A case study of NeuralProphet and nonlinear evaluation for high accuracy prediction in short-term forecasting in PV solar plant

• Autor: Arias Velásquez, Ricardo Manuel
• Formato: artículo
• Fecha de Publicación: 2022
• Institución: Universidad Privada Peruano Alemana
• Repositorio: UPAL - Institucional
• Lenguaje: inglés
• OAI Identifier: oai:repositorio.upal.edu.pe:20.500.14107/91
• Enlace del recurso: https://hdl.handle.net/20.500.14107/91; https://doi.org/10.1016/j.heliyon.2022.e10639
• Nivel de acceso: acceso abierto
• Materia: Generación de energía fotovoltaica; Energía solar; Predicciones; Modelos matemáticos; Procesamiento de datos; https://purl.org/pe-repo/ocde/ford#2.02.00

La predicción de la energía, así como la producción activa de una planta solar fotovoltaica tienen impacto en la planificación del sistema de energía, especialmente en el análisis de la estacionalidad climática y los ajustes de la precisión de la predicción,. En 2022, algunos autores publicaron algunos análisis asociados a los piranómetros horizontales y los límites en la evaluación de los datos,.El Error de Sesgo Medio de la Irradiación Solar Diaria media (MIEave) oscila entre el 0,17% y el 2,86% asociado un cambio repentino en el clima y aumenta el "riesgo de estimar erróneamente la generación potencial de electricidad" con un error a corto plazo de más del 50% y la Irradiación Horizontal Global (GHI) tiene un error de sesgo medio (MBE) de al menos ±8%. En este artículo de investigación, se presenta una propuesta para la previsión a corto plazo que combina los datos del satélite con los de las estaciones meteorológicas y el modelo estadístico asociado al nuevo análisis de estacionalidad mediante dos enfoques: i) NeuralProphet, regresión Ridge, ii) Long Short-Term Memory con redes neuronales convolucionales. Además, requiere tres indicadores clave de rendimiento (KPI) como retroalimentación: el error medio absoluto (MAE), el error cuadrático medio relativo (RMSE), y el error porcentual medio absoluto (MAPE). Los resultados demuestran un MAPE del 5,93% y un tiempo computacional de 852,10 s y la comparación con los nuevos métodos de predicción de 2019 a 2021. Este artículo de investigación ilustra el nuevo enfoque con el método de predicción en un caso de la planta solar fotovoltaica en Perú y demuestra los resultados de robustez y estacionalidad, y nuevas mejoras a corto plazo asociadas a la influencia externa, como las condiciones de nubosidad y la disponibilidad de recursos. Los resultados son una mejora del modelo MAPE 12,14%-5,93%; incluso comparado con la literatura y los modelos actuales como ARIMA-LSTM con 10,57%, LSTM con NN y G, SARIMA y SVM considerando Ruido Blanco Gaussiano con 8,14% y Prophet con SVM con 8,81%. Prediction of the energy, active production from the PV solar plant is a challenge in cloudy weather or with clouds over the solar plant; therefore, it has impact in the planning of the power system, especially in the season analysis and prediction accuracy adjustments, for example in holidays. In 2022, some authors published some analysis associated to horizontal pyranometers and the limits in the evaluation of the data, the Mean Bias Error of Daily Solar Irradiation average (MIEave) ranges from 0.17% to 2.86% associated a sudden change in the weather, it increases the “risk of misestimating the potential electricity generation” with short-term error of more than 50% and the Global Horizontal Irradiance (GHI) has a mean bias error (MBE) of at least ±8% [1]. In this research article, a novel proposal for short-term forecasting combines the satellite with meteorological station data and statistical model associated to the new seasonality analysis by using two approaches: i) NeuralProphet, Ridge regression, ii) Long Short-Term Memory with convolutional neural networks. Besides, it requires three KPI as feedback, it is the mean absolute error (MAE), relative Root mean square error (RMSE), and mean absolute percentage error (MAPE). The results demonstrate a MAPE of 5.93% and a computational time 852.10 s and the comparison with new predictions methods from 2019 to 2021. This research article illustrates the new approach with the forecasting method in a case of the PV solar plant in Peru and proves the robustness and seasonality results, and new short-terms improvements associated to external influence as cloudy conditions and resource availability. Our findings are an improvement of the model MAPE 12.14%–5.93%; even compared with the literature and currently models as ARIMA-LSTM with 10.57%, LSTM with NN and G, SARIMA and SVM considering Gaussian White Noise with 8.14% and Prophet with SVM with 8.81%.