شبکه عصبی مصنوعی برای ارزیابی تأثیر سیستم های فوتوولتائیک مجاورت در پیش بینی توان در اوترخت، هلند

چکیده

برای انجام پیش بینی های تولید برق سیستم فوتوولتائیک (PV)، سیستم معماری شبکه عصبی با استفاده از رگرسیون اتوماتیک غیر خطی با مدل ورودی های برون زاد (NAR) نه تنها با استفاده از داده های تحولات جوی پیاده سازی شده است بلکه علاوه بر این مقیاس هایی از سیستم های PV مجاورت به عنوان ورودی ها پیاده سازی شده اند. پیکربندی های ورودی برای ارزیابی تأثیرات ورودی های مختلف مقایسه شده اند. مقدار افزوده اطلاعات سیستم های PV مجاورت نشان داد که دقت پیش بینی ها را هم در فصل زمستان و هم در تابستان بهبود می دهد. به علاوه، پیش بینی ها تا ۱ ماه آموزده شدند و با مدل ماندگار مقایسه شدند. خطاهای مربع میانگین ریشه نرمال شده (nRMSE) در طیف ۹% و ۲۵% درصد قرار داشت، و مدل NARX بوضوح از مدل ماندگار برای پیش بینی افق های بیشتر از ۱۵ دقیقه پیشی می گرفت.

Abstract

In order to perform predictions of a photovoltaic (PV) system power production, a neural network architecture system using the Nonlinear Autoregressive with eXogenous inputs (NARX) model is implemented using not only local meteorological data but also measurements of neighbouring PV systems as inputs. Input configurations are compared to assess the effects of the different inputs. The added value of the information of the neighbouring PV systems has demonstrated to further improve the accuracy of predictions for both winter and summer seasons. Additionally, forecasts up to 1 month are tested and compared with a persistence model. Normalized root mean square errors (nRMSE) ranged between 9% and 25%, with the NARX model clearly outperforming the persistence model for forecast horizons greater than 15 min.