Methodology Based on Artificial Neural Networks for Hourly Forecasting of PV Plants Generation

Authors

Keywords:

Artificial neural network, Solar photovoltaic generation, Multilayer perceptron, Radial basis function

Abstract

We propose a methodology for the hourly forecast of the photovoltaic (PV) power of two plants (6.03 kWp and 7.37 kWp) installed in the metropolitan region of Fortaleza - CE. The methodology uses two Artificial Neural Networks (ANN) to predict time series: Perceptron type with Multiple Layers (MLP) and radial base functions (RBF), trained with historical data of hourly PV power collected during the year 2020 in the locations under study. System performance meters are applied (correlation coefficient - R, Nash-Sutcliffe efficiency - NSE and relative trend - VR). The data evaluated in each plant are treated using MLP and RBF networks, as well as the Persistence method, seeking to increase the study reliability. ANN results indicate potential to learn the behavior of the plants, with R above 80%, VR close to zero and NSE above 0.50 in two of the applications. In this specific case, despite being similar networks, MLP shows a higher accuracy than RBF.

Downloads

Download data is not yet available.

Author Biographies

André Wagner de Barros Silva, Universidade Federal do Ceará

Graduado em Engenharia Elétrica pela UFC (2012), Pós-Graduado em Projeto, Execução e Controle em Engenharia Elétrica pelo Instituto de Pós-Graduação (IPOG - 2015). Engenheiro Eletricista na UFCA e mestrando em Engenharia Elétrica pela UFC.

Breno Bezerra Freitas, Universidade Federal de Ceará

Graduação em Eng. Elétrica pela UFC (2018), mestrando em Eng. Elétrica pela UFC e membro do Laboratório de Energias Alternativas (LEA) da UFC. Interesse em fotovoltaica, eficiência energética e modelagem 2D/3D.

César Lédio de Alencar Filho, Universidade Federal do Ceará

Graduado em Eng. Elétrica pela Unifor (2020). Mestrando em Eng. Elétrica pela UFC. Interesses: Planejamento Energético, Mercado de Energia, Inteligência Artificial.

Claudivan Domingos de Freitas, Universidade Federal do Ceará

Graduado em Eng. Elétrica pela UFC (2019). Mestrando em Eng. Elétrica pela UFC. Interesses: Proteção e Automação de SEP, Geração Distribuída, Redes Elétricas Inteligentes e Qualidade de Energia.

Elder Alves de Sousa Junior, Universidade Federal do Ceará

Técnico em eletrotécnica pelo IFCE (2013), graduação em Eng. Elétrica pelo Centro Universitário 7 de Setembro (UNI7) (2020), mestrando em Eng. Elétrica pela UFC, trabalha na INACE (Industria Naval do Ceará).

Erasmo Saraiva de Castro, Universidade Federal do Ceará

Graduado em Eng. Elétrica pela UFC (2012) e Mestre em Eng. Elétrica pela UFC (2015). Doutorando em Eng. Elétrica pela UFC. Professor do curso de Engenharia Elétrica da UFC (campus Sobral). Interesses: Análise de Sistemas Elétricos de Potência, Eletrônica de Potência em Sistemas de Energia Elétrica, Geração Distribuída e Fontes Renováveis.

Esdras Miranda de Araújo, Universidade Federal do Ceará

Graduado em Eng. Elétrica pela UFPE (2003), Pós-Graduado em Gestão de Empresas pela Fundação Getúlio Vargas (2013). Mestrando em Eng. Elétrica pela UFC. Interesses: Geração distribuída, Comunidades Energéticas, Smart grid, Energia solar e Eficiência Energética.

Francisco Israel Freire Correia, Universidade Federal do Ceará

Graduado em Eng. Elétrica pela UNIFOR (2018). Trabalha como Eng. Eletricista na empresa Clean Energy, empresa voltada para o ramo de energia solar. Interesses: Geração Fotovoltaica, Eficiência Energética e Sistema de Potência.

Francisco Renato Ponte da Silva, Universidade Federal do Ceará

Graduado em Eng. Elétrica pela UNIFOR (2019), cursando especialização em Eficiência Energética – UNIFOR. Proprietário de empresa voltada para instalações elétricas e eficiência energética, SATTVA ENERGIAS. Interesses: Geração fotovoltaica, Eficiência Energética e Laudos Elétricos.

José Janiere Silva de Souza, Universidade Federal do Ceará

Tecnólogo em Mecatrônica Industrial pelo IFCE (2017), Mestre em Eng. Elétrica pela UFC (2020). Professor efetivo do IFCE Campus Cedro. Interesses: Geração distribuída, Energia Solar e Veículos Elétricos.

Luís L’Aiglon Pinto Martins, Universidade Federal do Ceará

Graduado em Eng. Elétrica pela UFC (2000), MBA em Gestão de Projetos FGV (2009), Pós-graduado em Eng. de Manutenção pela UCAM (2013) e em Finanças pela PUCRS (2019). Mestrando em Eng. Elétrica pela UFC. Atua na manutenção de MPCCS da CHESF há 18 anos.

Luis Rodolfo Rebouças Coutinho, Universidade Federal do Ceará

Possui graduação em Eng. Elétrica pela UFC (2008) e Mestrado em Computação Aplicada pela UECE (2013). Atualmente, doutorando em Eng. Elétrica pela UFC, na área de Sistemas de Potência, e Professor do curso de Engenharia da Computação na UFC (Campus Quixadá). Possui interesse nas áreas de: sistemas embarcados, automação residencial, microgeração, modelagem computacional e teoria dos jogos.

Natalia Pimentel Lado Ces, Universidade Federal do Ceará

Graduação em Eng. Elétrica pela UFC (2018). Mestranda em Eng. Elétrica pela UFC. Linha de pesquisa: Energias Renováveis e Sistemas Elétricos, com ênfase em Microrredes

Ricardo Castelo, Universidade Federal do Ceará

Graduação em Eng. Elétrica - UNIFOR, Especialização em Geração Solar Fotovoltaica – SENAI-GTZ, Especialização em Geração Termossolar – ISITEC-GTZ, Especialização em Geração de Energia Eólica – Garrah Hassan/GTZ, MBA em Gerenciamento de Projetos – Mrh / FGV-RJ, MBA em Gestão Estratégica de Negócios – Mrh / FGV-RJ, Especialização em Eng. e Segurança do trabalho – FAAP, Especialização em Gerenciamento de Meio Ambiental – USP.

Paulo Cesar Marques de Carvalho, Universidade Federal do Ceará

Graduação em Eng. Elétrica pela UFC (1989), mestrado em Eng. Elétrica pela UFPB (1992) e doutorado em Eng. Elétrica pela Universidade de Paderborn, Alemanha (1997). Professor titular do DEE - UFC. Coordena o Laboratório de Energias Alternativas da UFC. Bolsista de produtividade em pesquisa do CNPq.

Tatiane Carolyne Carneiro, Universidade Federal do Ceará

Graduação em Eng. Ambiental pela UFCG (2012) e Mestrado em Eng. Elétrica pela UFC (2014). Atualmente é professora assistente do Departamento de Eng. Ambiental da UFMA e doutoranda do Programa de Pós-Graduação em Eng. Elétrica da UFC.

References

INTERNATIONAL ENERGY AGENCY. Key World Statistics 2020. Disponível em: <https://www.iea.org/reports/key-world-energy-statistics-2020>. Acesso em: 15 fev. 2021.

INTERNATIONAL RENEWABLE ENERGY AGENCY. Solar Energy Data. Disponível em: <https://www.irena.org/solar>. Acesso em: 15 fev. 2021.

A. Jha, P. P. Tripathy. Heat transfer modeling and performance evaluation of photovoltaic system in different seasonal and climatic conditions. Renewable Energy. vol. 135, pp. 856–865, 2019. DOI: 10.1016/j.renene.2018.12.032

M. A. T. Lira, M. L. S. Melo, L. M. Rodrigues, T. R. M. Souza. Contribuição dos Sistemas Fotovoltaicos Conectados à Rede Elétrica para a Redução de CO2 no Estado do Ceará. Revista Brasileira de Meteorologia. vol. 34, n. 3, pp. 389-397, 2019. DOI: 10.1590/0102-7786343046

E. R. Gobbo, M. A. T. F. Silva, R. B. Bone. Do Petróleo à Energia Fotovoltaica: A Inserção do Brasil Neste Novo Mercado. VII Congresso Brasileiro De Energia Solar. Gramado. 2018.

M. Tolmasquim. NOVO MODELO DO SETOR ELÉTRICO BRASILEIRO. 2. ed. Rio de Janeiro: Synergia Editora, 2015. 310 p.

R. B. Braga. SETOR ELÉTRICO BRASILEIRO: visão crítica da geração de energia. Belo Horizonte: D'Plácido, 2016. 362 p.

AGÊNCIA NACIONAL DE ENERGIA ELÉTRICA - ANEEL. Resolução Normativa ANEEL nº 482: Estabelece as condições gerais para o acesso de microgeração e minigeração distribuída aos sistemas de distribuição de energia elétrica, o sistema de compensação de energia elétrica, e dá outras providências. Brasília. 2012.

Atlas Eólico e Solar: Ceará. Fortaleza: ADECE; FIEC; SEBRAE, 2019. 188 p. Disponível em: <http://atlas.adece.ce.gov.br/ebook/mobile/index.html>. Acesso em: 09 fev. 2021.

S. J. C. Vieira, L. G. T. Carpio. The economic impact on residential fees associated with the expansion of grid-connected solar photovoltaic generators in Brazil. Renewable Energy. vol. 59, pp. 1084-1098, 2020. DOI: 10.1016/j.renene.2020.06.016

F. R. Martins et al. Atlas brasileiro de energia solar. 2. ed. São José dos Campos: Inpe, 2017. 80 p. Disponível em: <https://repositorio.unifesp.br/handle/11600/58353>. Acesso em: 10 fev. 2021.

INSTITUTO DE PESQUISA E ESTRATÉGIA ECONÔMICA DO CEARÁ. IPECE Informa - Panorama da produção de energia elétrica no Estado do Ceará: Um enfoque para a matriz eólica. 141. ed. Fortaleza: Ipece, 2018. 33 p. Disponível em: <https://www.ipece.ce.gov.br/wp-content/uploads/sites/45/2018/12/ipece_informe_141_12_Dez2018.pdf>. Acesso em: 09 fev. 2021

ASSOCIAÇÃO BRASILEIRA DE ENERGIA SOLAR FOTOVOLTAICA (São Paulo). Energia Solar Fotovoltaica no Brasil: Infográfico ABSOLAR. Infográfico ABSOLAR. 2021. Disponível em: <http://www.absolar.org.br/infografico-absolar.html>. Acesso em: 09 fev. 2021.

INSTITUTO DE PESQUISA E ESTRATÉGIA ECONÔMICA DO CEARÁ. IPECE Informa - Desempenho do comércio exterior do Ceará em 2020: Primeiro ano da pandemia causada pela Covid-19. 188. ed. Fortaleza: IPECE, 2021. 15 p. Disponível em: <https://www.ipece.ce.gov.br/wp-content/uploads/sites/45/2021/02/ipece_informe188_05_fev2021.pdf>. Acesso em: 09 fev. 2021.

D. N. Araujo et al. Renewable Hybrid Systems: Characterization and Tendencies. IEEE Latin America Transactions. vol. 18, Issue 1, pp. 102-112, 2020. DOI: 10.1109/TLA.2020.9049467

J. F. Pessanha, A. Melo, J. Falcão. An Approach for Data Treatment of Solar Photovoltaic Generation. IEEE Latin America Transactions. vol. 18, Issue 9, pp. 1563-1571, 2020. DOI: 10.1109/TLA.2020.9381798

E. D. Obando, S. X. Carvajal, J. P. Aguledo. Solar Radiation Prediction Using Machine Learning Techniques: A Review. IEEE Latin America Transactions. vol. 17, Issue 4, pp. 684-697, 2019. DOI: 10.1109/TLA.2019.8891934

B. Li, C. Delpha, D. Diallo, A. Migan-Dubois. Application of Artificial Neural Networks to photovoltaic fault detection and diagnosis A review. Renewable and Sustainable Energy Reviews; vol. 138; 110512, 2021. DOI: 10.1016/j.rser.2020.110512.

M. Hussain, M. Dhimish, S. Titarenko, P. Mather. Artificial neural network based photovoltaic fault detection algorithm integrating two bi-directional input parameters. Renewable Energy. 155, 2020. DOI: 10.1016/j.renene.2020.04.023.

C. Colak, M. Yesilbudak, R. Bayindir. Forecasting of Daily Total Horizontal Solar Radiation Using Grey Wolf Optimizer and Multilayer Perceptron Algorithms. 8th International Conference on Renewable Energy Research and Applications (ICRERA), Brasov, Romania, pp. 939-942, 2019. DOI: 10.1109/ICRERA47325.2019.8997040.

J. M. Oliveira, D. S. Santos, R. M. Silva. Predição da radiação solar global usando modelos de redes neurais artificiais. Vol. 4, n. 5, 2019. DOI: 10.21575/25254782rmetg2019vol4n5940.

A. Elsheikh, S. W. Sharshir, M. E. A. Elaziz, A. E. Kabeel. Modeling of solar energy systems using artificial neural network: A comprehensive review. Solar Energy. vol. 180, pp. 622-639, 2019. DOI: 10.1016/j.solener.2019.01.037.

S. Sobri, S. Koohi-Kamali, N. A. Rahim. Solar photovoltaic generation forecasting methods: A review. Energy Conversion and Management. vol. 156, pp. 459-497, 2018. DOI: 10.1016/j.enconman.2017.11.019.

F. Almonacid, E. F. Fernandez, A. Mellit, S. Kalogirou. Review of techniques based on artificial neural networks for the electrical characterization of concentrator photovoltaic technology. Renewable and Sustainable Energy Reviews. vol. 75, pp. 938-953, 2019. DOI: 10.1016/j.rser.2016.11.075.

H. A. Kazem, J. H. Yousif. Comparison of prediction methods of photovoltaic power system production using a measured dataset. Energy Conversion and Management. vol. 148, pp. 1070-1081, 2018. DOI: 10.1016/j.enconman.2017.06.058.

D. V. Fiorin, F. R. Martins, N. J. Schuch, E. B. Pereira. A utilização das redes neurais artificiais na previsão de radiação solar global. Revista Brasileira de Ensino de Física. vol. 33, n. 1, 2011. DOI: 10.1590/S1806-11172011000100009.

M. Vakili, S. Sabbagh-Yazdi, K. Kalhor, S. Khosrojerdi. Using Artificial Neural Networks for Prediction of Global Solar Radiation in Tehran Considering Particulate Matter Air Pollution. Energy Procedia. vol. 74, pp. 1205-1212, 2015. DOI: 10.1016/j.egypro.2015.07.764.

M. Benghanem, A. Mellit. Radial Basis Function Network-based prediction of global solar radiation data: Application for sizing of a stand-alone photovoltaic system at Al-Madinah, Saudi Arabia. Energy. vol. 35, Issue 9, pp. 3751-3762, 2010. DOI: 10.1016/j.energy.2010.05.024.

A. Mellit, A. M. Pavan. A 24-h forecast of solar irradiance using artificial neural network: Application for performance prediction of a grid-connected PV plant at Trieste, Italy. Solar Energy. vol. 84, Issue 5, pp. 807-821, 2010. DOI: 10.1016/j.solener.2010.02.006

A. Mellit, S. A. Kalogirou, L. Hontoria, S. Shaari. Artificial intelligence techniques for sizing photovoltaic systems: A review. Renewable and Sustainable Energy Reviews. vol. 13, Issue 2, pp. 406-419, 2009. DOI: 10.1016/j.rser.2008.01.006

A. Mellit, M. Benghanem, S. A. Kalogirou. Modeling and simulation of a stand-alone photovoltaic system using an adaptive artificial neural network: Proposition for a new sizing procedure. Renewable Energy. vol. 32, Issue 2, pp. 285-313, 2007. DOI: 10.1016/j.renene.2006.01.002

A. Mellit, M. Menghanem, M. Bendekhis. Artificial neural network model for prediction solar radiation data application for sizing stand-alone photovoltaic power system. IEEE Power Engineering Society General Meeting.vol. 1, pp. 40-44, 2005. DOI: 10.1109/PES.2005.1489526

A. S. S. Dorvlo, J. A. Jervase, A. Al-Lawati. Solar radiation estimation using artificial neural networks. vol. 71, Issue 4, pp. 307-319, 2012. DOI: 10.1016/S0306-2619(02)00016-8

A. P. Braga, A. P. de L. Carvalho, T. B. Ludermir. Redes Neurais Artificiais: Teoria e Aplicações. 2ª edição, Editora LTC, Rio de Janeiro. 2007.

D. S. Santos, J. M. Oliveira, R.M. Silva. Predição da Radiação Solar Global Usando Modelos de Redes Neurais Artificiais. Revista Mundi Engenharia, Tecnologia e Gestão. vol.4, Issue 5, pp. 191-204, 2019. DOI: 10.21575/25254782rmetg2019vol4n5940

Haykin, S. “Redes Neurais – Princípios e Prática”, 2ª ed., Bookman, 2001.

M. J. D Powell. Radial Basis Function Approximations to Polynomials. 12th Hiennial Numerical Analysis Conference (Dundee). pp.223-241, 1987.

F. H. T. Vieira, R. P. Lemos, L. L. Ling. Aplicação de Redes Neurais RBF Treinadas com Algoritmo ROLS e Análise Wavelet na Predição de Tráfego em Redes Ethernet. VI Congresso Brasileiro de Redes Neurais, pp. 145-150, 2003. DOI: 10.21528/CBRN2003-034.

D. P. Lettenmaier, E. F. Wood. “Hydrologic Forecasting” in Handbook of Hydrology. Org. by Maidment, D. R., McGraw-Hill Inc., New York, USA, pp. 26.1–26.30, 1993.

Published

2021-11-19

How to Cite

de Barros Silva, A. W., Bezerra Freitas, B., de Alencar Filho, C. L., Domingos de Freitas, C., de Sousa Junior, E. A., Saraiva de Castro, E., Miranda de Araújo, E., Freire Correia, F. I., Ponte da Silva, F. R., Silva de Souza, J. J. ., Pinto Martins, L. L. ., Rebouças Coutinho, L. R. ., Pimentel Lado Ces, N. ., Castelo, R. ., Marques de Carvalho, P. C. ., & Carneiro, T. C. . (2021). Methodology Based on Artificial Neural Networks for Hourly Forecasting of PV Plants Generation. IEEE Latin America Transactions, 100(XXX). Retrieved from https://latamt.ieeer9.org/index.php/transactions/article/view/5847