Machine Leaning methods for solar irradiance forecast blending and estimation

Abstract

Renewable energies are the leading alternative to fossil fuels, facing the constant threat of climate change. The development of these new resources has grown in the latest years, especially in the field of solar and wind energy. These renewable power sources have gathered a series of research challenges that, to this date, are still to be solved, with many contributions to this end in the last decade. The role of estimation and forecasting of solar energy is key to the development of the solar energy market, because it cheapens instrumentation costs and improve the efficiency of solar energy market participation in the power grid. The forecast of solar energy is fundamental to estimate costs and operational regulations of a solar plant, although the intermittence of solar energy makes this a difficult task. On the other hand, the estimation of solar irradiance can replace expensive measuring devices such as pyranometers or pyrheliometers; or the need of expert supervision on meteorological stations for cloud type classification. In order to improve estimation, two proposals are studied. The first approach to estimation is the automatic classification of clouds by including ceilometer information. This is a device capable of measuring height and thickness of a cloud, information that has never been applied to cloud classification. The next proposal is the estimation of irradiance by directly analyzing images with Convolutional Networks and multiple perspectives, a never before used technique for solar energy estimation. To improve forecasting the integration of prediction models is proposed. This technique compares and combines existing predictive models to obtain a final, more accurate, prediction. Although this is not a new approach, it has never been applied to various prediction models specialized in different horizons, or for short-term forecasting. Given that clouds produce the greatest interference between extraterrestial and surface irradiance, whole-sky cloud images are a valuable source of data for radiation estimation. To study the cloud type classification problem a Random Forest algorithm is employed. The algorithm is trained using information from cloud height and thickness, which is combined with camera im- 3 age features. Including cloud height and width proves to noticeably improve accuracy even when difficult to classify cloud types are included. Results for 10-class cloud classification, including multiple clouds in a single image, show 71.12%, an improvement over the 50.6% achieved without ceilometer information. This study shows the positive impact of ceilometer information in the cloud classification problem. Irradiance estimation can also be estimated directly from camera images. To face this problem various models have been created using convolutional neural networks, a Machine Learning technique fit for image recognition. Two approaches are proposed, a model with information from a single camera and a model with multiple sky perspectives. In addition to the common RGB colour channels used in image processing, two new channels are included: the distance from a pixel to the sun and the cloudy pixels of an image. Multiple perspectives improve noticeably all alternatives proposed, proving the contribution of the multi-view convolutional network proposed. There are many predictive models that predict with diverse capabilities at different predictive horizons. In this thesis, this process is called forecast integration (or blending). An integration model is proposed to blend four physical models from four meteorological stations at the south of the Iberian peninsula. Using support vector regression these are combined in a linear and non-linear way using the four predictors as inputs to machine learning. Two approaches are presented: a horizon approach that builds a model for each predictive horizon, and a general approach that builds a single prediction model for all horizons. In addition, a regional model is proposed, capable of of making predictions at a regional level instead of a station level. Results from integration are very positive compared with the baseline models for global and direct irradiance. Some absolute improvements reach 15% when comparing integration models to any predictor model when rRMSE and rMAE are evaluated on global and direct irradiance. At a regional level, there are also improvements, at an absolute 5% on global radiation over the predictor models and 10% for direct irradiance. The general approach is specially remarkable because, using a single model, it can obtain the best results on rMAE and match the results of other integration models on rRMSE.

Las energías renovables son una importante alternativa a los combustibles fósiles ante el constante avance del cambio climático. El desarrollo de estos nuevos recursos se ha acelerado en los últimos años, especialmente en el campo de energía eólica y solar. Estas fuentes energéticas han atraído una serie de desafíos de investigación que siguen en progreso de ser resueltos, con numerosas contribuciones en la última década. La labor de estimación y predicción de energía solar es integral para el desarrollo del mercado energético, ya que permite abaratar costes instrumentales y mejorar la eficiencia de la penetración de la energía solar en la mezcla energética. La predicción de energía es fundamental en el mercado energético para estimar costes y regulaciones operativas de plantas solares, aunque la intermitencia de la energía solar hace que sea una tarea difícil. Por otro lado, la estimación de radiación solar permite reemplazar herramientas de alto coste como piranómetros y pirheliómetros; o la necesidad de expertos para detectar tipos de nube. Para la mejora de estimación se estudian dos propuestas diferentes. En primer lugar se trata de abordar el problema de clasificación de nubes, incluyendo información de ceilómetro. Esta es una herramienta que mide altura y anchura de una nube, cuyo uso nunca ha sido aplicado en la clasificación de nubes. La siguiente propuesta es la estimación de radiación directa a partir de imágenes, usando Redes Convolucionales y múltiples perspectivas, una técnica que nunca ha sido empleada para la estimación de energía solar. Para la mejora de la predicción de energía solar se propone la integración de modelos predictivos. Esta técnica consiste en la combinación de modelos predictivos existentes para obtener una predicción final mucho más precisa que las iniciales. Aunque esta no es una aproximación nueva, su exploración ha sido insuficiente para varios modelos especializados en distintos horizontes, o para predicción a corto plazo. Dado que las nubes producen el mayor impacto entre la radiación extraterrestre y la radiación que alcanza la superficie, las imágenes de nubes son una fuente de datos valiosa para la estimación de radiación. Para estudiar la clasificación del tipo de nube se emplea un algoritmo Random Forest entrenado con información sobre la altura y ancho de la nube, que se combina con estadísticos obtenidos a partir de imágenes. La información del ceilómetro permite mejorar notablemente los resultados incluso cuando se incluyen ejemplos de nube difíciles para expertos. Se logra predecir 10 tipos de nube con un 71.1% de precisión frente al 50.6% obtenido sin ceilómetro. Este estudio prueba que la inclusión de información del ceilómetro tiene un impacto muy positivo en los resultados. La estimación de radiación también se puede afrontar directamente a partir de las imágenes. Para tratar este problema se han creado varios modelos usando redes convolucionales apropiadas para el análisis de imágenes. Se proponen modelos que utilizan información proveniente de una sola cámara y otro modelo con múltiples perspectivas del cielo. Además de los canales habituales utilizados en el proceso de imágenes con redes convolucionales (RGB) se incluyen varios canales adicionales: la lejanía de los píxeles al sol y los píxeles que representan nubes. Las múltiples perspectivas y canales de información adicionales mejoran notablemente las alternativas propuestas, demostrando el aporte de la red convolucional multi-perspectiva propuesta. Existen multitud de modelos predictivos que ofrecen predicciones con capacidades diversas a distintos horizontes de predicción. En esta tesis, se propone un modelo integrador de cuatro modelos predictivos. Usando Maquinas de Vectores de Soporte para regresión se combinan de manera lineal y nolineal los cuatro predictores, utilizando como entradas al modelo las predicciones de los cuatro predictores. Se proponen dos aproximaciones, una por horizontes, construyendo un modelo para cada horizonte de predicción, y otra general, construyendo un modelo único para todos los horizontes. Los modelos han sido evaluados con datos procedentes de cuatro localizaciones al sur de la península ibérica. También se propone un modelo integrador regional, capaz de aportar predicciones a nivel regional en lugar de a nivel de estación. Los resultados de integración son muy positivos tanto para radiación global como directa, mostrando mejoras absolutas hasta del 15% frente a cualquier predictor tanto en rRMSE como en rMAE. A nivel regional también se obtienen mejoras del 5% para radiación global y del 10% para radiación directa. La aproximación general es especialmente destacable, haciendo uso de un único modelo, es capaz de obtener los mejores resultados en rMAE e igualar al resto de modelos de integración en rRMSE.