Adaptive set membership approach to solar energy generation forecasting

The integration of Distributed Energy Resources (DERs), such as solar photovoltaic (PV) systems, is increasingly vital in modern power grids. However, their inherent variability poses significant challenges for accurate prediction, making real-time forecasting essential for optimizing energy flows. This thesis presents the development of an adaptive prediction model for solar energy generation using the Set Membership approach, focusing on a 6- hour forecast horizon. The model leverages a two-year dataset sampled every 15 minutes from Lappeenranta, Finland. Unlike traditional methods, this approach continuously refines parameter bounds to adapt to changing conditions, enhancing prediction accuracy. The results demonstrate the model’s dynamic adaptation to both seasonal and daily variations, achieving MAPE errors of 37% and 45% for the 15-minute and 6-hour horizons, respectively, indicating its potential as a robust alternative to fixed-coefficient models. The study concludes with suggestions for improving prediction accuracy by exploring hybrid models, non-linear structures, and incorporating external variables.

L’integrazione delle Risorse Energetiche Distribuite (DER), come i sistemi fotovoltaici (PV) solari, è sempre più cruciale nelle reti elettriche moderne. Tuttavia, la loro variabilità intrinseca pone significative sfide per una previsione accurata, rendendo essenziale una previsione in tempo reale per ottimizzare i flussi energetici. Questa tesi presenta lo sviluppo di un modello predittivo adattivo per la generazione di energia solare utilizzando l’approccio del Set Membership, con un orizzonte di previsione di 6 ore. Il modello sfrutta un dataset di due anni campionato ogni 15 minuti proveniente da Lappeenranta, Finlandia. A differenza dei metodi tradizionali, questo approccio affina continuamente i limiti dei parametri per adattarsi alle condizioni variabili, migliorando così la precisione delle previsioni. I risultati dimostrano l’adattamento dinamico del modello alle variazioni stagionali e giornaliere, raggiungendo errori MAPE del 37% e 45% rispettivamente per gli orizzonti di previsione di 15 minuti e 6 ore, indicando il suo potenziale come alternativa robusta ai modelli a coefficienti fissi. Lo studio si conclude con suggerimenti per migliorare la precisione delle previsioni esplorando modelli ibridi, strutture non lineari e l’integrazione di variabili esterne.