemi legati al cambiamento climatico e della necessità di ridurre le emissioni di gas climalteranti. La crescente domanda di integrazione delle fonti energetiche rinnovabili, con l'energia solare fotovoltaica a guidare il processo di decarbonizzazione della rete elettrica, ci spinge a riconsiderare il sistema elettrico così come è stato costruito nei decenni precedenti, garantendo nel frattempo la stabilità e la salute della rete attuale. In questo contesto, è necessario disporre di modelli più accurati e robusti per prevedere la generazione di energia. Questa tesi presenta la progettazione, l'implementazione e la validazione di un modello basato su reti neurali artificiali per la previsione dell'energia fotovoltaica prodotta, utilizzando sistemi di acquisizione dati in tempo reale su una piattaforma Raspberry Pi. Una lacuna critica affrontata in questo lavoro è la mancanza di dati accessibili in tempo reale dal sistema. La soluzione proposta integra più flussi di dati: i dati meteorologici vengono raccolti utilizzando l'API di Solcast e i dati elettrici provengono dall'impianto su un percorso Ethernet che utilizza il protocollo di comunicazione Modbus. Un flusso Node-RED orchestra la raccolta, la decodifica e l'archiviazione dei dati, creando un flusso continuo e in tempo reale di informazioni fondamentali per la creazione e l’utilizzo della rete neurale. Il nucleo del modello di previsione è una rete neurale MLP (Multilayer Perceptron), ottimizzata attraverso un'analisi sensitiva completa che prevede la messa a punto degli hyperparameters e metodi per prevenire l'overfitting. Il modello è stato addestrato su dati storici e testato su previsioni meteorologiche in tempo reale, con metriche quali l'errore assoluto medio normalizzato (NMAE) e l'errore assoluto medio ponderato (WMAE) che ne convalidano le prestazioni. I risultati dimostrano che il sistema è in grado di prevedere la produzione di energia fotovoltaica con un'elevata precisione (NMAE=4,35%) in condizioni meteorologiche diverse, dimostrando l'efficacia dell'integrazione di tecnologie open-source per applicazioni in tempo reale nel settore delle energie rinnovabili. Questa ricerca contribuisce a un approccio innovativo e open-source alla previsione in tempo reale dell’energia solare fotovoltaica , colmando le lacune nell'acquisizione dei dati e offrendo una soluzione flessibile ed economica per applicazioni più ampie nel settore delle energie rinnovabili.