Publication:
Weather variables forecasting to reduce their impact on photovoltaic systems

No Thumbnail Available
Authors
Delgado Muñoz, Carlos Julian
Embargoed Until
Advisor
O'Neill Carrillo, Efraín
College
College of Engineering
Department
Department of Electrical and Computer Engineering
Degree Level
M.S.
Publisher
Date
2024-03-23
Abstract
Photovoltaic (PV) power generation forecasting is an important research topic, aiming to mitigate the variability caused by weather conditions and improve power generation planning. Climate factors, including solar irradiance, temperature, and cloud cover, influence the energy conversion achieved by PV systems. Long-term weather forecasting improves PV power generation planning, while short-term forecasting enhances control methods, such as managing ramp rates. The stochastic nature of weather variables poses a challenge for linear regression methods. Consequently, advanced, state-of-the-art machine learning (ML) approaches capable of handling non-linear data, such as long short-term memory (LSTM), have emerged. This paper introduces the implementation of a multivariate machine learning model to forecast PV power generation, considering multiple weather variables. A deep learning solution was implemented to analyze weather variables in a short time horizon. Utilizing a hidden Markov model for data preprocessing, an LSTM model was trained using the Alice Spring, Ambient weather, and NSRDB datasets. The proposed workflow demonstrated superior performance compared to the results obtained by other state-of-the-art methods, including support vector machine, radiation classification coordinate with LSTM (RCC-LSTM), and ESNCNN, specifically concerning the proposed multi-input single-output LSTM model. This improvement is attributed to incorporating input features such as active power, temperature, humidity, horizontal and diffuse irradiance, and wind direction, with active power as the output variable.

La predicción de la generación de potencia en los sistemas fotovoltaicos es una importante línea de investigación, cuyo objetivo es mitigar la variabilidad causada por las condiciones meteorológicas y mejorar la planificación de la generación de energía. Factores climáticos como irradiancia, temperatura, y cobertura de nubes, influyen en la conversión de energía realizada por los sistemas fotovoltaicos. Predicciones ambientales a largo plazo mejoran la planificación de la generación de energía fotovoltaica, mientras que la predicción a corto plazo mejora los métodos de control, como la administración de la tasa de cambio de potencia. La naturaleza estocástica de las variables ambientales es un reto para los métodos de regresión lineal; en consecuencia, enfoques avanzados de aprendizaje automático han surgido para dar manejo a estos datos no lineales, un ejemplo de esto es el método LSTM. Este trabajo presenta la implementación de un modelo de aprendizaje automático multivariado para la predicción de generación de energía fotovoltaica, considerando múltiples variables ambientales. Una solución de aprendizaje profundo fue implementada para analizar las variables ambientales en un horizonte de predicción corto. Utilizando el modelo de Markov para el procesamiento previo de los datos, y un método LSTM entrenado con los conjuntos de datos de Alice Spring, Ambient weather, y NSRDB. Los resultados obtenidos son superiores a otros métodos como el método de máquinas de soporte vectorial, RCCLSTM, y ESNCNN, específicamente se obtuvieron mejores resultados con el modelo LSTM de múltiples entradas y una salida. Esta mejora se atribuye a la selección de características de entrada como potencia activa, temperatura, humedad, irradiancia horizontal y difusa, y dirección del viento, junto a la potencia activa como características de salida.
Keywords
Weather,
Forecasting,
Machine Learning,
Photovoltaic,
Power
Usage Rights
Except where otherwise noted, this item’s license is described as Attribution-NonCommercial-ShareAlike 4.0 International
Cite
Delgado Muñoz, C. J. (2024). Weather variables forecasting to reduce their impact on photovoltaic systems [Thesis]. Retrieved from https://hdl.handle.net/20.500.11801/3655