Universidad Nacional de Colombia sede Manizales

Facultad de Ingeniería y Arquitectura.

Departamento de Ingeniería Eléctrica.

Métodos univariados y multivariables

para la predicción de potencia
fotovoltaica a muy corto plazo.

Grupo 6: Alejandro Franco Moises Barón Andres Garcia

Camilo Eraso Jeison Morales

Contenido
● Introducción
● Desarrollo
➢ Recolección de Datos
➢ Planteamiento del Problema
➢ Método Propuesto
➢ Configuración Experimental
➢ Resultados y Discusión
● Conclusiones
Introducción
Métodos para la predicción de potencia generada en
un sistema fotovoltaico:
Univariados:
• Datos previos potencia fotovoltaica.
Multivariados:
• Utiliza datos previos de potencia PV y datos meteorológicos.
Contribución:
● Nuevo método para el pronóstico de potencia fotovoltaica.
● Desarrollo de métodos univariados y multivariantes.
● Estudio en planta fotovoltaica conectada a la red en Brisbane, Australia.
Recolección de Datos
Datos Solares
Campus de St Lucia de la Universidad de Queensland en Brisbane, Australia.
El Centro de la Universidad de Queensland (UQC), el Edificio Sir Llew Edwards (LEB),
el Estacionamiento 1 (CP1) y el Estacionamiento 2 (CP2).

Tabla [1]:Tomado [1]

Rana,Koprinska,Agelidis;2016;Pag(3)
❖ 1 de enero de 2013 al 31 de diciembre de 2014

Total de Mediciones Datos intervalos de 5 minutos

2*365*600=438,000 2*365*120=87,600

Fig[1]:Tomado de [1]
Rana,Koprinska,Agelidis;2016;Pag(4)
Datos Meteorológicos
La potencia generada a partir de los sistemas fotovoltaicos depende de la
radiación solar y otras variables climáticas como la temperatura, la humedad, la
velocidad del viento y la nubosidad

Fig[2]:Tomado de [1]
Rana,Koprinska,Agelidis;2016;Pag(4)
Planteamiento del Problema
Serie temporales de:

❖ Salidas de Potencia
❖ Radiación solar
❖ Humedad
❖ Velocidad del viento

Los métodos univariados usan solo los datos previos de potencia PV, mientras que
los métodos multivariados usan tanto la potencia PV previa como los datos
meteorológicos (SI, T, H y WS).
 Método Propuesto.
Selección de variables o funciones

Se incluyen dos pasos

principales
Construcción del modelo de
predicción
 Tabla [2]:Tomado [1]
Rana,Koprinska,Agelidis;2016;Pag(4)
 Tabla [3]:Tomado [1]
Rana,Koprinska,Agelidis;2016;Pag(5)
 NEURAL NETWORK
(NN)

CONSTRUCCIÓN
MODELOS DE
PREDICCIÓN SVR ( support vector regression)
SVR ( support vector regression)

ƒ(x)=ω ִִØ b+ (x)

NEURAL NETWORK (NN)

Fig[3]:Tomado de [1]
Rana,Koprinska,Agelidis;2016;Pag(6)
CONFIGURACIÓN EXPERIMENTAL

JUEGOS DE
ENTRENAMIENTO,
VALIDACIÓN Y
PRUEBA

MEDIDAS DE EVALUACIÓN

LINEAS BASE UTILIZADAS

PARA COMPARACIÓN
Resultados y discusión predicción con métodos univariables

Tabla [4]:Tomado [1] Fig[4]:Tomado de [1]

Rana,Koprinska,Agelidis;2016;Pag(7) Rana,Koprinska,Agelidis;2016;Pag(7)
 Predicción con métodos multivariables

Tabla [6]:Tomado [1] Fig[5]:Tomado de [1]

Rana,Koprinska,Agelidis;2016;Pag(8) Rana,Koprinska,Agelidis;2016;Pag(8)
 Comparación de precisión modelos NNs - SVR

Fig[6]:Tomado de [1]
Rana,Koprinska,Agelidis;2016;Pag(9)
 Comparación de predicción entre métodos univariables - multivariables

Fig[7]:Tomado de [1]
Rana,Koprinska,Agelidis;2016;Pag(9)
 Comparación de error

Fig[8]:Tomado de [1]
Rana,Koprinska,Agelidis;2016;Pag(9)
Conclusiones
● El método propuesto logro precisión prometedora

MRE= 4,15% - 9,34% para el modelo univariado.

MRE= 3,92% - 11,09 % para el modelo multivariado.

● Los modelos univariados se comportan de manera similar a los modelos multivariados

más sofisticados.
● Se concluye que el método no iterativo para horizontes cortos es más preciso que el
iterativo.
● Los resultados mostraron que para pronosticar la salida de potencia en un sistema
fotovoltaico el metodo mas practico es el univariable
Referencias
[1] Energy Conversion and Management,Univariate and multivariate methods for very short-
term solar photovoltaic power forecasting Mashud Rana , Irena Koprinska , Vassilios G.
Agelidis

[]Global Market Outlook For Solar Power/2015–2019. Solar Power Europe; 2015.

[] Hall MA. Correlation-based feature selection for discrete and numeric class machine
learning. In: 17th international conference on machine learning (ICML); 2000. p. 359–66.

[] Smola AJ, Scholkopf B. A tutorial on support vector regression. Statist Comput

2004;14:199–222. [4] Müller KR, Smola AJ, Rätsch G, Schölkopf B, Kohlmorgen J, Vapnik
V. Predicting time series with support vector machines. In: Springer, (Ed.), International
conference on artificial neural networks (ICANN); 1997. p. 999–1004.
[] Mellit A, Pavan AM. A 24-h forecast of solar irradiance using artificial neural network:
application for performance prediction of a grid-connected PV plant at Trieste, Italy. Sol
Energy 2010;84:807–21.

[] Pedro HTC, Coimbra CFM. Assessment of forecasting techniques for solar power
production with no exogenous inputs. Sol Energy 2012;86:2017–28.

[7] Liu J, Fang W, Zhang X, Yang C. An improved photovoltaic power forecasting model with
the assistance of aerosol index data. IEEE Trans Sustain Energy 2015;6:434–42.

[] Lorenz E, Scheidsteger T, Hurka J, Heinemann D, Kurz C. Regional PV power prediction

for improved grid integration. Progr Photovolt: Res Appl 2011;19:757–71.

[] Pelland S, Galanis G, Kallos G. Solar and photovoltaic forecasting through postprocessing

of the global environmental multiscale numerical weather prediction model. Progr Photovolt:
Res Appl 2013;21:284–96.
[] Yang D, Ye Z, Lim LHI, Dong Z. Very short term irradiance forecasting using the lasso. Sol
Energy 2015;114:314–26.

[] Alonso-Montesinos J, Batles FJ. Solar radiation forecasting in the short- and medium-term
under all sky conditions. Energy 2015;83:387–93.

[] Rigollier C, Bauer O, Wald L. On the clear sky model of the ESRA — European Solar
Radiation Atlas — with respect to the heliosat method. Sol Energy 2000;68:33–48.

[] Rigollier C, Lefevre M, Wald L. The method Heliosat-2 for deriving shortwave solar
radiation from satellite images. Sol Energy 2004;77:159169.

[] Alonso-Montesinos J, Batlles FJ, Portillo C. Solar irradiance forecasting at oneminute

intervals for different sky conditions using sky camera images. Energy Convers Manage
2015;105:1166–77.

[] Urraca R, Antonanzas J, Alia-Martinez M, Martinez-de-Pison FJ, Antonanzas- Torres F.

Smart baseline models for solar irradiation forecasting. Energy Convers Manage.
[] Chen C, Duan S, Cai T, Liu B. Online 24-h solar power forecasting based on weather type
classification using artificial neural network. Sol Energy 2011;85:2856–70.

[] Shi J, Lee W-J, Lin Y, Yang Y, Wang P. Forecasting power output of photovoltaic systems
based on weather classification and support vector machines. IEEE Trans Ind Appl
2012;48:1064–9.

[] University of Queensland Solar Data; 2014.

[] Yang H-T, Huang C-M, Huang Y-C, Huang Y-S. A weather-based hybrid methodfor 1-day
ahead hourly forecasting

[] Koprinska I, Rana M, Agelidis VG. Correlation and instance based feature selection for
electricity load forecasting. Knowl-Based Syst 2015;81:29–40.

[] Guyon I, Elisseeff A. An introduction to variable and feature selection. J Mach Learn Res
2003;3:1157–82.
[] Ferreira TAE, Vasconcelos GC, Adeodato PJL. A new intelligent system methodology for time series
forecasting with artificial neural networks. Neural Process Lett 2008;28:113–29.

[] Hagan MT, Menhaj MB. Training feedforward networks with the Marquardt algorithm. IEEE Trans Neural
Networks 1994;5:989–93.

[] Setiawan A, Koprinska I, Agelidis VG. Very short-term electricity load demand forecasting using support
vector regression. In: Int joint conference on neural networks (IJCNN). Atlanta, USA: IEEE; 2009. p. 2888–
94.

[] Hastie T, Tibshirani R, Friedman J. The elements of statistical learning. New York: Springer; 2009.

[] Lorenz E, Remund J, Müller SC, Traunmüller W, Steinmaurer G, Pozo D, et al. Benchmarking of

different approaches to forecast solar irradiance. In: European photovoltaic solar energy conference;
2009. p. 4199–208.

[] Rana M, Koprinska I, Troncoso A. Forecasting hourly electricity load profile using neural networks. In:
International joint conference on neural networks (IJCNN), Beijing, China; 2014.
[] Martínez-Álvarez F, Troncoso A, Asencio-Cortés G, Riquelme JC. A survey on data mining
techniques applied to energy time series forecasting. Energies 2015;8:13162–93.

[] Koprinska I, Rana M, Troncoso A, Martínez-Álvarez F. Combining pattern sequence

similarity with neural networks for forecasting electricity demand time series. In: International
joint conference on neural networks (IJCNN 2013). Dallas, USA: IEEE Press; 2013.

[] Hippert HS, Pedreira CE, Souza RC. Neural networks for short-term load forecasting: a
review and evaluation. IEEE Trans Power Syst 2001;16:44–55.

[] Hornik K, Stinchcombe M, White H. Multilayer feedforward networks are universal

approximators. Neural Netw 1989;2:359–66.

[] Adeodato PJL, Arnaud AL, Vasconcelos GC, Cunha RCLV, Monteiro DSMP. MLP
ensembles improve long term prediction accuracy over single networks. Int J Forecast
2011:661–71.