Tiny machine learning for multi-step solar energy nowcasting and edge system deployment

As renewable energy sources are increasingly integrated into modern power systems, the demand for real-time, decentralised forecasting solutions is becoming more urgent. This paper presents the development of TinyML models for short-term multi-step solar nowcasting (within a 10-minute horizon), including artificial neural networks (ANNs), convolutional neural networks (CNNs), and temporal convolutional networks (TCNs), all deployed on an STM32-based edge device. The finalised forecasting architecture demonstrates that all developed models achieve up to 17 % forecasting skill compared to a persistence baseline. The deployed system can collect environmental data in real time and use it as input features for the deployed neural network for real-time reasoning output on the embedded device. Although the camera has not yet been integrated into the reasoning process, it has been successfully used for real-time sky image acquisition, laying the foundation for future acquisition of a local database for vision-enhanced prediction. All environmental data and image data are time-stamped and stored locally on the SD card using the FileX file system.

Con la crescente integrazione delle fonti di energia rinnovabile nei moderni sistemi energetici, la domanda di soluzioni di previsione decentralizzate e in tempo reale sta diventando sempre più urgente. Questo articolo presenta lo sviluppo di modelli TinyML per il nowcasting solare multi-step a breve termine (entro un orizzonte temporale di 10 minuti), che includono reti neurali artificiali (ANN), reti neurali convoluzionali (CNN) e reti convoluzionali temporali (TCN), tutte implementate su un dispositivo edge basato su STM32. L'architettura di previsione definitiva dimostra che tutti i modelli sviluppati raggiungono una capacità di previsione fino al 17% rispetto a una baseline di persistenza. Il sistema implementato può raccogliere dati ambientali in tempo reale e utilizzarli come input per la rete neurale implementata per l'output di ragionamento in tempo reale sul dispositivo embedded. Sebbene la fotocamera non sia ancora stata integrata nel processo di ragionamento, è stata utilizzata con successo per l'acquisizione di immagini del cielo in tempo reale, gettando le basi per la futura acquisizione di un database locale per previsioni basate sulla visione. Tutti i dati ambientali e le immagini sono contrassegnati con timestamp e memorizzati localmente sulla scheda SD utilizzando il file system FileX.