Zastosowanie metod uczenia maszynowego do predykcji generowanej energii w małym systemie PV

pol Article in Polish DOI: 10.14313/PAR_252/37

send Adam Idźkowski , Mateusz Sumorek Politechnika Białostocka, Wydział Elektryczny

Download Article

Streszczenie

Artykuł przedstawia problem prognozowania generacji energii elektrycznej w małych systemach fotowoltaicznych (PV). Celem opracowanych długoterminowych prognoz jest możliwość poprawnego zarządzania systemem elektroenergetycznym poprzez podejmowanie odpowiednich działań zachowawczych. Przeanalizowano czynniki atmosferyczne wpływające na pozyskiwanie energii elektrycznej w systemach fotowoltaicznych. Dokonano porównania wybranych modeli prognostycznych z wykorzystaniem uczenia maszynowego, m.in. sieci neuronowych MLP oraz metody wektorów nośnych SVM. Zostały wybrane mierniki pozwalające określić trafność (dokładność) prognoz. Określenie jakości prognoz bazowało na stanach faktycznych pogody, a nie na jej prognozie. Przedstawiono sposób przygotowania danych do utworzenia modeli prognostycznych i zaprezentowano najlepsze modele regresyjne. Do tego celu wykorzystano bibliotekę Scikit-learn umożliwiającą tworzenie skryptów w języku Python. W rozpatrywanym zespole fotowoltaicznym najlepsze rezultaty uzyskano dla modeli MLPRegressor, CatBoostRegressor i SVR. Wykorzystano rzeczywiste dane pomiarowe z systemu paneli ustawionych optymalnie o mocy 3,0 kWp. Dla modelu MLPRegressor osiągnięto największy współczynnik determinacji 0,605 oraz najmniejszy pierwiastek błędu średniokwadratowego 1,79 KWh dla średniej dziennej generacji energii elektrycznej w okresie od kwietnia do września 2022 r. wynoszącej 11,65 kWh.

Słowa kluczowe

elektrownia fotowoltaiczna, model regresji, perceptron wielowarstwowy, prognozowanie wytwarzanej energii, regresja grzbietowa, regresja metodą wektorów nośnych, sieci neuronowe, uczenie maszynowe

The Use of Machine Learning Algorithms to Forecast Energy Production in a Small PV System

Abstract

The article presents data analysis for predicting energy production in photovoltaic (PV) power plant systems. The purpose of long-term forecasts is to determine the effectiveness of preventive actions and manage the power system effectively. Climate variables affecting the production of electricity in photovoltaic systems were analyzed. Forecasting methods using machine learning techniques such as Multi-Layer Perceptron (MLP) neural networks and Support Vector Machine (SVM) were compared. In addition, metrics were selected to determine the quality of forecasts. Determining the quality of forecasts was based on the actual varying conditions, not on the weather forecast data. The way of data preparation to create forecasting models were presented and the models with the best metrics were selected. For this purpose, the Scikit-learn library was used to create scripts in Python. The best results were obtained for regression models: MLPRegressor, CatBoostRegressor and Support Vector Regression. Actual measurement data from a system of optimally-positioned panels with a power of 3.0 kWp were used. For the MLPRegressor model, the highest coefficient of determination 0.605 was achieved with the smallest root-mean-square error of 1.79 KWh.

Keywords

energy forecasting, Kernel Ridge Regression, machine learning, Multi-Layer Perceptron, neural networks, photovoltaic power station, regression model, Support Vector Regression

Bibliography

  1. Sabat M., Baczyński D., Szafranek K. Analiza szeregów czasowych produkcji energii ze źródeł odnawialnych pod kątem niezależności energetycznej wybranego obszaru. „Przegląd Elektrotechniczny”, Vol. 93, No. 9, 2017, 11–15, DOI: 10.15199/48.2017.09.02.
  2. Nawrowski R., Filipiak M., Węgrzyn W., Kurz D., Analiza możliwości zarządzania i rozdziału energii elektrycznej, wyprodukowanej w prosumenckiej instalacji fotowoltaicznej, w budynku z automatyką budynkową. „Przegląd Elektrotechniczny”, Vol. 98, No. 11, 2022, 253–258, DOI: 10.15199/48.2022.11.53.
  3. ElNozahy M.S., Salama M.M.A. Technical impacts of grid-connected photovoltaic systems on electrical networks-a review. “Journal of Renewable and Sustainable Energy”, Vol. 5, No. 3, 2013, DOI: 10.1063/1.4808264.
  4. Moreira M.O., Kaizer B.M., Ohishi T., Bonatto B.D., Zambroni de Souza A.C., Balestrassi P.P., Multivariate Strategy Using Artificial Neural Networks for Seasonal Photovoltaic Generation Forecasting. “Energies”, Vol. 16, No. 1, 2023, DOI: 10.3390/en16010369.
  5. Soori M., Arezoo B., Dastres R., Artificial intelligence, machine learning and deep learning in advanced robotics, a review. “Cognitive Robotics”, Vol. 3, 2023, 54–70, DOI: 10.1016/j.cogr.2023.04.001.
  6. Markovics D., Mayer M.J., Comparison of machine learning methods for photovoltaic power forecasting based on numerical weather prediction. “Renewable and Sustainable Energy Reviews”, Vol. 161, 2022, DOI: 10.1016/j.rser.2022.112364.
  7. Kusuma V., Privadi A., Setya Budi A. L., Budiharto Putri V. L., Photovoltaic Power Forecasting Using Recurrent Neural Network Based On Bayesian Regularization Algorithm. [in:] IEEE International Conference in Power Engineering Application (ICPEA), Malaysia, 2021, 109–114, DOI: 10.1109/ICPEA51500.2021.9417833.
  8. Jailani N.L.M., Dhanasegaran J.K., Alkawsi G., Alkahtani A.A., Phing C.C., Baashar Y., Capretz L.F., Al-Shetwi A.Q., Tiong S.K., Investigating the Power of LSTM-Based Models in Solar Energy Forecasting. “Processes”, Vol. 11, No. 5, 2023, DOI: 10.3390/pr11051382.
  9. Thangavel A., Govindaraj V., Forecasting Energy Demand Using Conditional Random Field and Convolution Neural Network. “Elektronika ir Elektrotechnika”, Vol. 28, No. 5, 2022, 12–22, DOI: 10.5755/j02.eie.30740.
  10. Mukhtar M., Oluwasanmi A., Yimen N., Qinxiu Z., Ukwuoma C.C., Ezurike B., Bamisile O., Development and Comparison of Two Novel Hybrid Neural Network Models for Hourly Solar Radiation Prediction. “Applied Sciences”, Vol. 12, No. 3, 2022, DOI: 10.3390/app12031435.
  11. Preda S., Oprea S.-V., Bâra, A., Belciu A., PV Forecasting Using Support Vector Machine Learning in a Big Data Analytics Context. “Symmetry”, Vol. 10, No. 12, 2018, DOI: 10.3390/sym10120748.
  12. Tehrani S., Juan J., Caro E., Electricity Spot Price Modeling and Forecasting in European Markets. “Energies”, Vol. 15, No. 16, 2022, DOI: 10.3390/en15165980.
  13. Trzasko W., Analiza wydajności dwuosiowego solarnego układu nadążnego. „Pomiary Automatyka Robotyka”, Vol. 22, No. 1, 2018, 11–17, DOI: 10.14313/PAR_227/11.
  14. Idzkowski A., Karasowska K., Walendziuk W., Temperature Analysis of the Stand-Alone and Building Integrated Photovoltaic Systems Based on Simulation and Measurement Data. “Energies”, Vol. 13, No. 16, 2020. DOI: 10.3390/en13164274.
  15. Machine Learning in Python. https://scikit-learn.org/stable/index.html.
  16. Geron A., Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow, Concepts, Tools, and Techniques to Build Intelligent Systems. O’Reilly Media Inc., USA, 2019.
  17. Müller A.C., Guido S., Introduction to Machine Learning with Python. O’Reilly Media Inc., USA, 2016.
  18. Li G., Wei X., Yang H., Decomposition integration and error correction method for photovoltaic power forecasting. “Measurement”, Vol. 208, 2023, DOI: 10.1016/j.measurement.2023.112462.
  19. Sumorek M., Idzkowski A., Time Series Forecasting for Energy Production in Stand-Alone and Tracking Photovoltaic Systems Based on Historical Measurement Data. “Energies”, Vol. 16, No. 17, 2023, DOI: 10.3390/en16176367.
  20. Radicioni M., Lucaferri V., De Lia F., Laudani A., Lo Presti R., Lozito G.M., Riganti Fulginei F., Schioppo R., Tucci M., Power Forecasting of a Photovoltaic Plant Located in ENEA Casaccia Research Center. “Energies”, Vol. 14, No. 3, 2021, DOI: 10.3390/en14030707.
  21. Wang K., Qi X., Liu H., Photovoltaic power forecasting based LSTM-Convolutional Network. “Energy”, Vol. 189, 2019, DOI: 10.1016/j.energy.2019.116225.
  22. Al-Ali EM., Hajji Y., Said Y., Hleili M., Alanzi AM., Laatar AH., Atri M., Solar Energy Production Forecasting Based on a Hybrid CNN-LSTM-Transformer Model. “Mathematics”, Vol. 11, No. 3, 2023, DOI: 10.3390/math11030676