Predicción de la generación fotovoltaica usando Deep Learning

Resumen

La intermitencia de la radiación solar y otros parámetros climáticos hacen que la generación de energía fotovoltaica tenga una alta variabilidad. Por lo tanto, la planificación de la generación se ve afectada cuando hay una penetración de potencia fotovoltaica en el sistema de más de un 10%. El pronóstico preciso a corto plazo de este tipo de generadores es importante para los operadores del sistema de potencia. Este trabajo se refiere a la obtención de un modelo de pronóstico a corto plazo para un parque fotovoltaico de la provincia de Cienfuegos. Se describen modelos basados en Deep Learning como las redes neuronales multicapas LSTM, BiLSTM y GRU para pronosticar la generación de potencia fotovoltaica para el día siguiente o la hora siguiente, a partir de datos históricos del Sistema de Supervisión y Adquisición de Datos (SCADA) y de variables meteorológicas locales. Se trabajó en entorno Matlab y se desarrollaron varios modelos de redes neuronales variando sus parámetros para seleccionar las de mejor desempeño. Dichos modelos se desarrollaron y validaron para un parque de generación fotovoltaica de 5,5 MW. La comparación entre ellos arroja que los de mayor precisión son aquellos que emplean horizontes de tiempo más cortos y redes BiLSTM.

Palabras clave: generación fotovoltaica, modelos de predicción, redes neuronales artificiales, fuentes renovables de energía, deep learning

ABSTRACT.

The intermittency of solar radiation and other climatic parameters make the generation of photovoltaic energy have a high variability. Therefore, the planning of the generation is affected when the penetration of photovoltaic power is more than 10%. Accurate short-term forecasting of these types of generators is important to power system operators. This work refers to obtaining a short-term forecast model for a photovoltaic park in the province of Cienfuegos. Models based on Deep Learning such as LSTM, BiLSTM and GRU multilayer neural networks are described to forecast the generation of photovoltaic power for the next day or the next hour, based on historical data from the Supervisory and Data Acquisition System (SCADA) and of local meteorological variables. We worked in a Matlab environment and several models of neural networks were developed, varying their parameters to select the ones with the best performance. These models were developed and validated for a 5.5 MW photovoltaic generation park. The comparison between them shows that the ones with the highest precision are those that use shorter time horizons and BiLSTM networks.

Keywords: photovoltaic generation, prediction models, artificial neural networks, renewable energy, deep learning