Solar radiation forecasting with wrf model in the iberian peninsula
Ispra 2007 luis martín2
1. DAILY RADIATION FORECASTING BY
STATISTICAL METHODS: PRELIMINARY
RESULTS
Presented by:
LUIS MARTÍN POMARES
ENERGY DEPARTAMENT
Renewable energy division
Plataforma Solar de Almería
3rd Experts Meeting of the IEA SHC Task
“Solar Resource Knowledge Management”
&
MESoR Coordination Meeting
Ispra (VA), Italy
12 – 14 March 2007
2. DAILY RADIATION FORECASTING
1. INTRODUCTION
2. EXPLORATORY DATA
ANALYSIS
3. LINEAR PREDICTION: TAG(p)
4. NON-LINEAR PREDICTION
5. CONCLUSIONS
2
3. INTRODUCTION
There is a necesity to characterize and predict
solar radiation to be used as a energetic
resource (RD 436/2004).
Prediction Techniques:
• Numerical Prediction Models (NWP)
• Statistical Prediction Models
Prediction Horizon:
• Nowcasting: less than one hour
• Short term: less than a week
• Medium term: 1 week – 1 year
• Long term: more than a year. Climate
3
4. PIRANOMETRIC DATA
•Data Period:
10/7/1996 – 29/12/2003
•#Data:
2304 values
•Daily Goblal Solar
Radiation transformed
to daily Kt Values
4
5. EXPLORATORY DATA
ANALYSIS
8 0
0
0.8
7 0
0
0.7
N m r d m e tr s
ú eo e u s a
6 0
0
0.6
5 0
0
0.5
t ia io
K D r
4 0
0
0.4
3 0
0
0.3
2 0
0
0.2
1 0
0
0.1
0
0 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8
0 50
0 10
00 1 0
50 20
00 2 0
5 0 K D r
t ia io
Da N
í
Sample Partial Autocorrelation Function
P w rS e a D n
o e p ctr l e sity Estim te v P r d g a
a ia e io o r m
30
Sample Partial Autocorrelations
20
q e cy (d /ra /sa p )
m le
0.8
B d 10
0
0.6
-10
P w r/fre u n
0.4 -20
-30
o e
0.2 -40
-50
0
-60
5
-70
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
-0.2 N rm lize F q e cy (× ra /sa p )
o a d re u n
0 2 4 6 8 10 12 14 16 18 20 π d m le
6. EXPLORATORY DATA
ANALYSIS
120
Central Months predominance of
Goods Days. Monthly Histogram
100
External months: Mixture of Kt
(bad and good days) 80
N úm ero de m ues tras
60
40
Kt
20
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8
K t D iario
Month 6
Daily Kt for each month
7. SAMPLE PROBABILITY
DISTRIBUTION: BI-EXPONENTIAL
Manuel Ibañez, Journal of solar energy engineering, 2002, vol. 124,1,pp. 28-33
Frequency Distribution for Hourly and Daily Clearness Indices.
Daily Probability Density Functions Cumulative Daily Distribution Functions
9
8. Partial Autocorrelation
Autocorrelation
•Low Lag(1) autocorrelation
•Generally authors recomend r1=0.29. [R. Aguiar, 1992, Solar
Energy]
•Data analyzed indicates a broad range of values for r1 from
0.17 to 0.65.
Non Stationary
Non Gaussian Data Data Preprocessing
Non Linear
12
9. LINEAR PREDICTION: TAG(p)
Timedependant Autorregressive Gassuian Model: TAG
Timedependant: Montly Autorregresive Model 12 AR(p)
Autorregresive Model AR(p):
p
∑φ ( X
k =0
k t −k − µ ) = at , t = p + 1, p + 2,...,
Gaussian: Transform Data to Gaussina Distribution using daily
Kt Anomalies
Kti − K T j
Kt _ Anomalyi =
σKT j
13
11. LINEAR PREDICTION: TAG(p)
Future Works: Kt Transformation
Predict Kt Differences between days: y (t ) = Kt (t ) − Kt (t − 1)
0.8 800
700
0.6
600
0.4
500
0.2
400
0
300
-0.2
200
-0.4
100
-0.6
0
-0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8
-0.8
0 500 1000 1500 2000 2500
P er S
ow pectral Density Estim te v P
a ia erio ogra
d m
S m le A to r la n F n tio ( C )
a p u co re tio u c n A F 0
1
-10
/ra /sa p )
m le
0.8
u co la n
S m le A to rre tio
-20
0.6 P w r/freq e cy (dB d
-30
0.4
u n
-40
0.2
a p
-50
o e
0 -60
-0.2 -70
-0.4
0 2 4 6 8 10
L g
a
12 14 16 18 20
-80
0 0.1 0.2 0.3
N 17
0.4 0.5 0.6
orm lize F que cy (×π rad
a d re n /sam
0.7
ple)
0.8 0.9 1
12. NON-LINEAR PREDICTION
Model Prediction 1:
Prediction
NEURAL NETWORK (NN)
Model Prediction 2:
Signal Preprocessing:
SPECTRAL SIGNAL ANALYSIS: WAVELET
Prediction
NEURAL NETWORK (NN)
Model Prediction 3:
Future works like Fuzzy Logic, Markov Chain…
Signal Preprocessing:
CLUSTER ANALYSIS: SOM NETWORKS
Prediction:
NEURAL NETWORK (NN) 18
13. Model Prediction 1: RESULTS
Mean Absolute Error (M AE)
Neural Network Model Structure 1
0,9
0,8
NN Model 1 1 Neuron 0,7
0,6
Modelo 1
MAE
Modelo 2
NN Model 2 7-1
0,5
Modelo 3
0,4
Modelo 4
0,3
NN Model 3 5-3-1 0,2
0,1
NN Model 4 7-5-3-1 0
0 2 4 6 8 10 12
NN(X)
Coeficiente Correlación (R) Mean Squared Error (MSE)
0,6 0,5
0,5 0,4
Modelo 1
0,4 Modelo 1
Modelo 2 0,3
0,3 Modelo 2
R
MSE
Modelo 3 0,2
0,2 Modelo 3
Modelo 4 0,1
0,1 Modelo 4
0 0
0 2 4 6 8 10 12 0 2 4 6 8 10 12
-0,1
NN(X)
20
NN(X)
14. Model Prediction 2:
DISCRETE WAVELET TRANSFORM
Piramidal analisys of the signal and decomposition into multiple
Layers. It works like a low and high pass filter
Low
Kt
Frequency High
cA1 cD1 Frequency
cA2 cD2
cA3 cD3
21
15. SIGNAL DECOMPOSITION
S ñ O in
e al rig al
1
Kt
0.5
0
0 50 1 0
0 150 200 250 300 350
Se al Apro im ció 3
ñ x a n
1
Kt
0.5
0
0 50 1 0
0 150 200 250 300 350
S ñal D
e eta 1
lle
0.5
Kt
0
-0.5
0 50 1 0
0 150 200 250 300 350
S ñal D
e eta 2
lle
0.5
Kt
0
-0.5
0 50 1 0
0 150 200 250 300 350
S ñal D
e eta 3
lle
0.2
Kt
0
-0.2
0 50 1 0
0 150 200 250 300 350
S ñ R co
e al e nstruida
1
Kt
0.5
0
0 50 1 0
0 150 200 250 300 350
D Ju
ia liano
22
19. Model Prediction 2: Daily Kt Prediction
P redic c ión K t Error Absoluto
1.2 0.25
0.2
1
Error Predicción Kt
0.15
0.8
0.1
0.6 0.05
Kt
0
0.4 0 50 100 150 200 250 300 350
Día Juliano
1
0.9
0.2 0.8
0.7
Predicción Kt
0.6
0 0.5
0.4
0.3
0.2
-0.2
0 50 100 150 200 250 300 350 0.1
Día Juliano 0
0 0.1 0.2
26
0.3 0.4 0.5
Kt Original
0.6 0.7 0.8 0.9 1
20. CONCLUSIONS
Kt data correlates Lag 1 data.
Data to be forecasted is Kt but the signal needs to be
preconditioned.
Two general aproaches has been tested:
Linear AR (TAG)
Non Linear: NN, Wavenets, SOM+NN
Errors range between 20-50% depending on the technique used,
forecasting horizon, inputs (Kt-p)
Future Works:
AR prediction transforming Kt series
Other forecasting techniques: Markov Chain, Fuzzy Logic, Caos Theroy
Time Series Forecasting Combination for differents Horizonts.
Spatial Forecating with satelite Images
NWP with satellite data inputs.
28
Notas do Editor
Buenas días, mi nombre es Luis Martín y voy a presentar el trabajo realizado hasta la fecha en el ámbito de la predicción de la radiación solar diaria.
He organizado el contenido de la presentación, comenzando por la presentación de los objetivos, revisión de técnicas predictivas para la predicción de la irradiancia solar diaria, después se pasará a describir la metodología empleada en el ensayo propuesto, se presentarán los resultados obtenidos para terminar comentando las conclusiones así como las principales líneas de trabajo en el futuro.
Los usos tanto directos como pasivos que hace el ser humano de la radiación solar son múltiples, entre ellos como recurso energético. A partir del nuevo real decreto aprobado por el gobierno las instalaciones de producción eléctrica en régimen especial están obligadas a la previsión de producción. El trabajo desarrollado se basa como se ha comentado anteriormente en métodos estadísticos con un horizonte de predicción de corto plazo.
La radiación que llega a la superficie de la atmósfera puede ser calculada analíticamente en función de la posición solar A su paso por la atmósfera sufre procesos de reflexión, difusión y absorción De esta forma, la radiación global que llega a la superficie terrestre está formada por directa+difusa Por otro lado, la Tierra refleja parte de la radiación solar recibida que junto con la reflejada por las nubes es la que da origen a la señal detectada por el satélite.
La radiación que llega a la superficie de la atmósfera puede ser calculada analíticamente en función de la posición solar A su paso por la atmósfera sufre procesos de reflexión, difusión y absorción De esta forma, la radiación global que llega a la superficie terrestre está formada por directa+difusa Por otro lado, la Tierra refleja parte de la radiación solar recibida que junto con la reflejada por las nubes es la que da origen a la señal detectada por el satélite.
La radiación que llega a la superficie de la atmósfera puede ser calculada analíticamente en función de la posición solar A su paso por la atmósfera sufre procesos de reflexión, difusión y absorción De esta forma, la radiación global que llega a la superficie terrestre está formada por directa+difusa Por otro lado, la Tierra refleja parte de la radiación solar recibida que junto con la reflejada por las nubes es la que da origen a la señal detectada por el satélite.
La radiación que llega a la superficie de la atmósfera puede ser calculada analíticamente en función de la posición solar A su paso por la atmósfera sufre procesos de reflexión, difusión y absorción De esta forma, la radiación global que llega a la superficie terrestre está formada por directa+difusa Por otro lado, la Tierra refleja parte de la radiación solar recibida que junto con la reflejada por las nubes es la que da origen a la señal detectada por el satélite.
La radiación que llega a la superficie de la atmósfera puede ser calculada analíticamente en función de la posición solar A su paso por la atmósfera sufre procesos de reflexión, difusión y absorción De esta forma, la radiación global que llega a la superficie terrestre está formada por directa+difusa Por otro lado, la Tierra refleja parte de la radiación solar recibida que junto con la reflejada por las nubes es la que da origen a la señal detectada por el satélite.
La radiación que llega a la superficie de la atmósfera puede ser calculada analíticamente en función de la posición solar A su paso por la atmósfera sufre procesos de reflexión, difusión y absorción De esta forma, la radiación global que llega a la superficie terrestre está formada por directa+difusa Por otro lado, la Tierra refleja parte de la radiación solar recibida que junto con la reflejada por las nubes es la que da origen a la señal detectada por el satélite.
La radiación que llega a la superficie de la atmósfera puede ser calculada analíticamente en función de la posición solar A su paso por la atmósfera sufre procesos de reflexión, difusión y absorción De esta forma, la radiación global que llega a la superficie terrestre está formada por directa+difusa Por otro lado, la Tierra refleja parte de la radiación solar recibida que junto con la reflejada por las nubes es la que da origen a la señal detectada por el satélite.
El primer modelo utilizado ha sido un perceptrón multicapa simple con el que se ha predicido el valor de Kt del siguiente día a partir de un numero variable de parámetros de entrada.
Se han ensayado 4 modelos y los
La descomposición de la señal se ha realizado mediante un análisis piramidal mediante el cual se descompone sucesivamente la señal de baja frecuencia. Se obtiene de esta forma una señal de baja frecuencia y sucesivas de alta frecuencia para N iteraciones.