Data driven upscaling method for regional PV power estimation and forecast using satellite and numerical

weather prediction data

Alessandro Perottoa, Marco Pierrob,c, Enrico Maggionia, Francesco Spadaa, Cristina Cornarob,d, David Moserc, Bruno Fasolie, Danilo Pederivae, David Tschagere

aIdeam Srl, via Frova 34 Cinisello Balsamo, Italy, e-mail: alessandro.perotto, enrico.maggioni, francesco.spada@ideamweb.combDepartment of Enterprise Engineering, University of Rome Tor Vergata, Via del Politecnico 1, 00133 Rome, Italy, e-mail: cornaro@uniroma2.it, marco.pierro@gmail.comcEURAC Research, Viale Druso 1, 39100 Bolzano, Italy e-mail: david.moser@eurac.edudCHOSE, University of Rome Tor Vergata, Via del Politecnico 1, 00133 Rome, Italy 7eAlperia Energy Srl, Via Dodiciville 8, 39100 Bolzano

Mercati energetici e metodi quantitavi: un ponte tra Università e Aziende, 13 Ottobre 2016, Padova

Introduzione

Estate 2015 – Edyna (Alperia) inizia a collaborare con EURAC per sviluppare una nuova metodologia con modelli “data-driven” per la stima e la previsione a breve-medio termine della produzione fotovoltaica a livello regionale.IDEAM fornisce i dati meteorologici provenienti da modelli numerici e la radiazione solare stimata da dati satellitari.

PV Power ramp

Reserve

Con l'aumento della quantità di energia proveniente dagli impianti fotovoltaici nel flusso aumenta la variabilità stocastica dipendente dalle condizioni meteorologiche. Puo' quindi essere compromessa la stabilità della rete elettrica su scala regionale.

Il comportamento stocastico del carico residuo, indotto dalla variabilità dell'irradianza solare, introduce un errore ulteriore nella previsione dell'energia che il TSO dovrebbe fornire al DSO per soddisfare la richiesta energetica di una regione.

Le previsioni possono essere utilizzate per ridurre lo sbilanciamento energetico tra il profilo di trasmissione (“transmission scheduling”) atteso rispetto a quello reale

Sbilanciamento relativo = (|transmissionexpected - transmissionactual|)/ transmissionactual

Nel 2015 in Alto Adige il 6,9 % dell'energia elettrica consumata proveniva da impianti fotovoltaici.Valore comparabile alla media nazionale (7,9%).

Importanza di stima e previsione

La stima permette la supervisione della produzione di energia distribuita in tempo reale, la previsione del carico netto, del profilo di trasmissione ed è utile per il trading energetico.

Senza compiere alcuna previsione di produzione fotovoltaica, da cui si ottiene la transmissionexpected, lo sbilanciamento annuale relativo per il 2015 sarebbe stato pari a 11%.Includendo la previsione lo sbilanciamento annuale si riduce al 2% per la previsione del giorno dopo e a 1.8% per la previsione a 2 ore.

In estate, durante le ore centrali del giorno, lo sbilanciamento raggiunge valori tra 60% e 75%. Per certe ore la produzione fotovoltaica fornisce più del 60% dell'energia necessaria al DSO

Massimo sbilanciamento utilizzando le previsioni è del 14%

Esempio con penetrazione da fotovoltaico del 7%

Impatto della previsione

Upscaling regionale e clusterizzazione

1975 impianti fotovoltaici distributi su un'orografia complessa.

Tramite il K-mean algorithm vengono generati gruppi rappresentativi dell'irradianza su scala regionale.

Il risultato sono 6 cluster con relativi centroidi.

I vantaggi sono:

- economizzare le risorse di calcolo, evitando di stimare e prevedere la produzione energetica di ogni singolo impianto- ridurre il numero di dati di input richiesti- lo “smoothing” spaziale riduce l'errore previsionale.

Modelli numerici per le previsioni meteorologiche

Previsione meteorologica: predire l’evoluzione dello stato dell'atmosfera (P, T, RH, U, V, W, copertura, fenomeni) nel tempo

Modello matematico: rappresentazione degli aspetti essenziali di un sistema che ne permette la conoscenza in forma utilizzabile (Eykhoff - 1974)

Osservazioni

Modello

Output

Previsione

WRF

Il modello utilizzato è il WRF (Weather Research and Forecasting) a scala locale (LAM)

Dominio italiano con 12 km di risoluzione orizzontale

dominio “nested”: 3 km di risoluzione orizzontale a causa dell'orografia complessa

Dati iniziali e di contorno provenienti dal modello globale americano GFS.

Schema radiativo scelto: RRTM

- descrive la variabilità della nuvolosità a risoluzioni inferiori al grigliato grazie a un'approssimazione indipendente con metodo di Montecarlo della colonna atmosferica- distingue tra le componenti diretta e diffusa e, per lo spettro, tra vicino infrarosso, visibile ed ultravioletto.

La composizione chimica dell'atmosfera è descritta da tabelle semi-empiriche. Non è accoppiato ad un modello chimico.

MOSRH

MOS = Model Output Statistics

MOSRH (Pierro et al. 2015, Model output statistics cascade to improve day ahead solar irradiance forecast. Solar Energy 117, 99–113.) simula semi-empiricamente l'assorbimento della radiazione da parte dell'umidità relativa (RH).

– Non si comporta come una funzione a gradino

– Non prende in considerazione solo i livelli dove l'umidità relativa raggiunge la saturazione ma ogni livello che supera una soglia predeterminata

– L'assorbimento della radiazione solare cresce linearmente una volta superata la soglia per raggiungere il completo assorbimento solo quando l'umidità relativa raggiunge il 100%. Successivamente la riduzione della radiazione è pesata in relazione alla quantità di umidità nel singolo livello verticale indipendentemente dall'altitudine.

– Si effettua una regressione lineare

dove a, b, c, d sono i parametri dedotti dal confronto con le osservazioni

– Casistiche differenti in base al tipo di tempo: sereno, parzialmente nuvoloso, molto nuvoloso o coperto

GHI for=dGHI cs(1−a PCC b)+c

Ensemble di reti neurali: RHNN

RHNN genera le previsioni dell'indice di clear sky per il giorno(i) successivo (Pierro et al. 2016. Multi-Model Ensemble for day ahead prediction of photovaltaic power generation, Solar Energy 134 132-146)

Architettura reti: MLPNN con 2 livelli. Vengono eseguite 500 reti, dalle quali viene selezionato un ensemble qualificato (circa 300 ANN) scegliendo tutte le reti con un errore quadratico medio (MSE) inferiore al MSE medio delle 500 reti. La previsione è ottenuta dalla media dei risultati dell'ensemble

Dopo numerosi casi di studio (Pierro et al. 2016, Deterministic and stochastic approaches for day-ahead solar power forecasting) come input sono utilizzati i seguenti campi previsti dal WRF: la temperatura a 2 m, la RH su una combinazione di livelli verticali e opzionalmente l'irradianza con cielo sereno.Non è necessaria una previsione di radiazione al suolo.

RHNN applicata alle previsioni a breve-medio termine su scala regionale

Sono stati testati numerosi approcciI risultati migliori sono stati ottenuti applicando la “principal component analysis” (PCA) ai campi di umidità relativa e successivamente eseguendo una ANN (PCARHNN).

La PCA riduce la dimensionalità dei dati di input da 76 a 5.

PCARHNN è la metodologia piu' semplice e che richiede meno risorse di calcolo

Irradianza derivata da stime Satellitari

Fonte: METEOSAT-9 (MSG3), satellite geostazionario

Algoritmo: OSI SAF SSI

Centrato su 0 gradi di longitudine

Finestra: 60O a 60E, 60N a 60S

Risoluzione orizzontale: 0.05 gradi

Risoluzione temporale = 1 ora

Disponibile in quasi real time (~ 2 ore dopo la misurazione)

Stima di produzione fotovoltaica su scala regionaleSono necessarie poche informazioni, puo' essere facilmente adottato dalle DSO.

Il modello di stima di potenza prodotto raggiunge, usando la radiazione derivata dal satellite, un RMSE di 3% e un MAE (errore medio assoluto) di 2% rispetto alla potenza nominale installata.Le stime tramite stazioni al suolo ottengono un RMSE di 2% e un MAE di 1.5%

Risultati

Le osservazioni del 2014 sono state usate per addestrare la rete. Il 2015 per test e validazione dei risultati.Gli errori sono normalizzati in base alla potenza nominale installata.Nella figura è rappresentata la persistenza semplice.

Previsioni intraday

Le previsioni del modello intraday utilizzano le stime passate derivare dai dati satellitari e le previsioni per il giorno successivo.

Le stime delle precedenti 4 ore e le previsioni a breve termine (PCARHNN) per le 4 ore successive sono utilizzare come input per questa specifica rete.

Risultati

Il modello di “clear sky persistence” si comporta meglio della persistenza semplice, ed è derivato dall'indice di clear sky.

I dati satelliari possono essere usati per prevedere la produzione assieme ai dati NWP fino ad un orizzonte di 4 ore.

Per orizzonti superiori le previsioni intraday sono meno accurati rispetto al PCARHNN.

Intervalli di confidenza

Gli intervalli di confidenza possono essere valutati prevedendo la deviazione standard dei residui (σ for ) ipotizzando che i residui siano normalmente distribuiti intorno allo zero.

Algoritmi conservativi:Min: NetLoad(clear sky)=Load-PVcsMax: NetLoad(overcast)=Load

L'incertezza permette di stimare la probabilità di una specifica offerta di produzione fotovoltaica sul mercato energetico.Inoltre permette di ridurre la riserva di energia prevista per il giorno successivo.

La riserva energetica dovrebbe essere stimata prevedendo il minimo e il massimo del carico netto per il giorno successivo con una confidenza almeno del 95%

Algoritmi di intervalli di confidenza:Min: NetLoadlow(95%)=Load-PVup(95%)Max: NetLoadup(95%)=Load-PVlow(95%)

PVcs PVlow(95%)PVup(95%)

Impatto degli intervalli di confidenza

La curva PVlow riduce la riserva necessaria durante i giorni con nuvolosità variabile o cielo sereno

Il PVup riduce la riserva necessaria nei giorni di cielo coperto

PVlow(95%)PVup(95%)

Impatto degli intervalli di confidenza

Le riserve energetiche necessarie sono 36.6% inferiori utilizzando l'algoritmo degli intervalli di confidenza rispetto alla riserva calcolata con l'algoritmo conservativo.

La maggiore riduzione può essere ottenuta da Maggio a Settembre, soprattutto grazie all'utilizzo della curva PVlow durante le giornate serene.

Impatto degli intervalli di confidenza

Conclusioni

Le stime e previsioni di produzione fotovoltaica a livello regionale raggiungono una maggiore accuratezza rispetto alla stima sul singolo impianto e sul singolo centroide.

L'accuratezza della stima prodotta utilizzando i dati satellitari è intorno al 3% rispetto alla potenza nominale. Questa metodologia potrebbe essere facilmente utilizzata dalla DSO ed ha prestazioni “solo” leggermente inferiori alla stima derivata dalle stazioni al suolo. Risparmiando sull'installazione e il mantenimento di una rete di stazioni a terra.

Le previsioni “intraday” e “day-ahead” ottengono risultati “state of the art” per le previsioni fotovoltaiche a livello regionale.

L'utilizzo delle previsioni ha ridotto lo sbilanciamento annuale del “transmission scheduling” dall'11% al 2% per la previsioni del giorno successivo e a 1,8% per la previsione a 2 ore.

L'utilizzo degli intervalli di confidenza ha potenzialmente ridotto le riserve energetiche necessarie del 36,6%, con riduzioni maggiori nel periodo da maggio a settembre.

Grazieper l'attenzione