A data-drive day-ahead and intraday photovoltaic power production forecasting methodology

Abstract

Η παγκόσμια εγκατεστημένη ισχύς των συνδεδεμένων στο δίκτυο φωτοβολταϊκών (ΦΒ) συστημάτων αυξάνεται ραγδαία και λόγω της άμεσης εξάρτησής τους από τον καιρό, η ηλεκτρική ενέργεια που διοχετεύεται στο δίκτυο είναι διακοπτόμενη με αρνητικό αντίκτυπο στη λειτουργία του δικτύου. Κάτω από αυτό το πλαίσιο, οι ακριβείς προβλέψεις της παραγωγής ΦΒ ενέργειας είναι επομένως ένα σημαντικό χαρακτηριστικό που μπορεί να βοηθήσει τους οργανισμούς Ηλεκτρικής Ενέργειας και τους διαχειριστές των ΦΒ πάρκων προς στην σωστή κατεύθυνση της διαχείρισης ενέργειας μέσω βελτιστοποιημένης λειτουργίας και του προγραμματισμένου τρόπου λειτουργίας. Πρόσφατες μελέτες στον τομέα περιλαμβάνουν πιο εξελιγμένες και ευέλικτες τεχνικές προ- ημερήσιες προβλέψεις παραγωγής ΦΒ ενέργειας που χρησιμοποιούν αλγόριθμους μηχανικής μάθησης. Με αυτή την μέθοδο τεχνικά εμπόδια όπως η έλλειψη δεδομένων και πληροφοριών από την ΦΒ εγκατάσταση ξεπερνούνται. Σκοπός αυτής της διατριβής είναι να παρέχει μια συνεπή και καθολικά εφαρμοσμένη μεθοδολογία για την εξαγωγή προ-ημερήσιων και ενδοημερήσιων προβλέψεων παραγωγής ΦΒ ενέργειας βελτιώνοντας την ακρίβεια πρόβλεψης του μοντέλου με ταυτόχρονη μείωση του σφάλματος από εξωγενείς παραμέτρους (καιρικές παραμέτρους κ.λπ. Συγκεκριμένα, αυτή η διατριβή πρόσφερε ένα βήμα προς βήμα οδηγό για τον εντοπισμό του βέλτιστου μοντέλου πρόβλεψης. Επιπλέον, προτάθηκε μια μεθοδολογία προ-ημερήσιας πρόβλεψης παραγωγής ΦΒ, η οποία αποτελείται από μια τεχνική επεξεργασίας δεδομένων και στατιστική μετα-επεξεργασία, που είναι ένας καινοτόμος και μοναδικά εφαρμοσμένος συνδυασμός. Επιπροσθέτως, προτάθηκε μια ενδοημερήσια μεθοδολογία πρόβλεψης παραγωγής Φ/Β που αποτελείται από ένα στάδιο ποιότητας δεδομένων (διασφάλιση της ακεραιότητας και εγκυρότητας των δεδομένων), μια προσέγγιση ομαδοποίησης καιρού, ανάπτυξη μοντέλου εξόδου ισχύος βάσει δεδομένων (μοντέλο μηχανικής εκμάθησης για εκπαίδευση/επικύρωση και δοκιμή) και τελική αξιολόγηση της απόδοσης των προβλέψεων. Η επιστημονική ανακάλυψη αυτής της εργασίας έγκειται πρώτα στην πρόκληση της εφαρμογής καινοτόμων και ακριβών μοντέλων προ-ημερήσιας πρόβλεψης και ενδοημερήσιας παραγωγής Φ/Β που θα πρέπει να παρουσιάζουν σφάλματα κάτω από τα τελευταίας τεχνολογίας επίπεδα, χρησιμοποιώντας ελάχιστες παραμέτρους εισόδου και μοναδική μετα-επεξεργασία που αποτελείται από ταξινόμηση καιρού και προηγμένες στατιστικές προσεγγίσεις για τη διόρθωση σφαλμάτων, για σημειακές και περιφερειακές προβλέψεις αντίστοιχα, που είναι ανεξάρτητες από την τοποθεσία και τη ρύθμιση. Συγκεκριμένα, οι αλγόριθμοι προ-ημερήσιας πρόβλεψης και ενδοημερήσιας παραγωγής ΦΒ αξιολογήθηκαν με βάση σύνολα δεδομένων από διαφορετικές κλιματικές συνθήκες από την Κύπρο για να επαληθευτεί η ανεξαρτησία της θέσης και της εγκατάστασης των προτεινόμενων μεθοδολογιών. Επιπλέον, προτάθηκε μια μεθοδολογία για την πρόβλεψη της παραγωγής ΦΒ σε επίπεδο διανομής χρησιμοποιώντας μια υβριδική προσέγγιση ML και μαθηματικών μοντέλων. Η προτεινόμενη μεθοδολογία αξιολογήθηκε με βάση τα σύνολα δεδομένων που παρέχονται από την Αρχή Ηλεκτρισμού Κύπρου (ΑΗΚ) για τα Φ/Β συστήματα που είναι εγκατεστημένα στο σύστημα διανομής της Κύπρου (~250MW). Επιπλέον, τονίστηκε η σημασία της ποιότητας των δεδομένων και η άμεση επίδραση των συνολικών δεδομένων χαμηλής ποιότητας στην ακρίβεια και την αποτελεσματικότητα της πρόβλεψης παραγωγής ΦΒ ενέργειας. Τέλος, τα επόμενα βήματα αυτής της διατριβής βασίζονται στην βελτίωσή της αποτελεσματικότητας των μεθοδολογιών που προτάθηκαν. Θα επικεντρωθούν κυρίως στον προσδιορισμό μιας μεθόδου μείωσης του υποχρεωτικού εύρους εκπαίδευσης για τα μοντέλα πρόβλεψης, στην ενσωμάτωση των μετεωρολογικών δεδομένων στη μεθοδολογία πρόβλεψης και στη βελτίωση των προβλέψεων ηλιακής ακτινοβολίας και τελικά στην ανάπτυξη μιας συσκευής Internet of Things (IoT) για μεμονωμένες ΦΒ εγκαταστάσεις και συγκεντρωτικές προβλέψεις παραγωγής ΦΒ ενέργειας.

The global installed capacity of grid-connected photovoltaic (PV) systems is rapidly increasing and due to their dependence on weather conditions, the electricity injected to the grid is intermittent with a negative impact on the grid operation. Along with this context, accurate forecasts of the PV production are, therefore, an important feature that can assist utilities and plant operators in the direction of energy management through optimal operation, dispatchability and operation mode planning. Recent advances involve more sophisticated and flexible day-ahead (DA) PV power production forecasting techniques utilising data-driven machine learning (ML) approaches that overcome technical barriers due to lack of system characteristics information and operational performance status. The scope of this thesis is to provide a consistent and universally-applied methodology to derive DA and intraday PV power production forecasts by improving the forecasting accuracy of the model while reducing the error from exogenous parameters (weather parameters, etc.). Specifically, this work offered a step by step guideline to identify the optimal ML or statistical model for forecasting. In addition, a DA PV production forecasting methodology was proposed, which comprised of a data-driven technique and statistical post-processing, which is an innovative and uniquely applied combination. Furthermore, an intraday PV production forecasting methodology was proposed comprised of a data quality stage (ensuring data integrity and validity), a weather clustering approach, data-driven power output model development (machine learning model for training/validation and testing), and final forecasting performance evaluation. The scientific breakthrough of this work lies firstly in the challenge of the implementation of innovative and accurate DA and intraday PV production forecasting models that should exhibit errors below the state-of-the-art levels, utilising minimum input parameters and unique post-processing that is comprised from weather classification and advanced statistical approaches for error correction, for point and regional forecasts respectively, that are location and setup independent. Specifically, the DA and intraday PV production forecasting algorithms were evaluated against data sets for climatic conditions different from Cyprus to verify the location and setup independence of the proposed methodologies. In addition, a methodology was proposed for distribution level PV production forecasting using a hybrid approach of ML and mathematical models. The proposed distribution level methodology was evaluated against data sets provided by the Electricity authority of Cyprus (EAC) for the PV systems installed at the distribution system of Cyprus (~250MW). Moreover, the importance of the data-quality and the direct effect of the low-quality data sets on the PV production forecasting accuracy and effectiveness was also stressed and evaluated. Finally, the next steps, the and efficiency of the methodologies proposed in this thesis, will mainly focus on the identification of a method to reduce the mandatory training range for the forecasting models, the incorporation of NWP data within the forecasting methodology and the improvement of the solar irradiance forecasts and eventually development of an Internet of Things (IoT) device for single PV plant and aggregated PV production forecasts.