Photovoltaic production forecast at medium voltage distribution networks

July 7, 2023

Esta tese aborda a necessidade crítica de uma previsão solar precisa a curto prazo em Portugal, impulsionada pela crescente adoção da energia solar e pela variabilidade inerente de produção de energia solar. Uma previsão exata é crucial para uma gestão eficiente da rede e para a integração da energia solar na infraestrutura energética existente. As abordagens de aprendizagem automática existentes carecem da integração de modelos físicos e de uma optimização eficiente, o que este trabalho pretende colmatar. O estudo centra-se em 10 subestações em Portugal, utilizando 2 anos de dados treinados com XGBoost, TabNet e redes neuronais. Um modelo físico é integrado, destinado a aperfeiçoar os valores previstos pelo modelo, incorporando a previsão de irradiação e temperatura. O Optuna é utilizado para a optimização do modelo, fornecendo os parâmetros de pesquisa para cada algoritmo. O pré-processamento é integrado para aumentar a precisão do modelo, envolvendo técnicas que avaliam o impacto para cada característica. Na estrutura proposta, o XGBoost demonstra um desempenho superior e um tempo de processamento mais rápido, com um aumento médio de 14% desde a previsão de referência com baixo processamento de dados até uma abordagem que levou em consideração todo o pré-processamento. O trabalho alcançou no final RRMSE médio de 0,1190 kW, um resultado satisfatório considerando as limitações e restrições de tempo. A utilização de um modelo físico não teve o desempenho esperado, valendo a pena explorar no futuro com dados de outros institutos para ver o seu potencial quando conjugado com novos algoritmos. This thesis addresses the critical need for accurate short-term solar forecasting in Portugal, driven by the growing adoption of solar energy as a sustainable power source and the inherent variability of solar power generation. Accurate short-term solar forecasting is crucial for efficient grid management and the integration of solar power into the existing energy infrastructure. Existing machine learning approaches often lack the integration of physical models and efficient optimization frameworks, which this work aims to fill. The study focuses on 10 substations in Portugal, employing 2 years of data trained with XGBoost, TabNet, and NN. A physical model is integrated, destined to refine the model’s predicted values by incorporating irradiation and temperature forecasting. Optuna is utilized for model optimization, providing the search parameters for each forecasting algorithm. Pre-processing is integrated to increase the model’s accuracy and avoid measuring errors, involving customized techniques that assess the impact of data cleansing for each feature. In the proposed framework, XGBoost demonstrates superior performance and faster processing time, with an average increase of 14% from the benchmark forecast with low data processing until the more tailored approach that took all the preprocessing into consideration. The work reached in the end an average RRMSE of 0.1190 kW, which is a satisfactory result considering the limitations and time constraints. The use of a physical model did not perform as expected, being a path worth exploring in the future with data from other institutes to see its potential when joined with new ML algorithms.

Authors in the community:

• 

  D

  Diogo Caneira Mendes

  ist190541

Supervisors of this institution:

• 

  P

  Pedro Manuel Santos de Carvalho

  ist13407

• 

  H

  Hugo Gabriel Valente Morais

  ist428549

203836430

Mestrado em Engenharia e Gestão da Energia

environmental-engineering - Environmental engineering

Keywords

• PV generation forecast
• Machine learning
• Extreme gradient boosting
• Medium voltage distribution networks
• Physical PV model
• Previsão de geração fotovoltaica
• Aprendizagem automática
• Reforço por gradiente extremo
• Redes de distribuição em média tensão
• Modelos físicos fotovoltaicos

eng - English

Instituto Superior Técnico