Intra-hour PV forecast with recurrent neural networks using distributed data

Abstract

Bei einer Stromversorgung, die stark auf Sonnenenergie beruht, braucht man eine hohe Vorhersagegenauigkeit der Photovoltaik (PV) Stromerzeugung. Wichtig für den Zeitrahmen bis zu einer Stunde sind dabei vor allem die steilen Anstiege und Einbrüche durch Wolkenbewegungen, diese können nur mit einer guten Kurzfristvorhersage ausgeglichen werden. In dieser Arbeit entwickeln wir eine Vorhersagemethode, die hauptsächlich auf den Messwerten an anderen PV Anlagen in der Umgebung (10 - 50 km) aufbaut. Die Verbindung dieser Messungen, die durch moderne Technologien leicht umsetzbar ist, erlaubt eine Vorhersage ohne externe Daten. Als Modell werden dafür Rekurrente Neuronale Netze benutzt. Diese sind einerseits gut für Zeitreihen geeignet und andererseits sehr flexibel im Abbilden unterschiedlicher Phänome, wie verschiedener Wetterlagen oder PV Panelausrichtungen. Die Modelle werden an verschiedenen simulierten Szenarien entwickelt und getestet. Das finale Szenario beschreibt Einstrahlungszeitreihen an 25 PV Stationen für teilweise bewölkte Tage mit Änderungen in der Wolkengeschwindigkeit und Richtung. Dabei ist es durch unser Modell möglich, den Vorhersagefehler (RMSE) an wolkigen Tagen um bis zu 39 % zu verringern, im Vergleich zu Vorhersagen aus lokalen Daten. Die Verbesserung ist auf Vorhersagehorizonte von 3 bis 15 Minuten beschränkt, der Bereich könnte aber durch weiter entfernte Messwerte verlängert werden.

For an electricity supply with a high share of solar energy an accurate forecast of photovoltaic (PV) power production is needed. For forecast horizons up to one hour especially fast ramp events induced by cloud movement are important, because the change in energy production can only be compensated with an exact forecast. In this master thesis a forecast method mainly building on measurements of nearby PV stations is developed. The connection of these measurements, easily achieved by modern technologies already in use, allow for a forecast without external data. The tested methods are different architectures of recurrent neural networks. These were developed for time series problems and are very flexible in adjusting to different phenomena, for example different weather regimes and PV panel orientations. The models are developed and tested with different simulated scenarios. The final scenario describes irradiation time series for 25 PV stations for partly cloudy days, with changes in cloud speed and direction. The results of our forecast reduce the forecast error (RMSE) by up to 39 % in comparison to forecasts using only the local data. The improvements are limited to the range of 3 to 15 minutes, this could be extended to longer time frames by the use of more distant measurements.