Twenty-four Hours Ahead Solar Irradiance Forecast Based on Artificial Neural Network, ARIMA and SARIMA

Abstract

Over the past years, the Brazilian electricity matrix has shown a tendency to increase the diversification with the insertion of renewable energy as solar and wind. However, the change in the electric power scenario leads to greater complexity in the planning and operation of the system due to its intermittency and the impossibility of storing both natural resources. In order to mitigate this problem, predictive systems have been sought to accurately forecast short-term irradiance and wind speed. The purpose of this paper was to predict irradiance 24 hours ahead from a method based on artificial intelligence, neural network and applying a data pre-processing stage which consisted of obtaining the stochastic components of the daytime data. Thus, the nighttime data were eliminated and the value of each daytime sample was subtracted from the calculated daily trend curve value at its corresponding hour, and finally, the data were normalized. In addition, statistical methods, such as integrated auto-regressive of moving average and integrated auto-regressive of seasonal moving average, were used in order to compare the results achieved, and the artificial neural network presented better results. Resumo: Nos últimos anos, a matriz elétrica brasileira tem apresentado uma tendência de maior diversificação com a inserção de fontes renováveis como solar e eólica. Porém, essa mudança do cenário elétrico tem resultado em uma maior complexidade no planejamento e operação do sistema em função da intermitência dessas fontes e a impossibilidade de armazenamento desses recursos naturais. Com o intuito de mitigar esse problema, tem-se buscado a melhor técnica de previsão dessas fontes a curto prazo. Para esse trabalho, realizou-se a predição da irradiância no horizonte de 24 horas, a partir do método baseado em inteligência artificial, a rede neural. Vale ressaltar que aplicou-se uma etapa de pré-processamento dos dados que consistiu na obtenção dos componentes estocásticos dos dados diurnos, com isso, dados noturnos foram eliminados, e o valor de cada amostra do período diurno é descontado o valor correspondente ao ponto da curva de tendência diária naquele instante, e por fim, os dados foram normalizados. Ademais, utilizou-se métodos estatísticos como auto-regressivo integrado de média móvel e auto-regressivo integrado de média móvel sazonal a fim de comparar os resultados alcançados, sendo que a rede neural apresentou melhor resultado.