Forecasting Solar Power Production by Using Satellite Images

Stefanov, Dimitar (author), Demšar, Jure (mentor)

Increased integration of photo-voltaic capacities in Europe has caused the electrical grid to become more difficult to maintain. In order to operate the grid in an efficient manner, its operators need to rely on accurate forecasts of the solar power generation. For this purpose, our work focused on predicting 2-hour ahead solar power generation at 15-minute intervals, a typical resolution requirement for solar power plants and system operation measurements. The modelling methodology in our work revolved around a state-of-the-art deep learning architecture called \textit{Temporal Fusion Transformer} \cite{tft} proposed by researchers at Google. The input to the model consisted of three different data sources: satellite imagery from the European Organisation for the Exploitation of Meteorological Satellites, numerical weather predictions from the European Centre for Medium\--Range Weather Forecasts and solar power data from the Slovenian Transmission Network Operator ELES. In contrast, only one or two of these input sources are usually used in currently available research \cite{comparison2022, intraday2021, history2018}. We made solar power generation forecasts for 233 different locations across Slovenia -- more extensive research regarding the number of photo-voltaic locations than what can be found in the literature on this topic \cite{tft2022}. Temporal Fusion Transformer outperformed well-established benchmarks in solar forecasting by significant margins across all metrics and training settings considered. Our ablation studies also showed that the Temporal Fusion Transformer is capable of extracting a sufficient amount of information from satellite images meaning that such images can be used as a decent replacement for solar power data when it is not available.

• Language: English
• Keywords: solar forecasting, time series forecasting, deep learning, satellite images
• Work type: Master's thesis/paper
• Typology: 2.09 - Master's Thesis
• Organization: FRI - Faculty of Computer and Information Science
• Year: 2024
• PID: 20.500.12556/RUL-163978
• COBISS.SI-ID: 215093507
• Publication date in RUL: 15.10.2024

Secondary language

• Language: Slovenian
• Title: Napovedovanje proizvodnje energije sončnih elektrarn z uporabo satelitskih slik

Abstract

Povečano število sončnih elektrarn v Evropi otežuje vzdrževanje elektroenergetskih sistemov. Za uspešno delovanje elektroenergetskih omrežij operaterji potrebujejo natančne napovedi proizvodnje energije sončnih elektrarn, kar predstavlja osrednji problem, ki ga pričujoča magistrska naloga naslavlja. Bolj specifično, naloga se osredotoča na napovedovanje proizvodnje sončnih elektrarn v 15 minutnih intervalih v naslednjih dveh urah. Tovrstna napoved predstavlja tipičen scenarij v upravljanju elektroenergetskih sistemov. Naša metodologija modeliranja temelji na eni izmed najsodobnejših arhitektur globokega učenja imenovani \textit{Temporal Fusion Transformer} \cite{tft}, ki so jo predlagali raziskovalci pri Googlu. Vhodne podatke predstavljajo trije različni viri informacij: satelitske slike Evropske organizacije za uporabo meteoroloških satelitov, numerične vremenske napovedi Evropskega centra za srednjeročne vremenske napovedi ter zgodovinski podatki o proizvodnji energije sončnih elektrarn pridobljeni s strani slovenskega operaterja elektroenergetskega omrežja ELES. Bogatejši nabor vhodnih podatkov predstavlja tudi eno izmed glavnih razlik med našim delom ter sorodnimi deli. Večina sorodnih del namreč uporabi le enega ali dva od naštetih virov podatkov \cite{comparison2022, intraday2021, history2018}. V delu smo napovedovali proizvodnjo energije sončnih elektrarn za 233 različnih lokacij po Sloveniji -- tudi v tem aspektu je naša raziskava bolj obsežna od večine sorodnih del \cite{tft2022}. Naši rezultati nakazujejo, da Temporal Fusion Transformer prekaša obstoječe uveljavljene modele na področju napovedovanja proizvodnje energije sončnih elektrarn z občutno razliko pri vseh upoštevanih metrikah in nastavitvah hiperparametrov. Poglobljena evalvacija uporabljenih modelov in značilk je pokazala, da je Temporal Fusion Transformer sposoben iz satelitskih slik pridobiti dovolj informacij, da le-te lahko zadovoljivo nadomestijo zgodovinske podatke o proizvodnji energije sončnih elektrarn, če slednje niso na voljo.

• Keywords: napovedovanje proizvodnje energije sončnih elektrarn, napovedovanje časovnih vrst, globoko učenje, satelitske slike