Previsão da irradiância global horizontal de curto prazo com modelos de deep learning

Abstract

A utilização de fontes renováveis e sustentáveis de energia na rede elétrica está se tornando cada vez mais importante para enfrentar a atual crise climática. Dentre elas, a energia solar, em particular a energia solar fotovoltaica, se destaca por ser a mais barata, robusta e abundante ao redor do mundo. Contudo, a alta integração de uma fonte não despachável e incontrolável representa um desafio para os operadores do sistema elétrico, pois aumenta o grau de incerteza associado a suas tomadas de decisão. Uma possível solução para esse problema seria a previsão precisa da Irradiância Global Horizontal (GHI) de curto prazo, que forneceria aos operadores a informação da disponibilidade do recurso solar com minutos de antecedência, permitindo-lhes tempo para agir de acordo. Portanto, o objetivo deste trabalho consiste em treinar arquiteturas de aprendizado profundo, como a ResNet18 a as redes Long Short-Term Memory, para gerar previsões da GHI atual (nowcasting) e 5 minutos no futuro (forecasting) com o uso apenas de imagens do céu como dado de entrada. O conjunto de dados utilizado para o treinamento foi o de Folsom, CA [Pedro, Larson e Coimbra 2019], que contêm mais de um milhão de medidas de GHI e aroximadamente 800,000 imagens do céu correspondentes. Nos experimentos de nowcasting, o uso do índice de céu claro kt como a variável alvo dos modelos gerou melhores resultados do que a GHI, ao mesmo tempo que mostrou-se mais robusto às diferenças de distribuição sinteticamente aplicadas no conjuto de teste. O melhor modelo de nowcasting, que foi usado tanto para o fine tuning quanto para a extração de embeddings nos experimentos de forecasting, alcançou um RMSE de 35,68 W/m2 no conjunto de teste. No primeiro experimento de forecasting, os embeddings extraídos do nowcasting foram usados para treinar uma rede LSTM+MLP, enquanto que no segundo experimento é realizado um fine tuning no modelo de nowcasting e ele é treinado simultaneamente com a rede LSTM+MLP. Ambos os experimentos alcançaram resultados compatíveis com o atual estado da arte, com forecasting skills de 10,31% e 9,81%, respectivamente.

The use of renewable and sustainable energy sources in the electrical grid is becoming increasingly important in order to address the world’s ongoing climate crisis. Among these, solar energy, in particular solar photovoltaic energy, stands out as being the cheapest, most robust and abundant across the globe. However, the high integration of such a volatile and uncontrollable energy source poses a challenge to the system operators, as it increases the uncertainty in their decision making. One possible solution to this problem comes in the form of accurate short-term Global Horizontal Irradiance (GHI) forecasts, providing the grid operators the information about the availability of solar power generation several minutes ahead, which allows them time to act accordingly. Thus, the goal of this work is to train deep learning architectures, such as the popular ResNet18 and Long Short- Term Memory Networks, to provide GHI nowcasts and 5 minutes ahead forecasts based solely on the use of sky images as input data. The dataset used for training was the Folsom, CA dataset [Pedro, Larson e Coimbra 2019], which contains over one million GHI measurements, as well as approximately 800,000 corresponding sky images. In the nowcasting experiments, the use of the clear sky index kt as the model’s target variable yielded better results than the GHI, while also proving to be more robust to the synthetic distribution shift applied to the test set. The best nowcasting model, which was used for both fine tuning and embedding extraction in the forecasting task, achieved an RMSE of 35,68 W/m2 on the test set. In the first forecasting task, the extracted nowcasting embeddings were used to train a LSTM+MLP network, while in the second task the nowcasting model is fine tuned and trained simultaneously with the LSTM+MLP network. Both experiments achieved state of the art results, with forecasting skills of 10,31% and 9,81%, respectively.