Short Term Cloud Nowcasting for a Solar Power Plant based on Irradiance Historical Data

• Autores: Caballero, Rafael; Zarzalejo, Luis F.; Otero, Álvaro; Piñuel, Luis; Wilbert, Stefan
• Año de publicación: 2018
• Idioma: inglés
• Tipo de recurso: artículo
• Materia: Ciencias Informáticas; cloud nowcasting; GHI; LSTM,; supervised machine learning; prendizaje automático supervisado; previsión de nubes
• Institución: Universidad Nacional de La Plata

This work considers the problem of forecasting the normal solar irradiance with high spatial and temporal resolution (5 minutes). The forecasting is based on a dataset registered during one year from the high resolution radiometric network at a operational solar power plan at Almeria, Spain. In particular, we show a technique for forecasting the irradiance in the next few minutes from the irradiance values obtained on the previous hour. Our proposal employs a type of recurrent neural network known as LSTM, which can learn complex patterns and that has proven its usability for forecasting temporal series. The results show a reasonable improvement with respect to other prediction methods typically employed in the studies of temporal series.
Es este trabajo se aborda el problema de la predicción de radiación global sobre superficie horizontal con alta resolución espacial y temporal (5 minutos) a partir de los datos registrados durante un año en la red radiométrica de alta resolución ubicada en la Plataforma Solar de Almería. En particular se muestra un método capaz de predecir el valor de radiación en los siguientes minutos a partir de los valores de los minutos anteriores. El método emplea el tipo de red neuronal recurrente conocido como LSTM, capaz de aprender patrones complejos y predecir el próximo elemento de una serie temporal. Los resultados muestran una mejora apreciable en con respecto a los métodos de predicción empleados habitualmente en el estudio de series temporales.
Facultad de Informática