Forecasting Electric Power Generation of Grid-Connected Solar Photovoltaic Systems by Using Artificial Neural Networks

Abstract

The adoption of photovoltaic systems installed in homes and small/medium commercial and industrial buildings has grown considerably in the last decades in Brazil and worldwide. These systems, which are typically linked to primary (medium-voltage) or secondary (low-voltage) distribution networks, are called grid-connected power photovoltaic (PV) systems. Evaluating the return on investment of these systems requires a robust modelling and tools to prognosticate the amount of generated energy. This work, therefore, is based on the application of Artificial Neural Networks (ANN) to predict the daily-produced energy from a PV system installed at the University of São Paulo (USP). Meteorological and performance data were collected from this PV system for one month. This methodology may allow carrying out the efficiency analysis of the device, to plan the system operation and commercialization of the energy obtained strategically. We present several graphs which estimate the quality of the PV system, along with performance metrics, such as the number of epochs, mean squared errors and variances achieved in the simulations. Finally, the validation studies were performed by comparing the error between the experimentally measured data and the estimated data from ANN. The computational tests show that the purpose is interesting to solve the problem within an acceptable percentage error. Resumo: A adoção de sistemas fotovoltaicos instalados em casas e pequenas e médias instalações comerciais e industriais tem crescido consideravelmente nas últimas décadas no Brasil e também internacionalmente. Esses sistemas, que são tipicamente ligados a redes primária (média tensão) ou secundária (baixa tensão) de redes de distribuição, são também chamados de sistemas fotovoltaicos de energia conectados à rede elétrica (SFCR's). Avaliar o retorno de investimento desses sistemas requerem um modelo robusto e ferramentas para diagnosticar a quantidade de energia gerada. Esse trabalho, portanto, baseado na aplicação de Redes Neurais Artificiais (RNAs) prediz a energia gerada no dia de um SFCR instalado na Universidade de São Paulo. Dados de desempenho e meteorológico foram coletados durante um mês. Essa metodologia pode permitir analisar a eficiência desse dispositivo, planejar a operação e comercialização da energia obtida estrategicamente. Diversos gráficos são apresentados que estimam a qualidade do SFCR, junto com métricas de desempenho, tais como número de épocas, erros quadráticos médios e variâncias obtidas nas simulações. Finalmente, os estudos de validação foram executados comparando os erros entre os dados medidos experimentalmente e os estimados pela RNA. Os testes computacionais mostram que o propósito é interessante para resolver o problema dentro de um erro percentual aceitável.