Previsione della radiazione solare mediante modelli basati su reti neurali artificiali

Tesi di Laurea di: Claudio Leani (Matr. 805329)Relatore: prof. Stefano Ferrari

Corso di Laurea Magistrale in Informatica

Anno Accademico 2012-2013

2 / 15

Perché prevedere la radiazione solare?

Motivazioni

tecnico-economiche

Diffusione degli impianti fotovoltaici per produrre

energia elettrica

Incremento della richiesta di valutazione della radiazione

solare disponibile in una data località

Motivazioni

strategiche

Supporto alla decisione di adeguatezza degli

investimenti

Programmazione della gestione delle reti elettriche

3 / 15

Come prevedere la radiazione solare?

Modelli fisici

Previsione numerica

Analisi delle immagini

Modelli statistici

Metodi autoregressivi

(AR, ARMA, ARIMA, ARMAX)

Reti neurali artificiali

(ANN, TDNN, WNN)

Sono modelli centrati sui dati

Modelli ibridi

Previsioni numeriche e analisi delle

immagini come input a reti neurali

artificiali

Differenti orizzonti temporali in funzione delle applicazioni

4 / 15

Dati

Misurazioni 2002-2007 della rete di monitoraggio

di ARPA Lombardia

Studio su quattro località comprese in un raggio di

25 km

3 modelli predittori

Ca

MiCrOs

MiCrOsCa

Lavoro di tesi• Su un orizzonte temporale di 1 ora• Basato su reti neurali artificiali

Realizzare e verificare un metodo per la previsione della radiazione solare globale

5 / 15

Dati (1): descrizione

Sono disponibili le misurazioni orarie

IdSensore Data Ora Valore medio

Stato del dato

5901 2005/02/08 08:00 0.4 0

5901 2005/02/08 09:00 0.8 0

5901 2005/02/08 10:00 1.3 0

5901 2005/02/08 11:00 1.7 0

5901 2005/02/08 12:00 2.8 0

I dati sono forniti per ciascun sensore

Grandezza Sigla Unità di misura

Precipitazione P mm

Temperatura T °C

Pressione Atmosferica HPA hPa

Velocità del Vento VV m/s

Umidità Relativa UR %

Radiazione Globale RG W/m2

Radiazione Netta RN W/m2

Stazione di Cassano d’Adda: radiazione globale oraria - anno 2003

6 / 15

Le tecniche di intelligenza computazionale sono adatte in situazioni affette da rumore e incompletezze

Dati (2): rumore e incompletezze

(su 4380 record/anno totali)

7 / 15

Dati (3): pre-processing

Scelta delle stazioni

• Schema geometrico adottato

• Buona disponibilità di dati

Pre-processing dei dati

• Aggregazione dei dati dei singoli sensori

• Eliminazione dei record con almeno uno dei dati mancante

• Eliminazione dei record relativi alle ore 0-6 e 19-23

8 / 15

Workflow degli esperimenti

Selezione delle caratteristiche

• 5 combinazioni delle grandezze misurate

• 9 configurazioni di neuroni nello strato nascosto

• 5 addestramenti+test

Selezione della topologia

• Input: T UR RG• 9 configurazioni di

neuroni nello strato nascosto

• 5 addestramenti+test

• Test sui 12 mesi• Considerate anche

media e mediana dei gruppi di 5 reti

9 / 15

Risultati (1): modelli selezionatiLa topologia con le migliori prestazioni è stata selezionata mediante la valutazione dell’Errore

Globale

Ca MiCrOs MiCrOsCa

Errore relativo pesatoErrore globale = (Errore RMSE medio + Dev.std.)(Errore relativo pesato + Dev.std.)

𝐸𝑔=(𝐸+𝜎𝐸)(~𝐸𝑅+𝜎~𝐸𝑅)

15 20 25 30 35 40 45 5015

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

23.51

best mean median

10 15 20 25 30 35 40 45 5015

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

18.27

best mean median

15 20 25 30 35 40 45 5015

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

20.82

best mean median

10 / 15

Risultati (2): istogrammi degli errori

Ca MiCrOs MiCrOsCa

Lu

gli

o 2

005

Gen

nai

o 2

005

11 / 15

Risultati (3): correlazioni

Ca MiCrOs MiCrOsCa

Lu

gli

o 2

005

Gen

nai

o 2

005

12 / 15

Risultati (4): stima vs. misura

Modello Ca

Luglio 2005Gennaio 2005

13 / 15

Risultati (5): modello di persistenza

Istogramma errori Correlazione Stima vs. misura

Lu

gli

o 2

005

Gen

nai

o 2

005

14 / 15

Conclusioni

Errore assoluto (W/m2) Errore Relativo (%)

82.44 82.8888.15

146.59

0.2518 0.25150.2667

0.4323

Test 2005: confronto finale tra gli errori medi dei tre modelli

15 / 15

Sviluppi futuri

Approccio proposto Future linee di ricerca

Selezione delle caratteristiche basata su una stazione

Selezione delle caratteristiche basata su più stazioni

Utilizzo di sei parametri atmosferici

Utilizzo aggiuntivo dei parametri della qualità dell’aria

One-lag prediction Multi-lag prediction

Un modello di rete neurale Modelli differenti di reti neurali

Modello connessionisticoModello ibrido

(fuzzy logic + modelli fisici)