Solar radiation and photovoltaic power forecasting using numerical weather prediction models

Abstract

This work presents a comprehensive approach for photovoltaic (PV) power forecasting, integrating various models and data sources to improve predictions accuracy and reliability. It combines numerical weather prediction (NWP) models with artificial neural networks (ANNs) aiming to assess and predict solar resource and PV power generation at different spatial and temporal scales. First, this approach was used to improve NWP solar irradiance data for a typical meteorological year, reducing errors of global horizontal (GHI) and direct normal irradiance (DNI) estimates to 2.3 % and 3.4 %, respectively, compared to data from eight stations in southern Portugal. Weather and aerosol data are also combined into an ANN-based model for DNI forecasting, reducing root mean squared error (RMSE) by 24.2 W/m² compared to original NWP forecasts, using data from six stations over four years as reference. An improved solar irradiance transposition model is also proposed that accounts for shading effects from adjacent PV rows, resulting in an improvement of 224.4 W/m² in RMSE for global tilted irradiance using data from an experimental setup. Thermal and electrical models for predicting PV module temperature and power output were assessed against three years of data from four systems, and the best performing empirical models were identified. A coupled thermal-electric model, using the single diode 5-parameter electric model, achieves RMSE values of 3.6 °C for temperature and 84.2 W for power output. Finally, an integrated algorithm combining these models was set up to provide accurate PV power forecasts across various systems and locations. Validation with real power plant data demonstrates its accuracy and robustness, achieving a RMSE of 121.0 W/kWp for AC power output forecasts, proving its value in managing solar energy systems. - Resumo: Previsão de radiação solar e produção de energia em sistemas fotovoltaicos com base em modelos numéricos de previsão do tempo Este trabalho apresenta um método para previsão de potência fotovoltaica (PV), integrando vários modelos e fontes de dados para aumentar a precisão e fiabilidade das previsões. Combina modelos de previsão numérica do tempo (NWP) com redes neuronais artificiais (ANNs) com o objetivo de avaliar e prever o recurso solar e a geração de energia PV em diferentes escalas espaciais e temporais. Esta abordagem foi inicialmente usada para melhorar as previsões de modelos NWP para um ano meteorológico típico, reduzindo os erros da irradiância horizontal global (GHI) e normal direta (DNI) para 2,3% e 3,4%, respetivamente, em comparação com os dados de oito estações no sul de Portugal. Foram incorporados dados meteorológicos e de aerossóis num modelo baseado em ANNs para previsão de DNI, reduzindo a raiz do erro quadrático médio (RMSE) em 24,2W/m² em comparação com previsões NWP, usando como referência dados de quatro anos de seis estações no sul de Portugal. Foi melhorado um modelo de transposição da irradiância solar, considerando os efeitos do sombreamento de filas de módulos PV adjacentes, resultando numa melhoria de 224,4W/m² no RMSE da irradiância no plano inclinado, utilizando dados experimentais. Foram avaliados modelos térmicos e elétricos para previsão da temperatura dos módulos PV e da potência gerada com dados de três anos e quatro sistemas, identificando-se os modelos empíricos com melhor desempenho. Um modelo acoplado térmico-elétrico, baseado num modelo elétrico de um díodo e 5 parâmetros, apresentou um RMSE de 3,6°C para a temperatura e 84,2W para a potência. Finalmente, foi construído um algoritmo integrado combinando estes modelos para fornecer previsões de potência PV para vários sistemas e localizações. A validação com dados reais de uma central fotovoltaica demonstrou a sua precisão e robustez, apresentando um RMSE de 121,0W/kWp para previsões de potência AC, provando a sua utilidade na gestão de sistemas solares.