Papier accepté dans la revue "meteorological applications" éditée par Wiley

24-hours ahead global irradiation forecasting using Multi-Layer Perceptron

Cyril Voyant, Prisca Randimbivololona, Marie-Laure Nivet, Christophe Paoli, Marc Muselli


Papier accepté dans la revue "meteorological applications" éditée par Wiley
Dans ce document, l'approche basée sur l’utilisation de réseaux de neurones pour prédire par pas horaire 24 heures à l'avance le rayonnement global est validée.
La méthodologie, bien que plus compliquée que dans le cas h+1 et d+1, donne des résultats qui égale voire améliore ceux que l'on peut trouver dans la littérature.
L'horizon considéré, est une clé de l'intégration de l'énergie PV au sein des réseaux électriques. En effet, dans le cas d'une station PV et d'une redistribution sur le réseau, il faut que l'exploitant soit capable le soir à 18h00 de prévoir ces courbes de charges pour la journée du lendemain. En cas de surestimation, des pénalités sont appliquées et en cas de sous-estimation, une partie de la puissance n'est pas envoyée, entrainant une perte immédiate.
Des études (en cours) vont permettre de tester cette méthodologie de prédiction sur le cas réel de station Myrte du laboratoire de Vignola sur Ajaccio.
Ci-dessous, l'abstract de la publication :


"The grid integration of variable renewable energy sources implies that their effective production could be predicted, at different times ahead. In the case of solar plants, the driving factor is the global solar irradiation (sum of direct and diffuse solar radiation projected on a plane (Wh/m²)). This paper focuses on the 24-hours ahead forecast of global solar irradiation (i.e. hourly solar irradiation prediction for the day after). A method based on artificial intelligence using Artificial Neural Network (ANN) is reported. The ANN hereafter considered is a Multi-Layer Perceptron (MLP) applied to a pre-treated time series (TS). Two architectures are tested; it is shown that the most relevant is based on a multi-output MLP using endogenous and exogenous input data. A real case 2-years TS is computed and the MLP results are compared with both a statistical approach (AutoRegressive-Moving Average model; ARMA) and a reference persistent approach. Results show that the prediction error estimate (nRMSE) can be reduced by 1.3 points with an ANN compared to ARMA and by 7.8 points compared to the naïve persistence."




Rédigé par Cyril VOYANT le Dimanche 24 Février 2013 à 14:11 | Lu 459 fois