Comparison of forecasting models for day-ahead photovoltaic production prediction: the PoliGrid case study

The increasing penetration of photovoltaic (PV) systems in energy grids introduces significant challenges due to their non-dispatchable and intermittent nature, requiring accurate day-ahead forecasting for grid stability and electricity market participation. This work compares three representative forecasting approaches: SARIMAX, Random Forest, and LSTM for PV production day-ahead prediction on PoliGrid, the university campus microgrid of Politecnico di Milano. PoliGrid is composed of 7 different PV systems installed across the campus that can be considered as aggregated production or separately one by one. Using real-world 15-minute production data combined with weather forecasts, the models were optimized via time-series cross-validation and evaluated on an independent test set using different accuracy metrics. Results show that Random Forest achieves the highest accuracy (R² = 0.84, NRMSE = 0.768) with the lowest training time (15 s), outperforming LSTM (R² = 0.82, NRMSE = 0.818) and SARIMAX (R² = 0.79, NRMSE = 0.895). Sensitivity analysis confirms that aggregating production data (sum of 7 meters) yields equivalent accuracy to individual models while reducing computational overhead. The study concludes that Random Forest offers the optimal trade-off between prediction accuracy, robustness, and operational feasibility, making it the most suitable choice for real-time integration into PoliGrid’s energy management and day-ahead market bidding framework.

La crescente diffusione degli impianti fotovoltaici (PV) nelle reti energetiche comporta sfide significative a causa della loro natura non regolabile e intermittente, che richiede previsioni accurate con un giorno di anticipo per garantire la stabilità della rete e la partecipazione al mercato dell’energia elettrica. Questo lavoro mette a confronto tre approcci di previsione rappresentativi: SARIMAX, Random Forest e LSTM per la previsione con un giorno di anticipo della produzione fotovoltaica su PoliGrid, la micro-rete del campus universitario del Politecnico di Milano. PoliGrid è composto da 7 diversi impianti fotovoltaici installati in tutto il campus, che possono essere considerati come produzione aggregata o separatamente, uno per uno. Utilizzando dati di produzione reali con intervallo di 15 minuti combinati con le previsioni meteorologiche, i modelli sono stati ottimizzati tramite validazione incrociata delle serie temporali e valutati su un set di test indipendente utilizzando diverse metriche di accuratezza. I risultati mostrano che il modello Random Forest raggiunge la massima accuratezza (R² = 0,84, NRMSE = 0,768) con il tempo di addestramento più breve (15 s), superando le prestazioni di LSTM (R² = 0,82, NRMSE = 0,818) e SARIMAX (R² = 0,79, NRMSE = 0,895). L’analisi di sensibilità conferma che l’aggregazione dei dati di produzione (somma di 7 contatori) produce un’accuratezza equivalente a quella dei singoli modelli, riducendo al contempo il carico computazionale. Lo studio conclude che Random Forest offre il compromesso ottimale tra accuratezza predittiva, robustezza e fattibilità operativa, rendendolo la scelta più adatta per l’integrazione in tempo reale nel quadro di gestione energetica e di offerta sul mercato day-ahead di PoliGrid.