Advanced extreme learning machine for an hour PV forecast using general weather data

• Autorzy: Farid, Imam Wahyudi , Priyad, Ardyono , Purnomo, Mauridhi Hery , Abdillah, Muhammad , Tjahjono, Anang , Yorino, Naoto

Warianty tytułu

PL

Zaawansowana maszyna ucząca się w trybie ekstremalnym do godzinnej prognozy fotowoltaicznej z wykorzystaniem ogólnych danych pogodowych

• Języki publikacji: EN

Abstrakty

EN

In recent years, Indonesia has placed great attention on the use of renewable energy resources as a way to decrease gas emission. Located at the equator, Indonesia has many advantages in renewable energy resources, especially photovoltaic (PV). Photovoltaic offers a big opportunity to contribute to the power grid, yet it also comes with its challenges. The use of PV involves a major uncertainty as the inputs of PV are weather conditions that are constantly changing. With Indonesia planning to penetrate the PV farm into the power grid, it is necessary to be able to generate an accurate forecast to assist the power grid control operator. Many algorithms are applied to obtain a precise and accurate PV power generation. One of the algorithms generally used by researchers is the conventional back propagation neural network. It is one of the most commonly applied algorithms, yet it also has a complex setting and numerous parameters. To help overcome this issue, extreme learning machine (ELM) is applied alongside with backpropagation neural network (BPNN), resulting in a more promising result. However, the random value for ELM parameters has become another problem of its own. This paper discusses an advanced ELM to obtain a better PV forecast result. The combination of PV input, ambient temperature, global tilted irradiation (GTI), wind direction, wind velocity and humidity are applied on the kernel extreme learning machine (K-ELM). We found that K-ELM proposes a better performance compared to ELM in facing a nonlinear data, along with better learning capability, mapping ability, and an improved efficiency. We also developed the input data using BPNN, ELM and support vector machine (SVM) to compare training, testing and calculation time

PL

W ostatnich latach Indonezja przywiązywała dużą wagę do wykorzystania odnawialnych źródeł energii jako sposobu na zmniejszenie emisji gazów. Położona na równiku Indonezja ma wiele zalet w zakresie odnawialnych źródeł energii, zwłaszcza fotowoltaiki (PV). Fotowoltaika daje duże możliwości wniesienia wkładu w sieć energetyczną, ale wiąże się również z wyzwaniami. Korzystanie z PV wiąże się z dużą niepewnością, ponieważ wejścia PV to stale zmieniające się warunki pogodowe. Ponieważ Indonezja planuje penetrację farmy fotowoltaicznej do sieci energetycznej, konieczne jest wygenerowanie dokładnej prognozy, aby pomóc operatorowi kontroli sieci energetycznej. W celu uzyskania precyzyjnego i dokładnego wytwarzania energii PV stosuje się wiele algorytmów. Jednym z algorytmów powszechnie stosowanych przez badaczy jest konwencjonalna sieć neuronowa wstecznej propagacji. Jest to jeden z najpowszechniej stosowanych algorytmów, ale ma też złożoną nastawę i liczne parametry. Aby rozwiązać ten problem, zastosowano ekstremalną maszynę uczącą (ELM) wraz z siecią neuronową z propagacją wsteczną (BPNN), co daje bardziej obiecujący wynik. Jednak losowa wartość parametrów ELM stała się kolejnym problemem. W niniejszym artykule omówiono zaawansowane ELM w celu uzyskania lepszego wyniku prognozy PV. Kombinacja sygnału wejściowego PV, temperatury otoczenia, napromieniowania globalnego odchylenia (GTI), kierunku wiatru, prędkości wiatru i wilgotności jest stosowana na maszynie ekstremalnego uczenia jądra (K-ELM). Odkryliśmy, że K-ELM proponuje lepszą wydajność w porównaniu do ELM w obliczu danych nieliniowych, a także lepszą zdolność uczenia się, zdolność mapowania i lepszą wydajność. Opracowaliśmy również dane wejściowe za pomocą BPNN, ELM i maszyny wektorów nośnych (SVM) w celu porównania czasu szkolenia, testowania i obliczeń.

Słowa kluczowe

PL

fotowoltaika; prognoza; NN; SVM; K-ELM

EN

photovoltaic; forecast; NN; SVM; K-ELM

• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2023
• Tom: R. 99, nr 1
• Strony: 134--139
• Opis fizyczny: Bibliogr. 31 poz., rys., tab.

Twórcy

autor

Farid, Imam Wahyudi

• Institut Teknologi Sepuluh Nopember,

autor

Priyad, Ardyono

• Institut Teknologi Sepuluh Nopember

autor

Purnomo, Mauridhi Hery

• Institut Teknologi Sepuluh Nopember,
• University Centre of Excellence on Artificial Intelligence for Healthcare and Society (UCE AIHeS)

autor

Abdillah, Muhammad

• Pertamina University

autor

Tjahjono, Anang

• Politeknik Elektronika Negeri Surabaya

autor

Yorino, Naoto

• Hirohima University

Bibliografia

• [1] S.J. Steffel, P. R. Caroseli. A.M. Dinkel, J. Q. Liu, R. N.Sackey and N. T. Vadhar, “Integrating solar generation on the electric distribution grid”, IEEE Trans. Smart Grid, Vol.3, No.2, pp.878-886, 2012.
• [2] Louvet, Y., Fischer S., Furbo S., Giovannetti F., Helbig S., Köhl, M., Mugnier, D., Philippen, D., Veynandt, F., and Vajen, K., “Economic comparison of reference solar thermal systems for households in fiveEuropean countries”, Solar Energy, Vol.193, pp.85–94, 2019.
• [3] Rana, M., Koprinska, I., and Agelidis, V., “2D-interval forecasts for solar power production”, Solar Energy, Vol.122, pp.122-203, 2015.
• [4] Rana, M., Koprinska, I., and Agelidis, V., “Univariate and multivariate methods for very short-term solar photovoltaic power forecasting”, Energy Conversion, Vol.121, pp.380-390, 2016.
• [5] Verzijlbergh, R., Heijnen, P., de Roode, S., Los, A. and Jonker, H., “model output statistics of numerical weather prediction based irradiance forecasts for solar power applications”, Solar Energy, Vol.118, pp.634-645, 2015.
• [6] E. Akarslan and F. O. Hocaoglu, “A novel adaptive approach for hourly solar radiation forecasting”, Renew Energy, Vol.87, Part 1, pp.628-633, 2016.
• [7] L. Ma, N. Yorino, and K. Khorasani, “Solar radiation (insolation) forecasting using constructive neural networks,” Proc. Intl. Joint Conf. Neural Networks (IJCNN), pp.4991-4998, 2016.
• [8] J. Zhang, L. Zhao, S. Deng, W. Xu, and Y. Zhang, “A critical review of the models used to estimate solar radiation,” Renewable and Sustainable Energy Reviews, Vol.70, pp. 314-329, 2017.
• [9] Yao W, Li Z, Xiu T, Lu Y, Li X., “New decomposition models to estimate hourly global solar radiation from the daily value”. Sol Energy, Vol.120, pp.87–99J, 2015.
• [10] Shamim MA, Remesan R, Bray M, Han D. “An improved technique for global solar radiation estimation using numerical weather prediction”. J Atmos Sol Terr Phys, Vol.129, pp.13–22, 2015.
• [11] J. Contreras, R. Espínola, F.J. Nogales, and A.J. Conejo, “ARIMA models to predict next-day electricity prices”, IEEE Trans. Power Syst. Vol. 18, No. 3, pp. 1014–1020, 2003.
• [12] Bouzerdoum, M.; Mellit, and A., Massi Pavan A., “Hybrid Model (SARIMA-SVM) for Short-Term Power Forecasting of a Small-Scale Grid-Connected Photovoltaic Plant”, Solar Energy, Vol.98, pp. 226–235, 2013.
• [13] Wolff B., Lorenz E., and Kramer O., “Statistical Learning for Short-Term Photovoltaic Power Predictions”, Computational Sustainability, Vol.645, pp. 31-45, 2016.
• [14] K. Benmouiza, and A. Cheknane, “Small-scale solar radiation using forecasting using ARMA and nonlinear autoregressive neural network models”, Theory Application Climatology, Vol.124, pp. 945-958, 2016.
• [15] Y. Zhang, M. Beaudin, R. Taheri, and H. Zareipou, “Day-Ahead Power Output Forecasting for Small-Scale Solar Photovoltaic Electricity Generators”, IEEE Trans. Smart Grid, Vol. 6, No. 5, pp.2253-2262, Sep. 2015.
• [16] Asrari, A., T.X. Wu, and B. Ramos, “A Hybrid Algorithm forShort-Term Solar Power Prediction – Sunshine State Case Study,” IEEE Trans. Sustainable Energy, Vol. 8, No. 2, pp.582-591, 2017.
• [17] R. Jovanovic, L. M. Pomares, and Y. E. Mohieldeen, “An evolutionary method for creating ensembles with adaptive size neural networks for predicting hourly solar irradiance,” Proc. Intl. Joint Conf. Neural Networks (IJCNN), 2017.
• [18] Yadav AK, Malik H, Chandel SS. “Application of rapid minerin ANN based prediction of solar radiation for assessment of solar energy resource potential of 76 sites in Northwestern India”. Renew Sustain Energy, Vol. 52, pp.1093–1106, 2015.
• [19] Mazorra Aguiar L, Pereira B, David M, Díaz F, Lauret P., “Use of satellite data to improve solar radiation forecasting with Bayesian Artificial Neural Networks”. Sol Energy, Vol. 122, pp. 1309–1324, 2015.
• [20] L. Tianqi, P. Xiao, Xu Yanlu, C. Siqi, L. Jiahuan, S. Zhuiran, L. Hua and Yu Peng , "A Short Term Integrated Forecasting Model for The Active Power of Photovoltaic Generation Based on Support Vector Machine Algorithm," 2019 IEEE Innovative Smart Grid Technologies - Asia (ISGT Asia), Chengdu, China, pp. 3561-3566, 2019.
• [21] H.S. Jang, K.Y. Bae, H.S. Park, and D.K. Sung, “Solar Power Prediction Based on Satellite Images and Support Vector Machine,” IEEE Trans. Sustainable Energy, Vol. 7, No. 3, pp.1255-1263, Jul. 2016.
• [22] L. Ma, N. Yorino, and K. Khorasani, “Solar Radiation (Insolation) Forecasting Using Constructive Neural Networks,” Proc. of IEEE World Congress on Computational Intelligence (WCCI), No.16433, 24-29, 2016.
• [23] M.K. Behera, I. Majumder, N. Nayak, “Extreme learning forecast model for grid connected MPPT based photovoltaic station”, Int. J. Pure Appl. Mathematic. Vol.114 No.10, pp. 373–381, 2017.
• [24] M.K. Behera, I. Majumder, N. Nayak, “Solar photovoltaic power forecasting using optimized modified extreme learning machine technique”, Eng. Sci. Technol. Int. J. Vol.21, No.3, pp.428–438, 2018.
• [25] C. Huang and P. Kuo, "Multiple-Input Deep Convolutional Neural Network Model for Short-Term Photovoltaic Power Forecasting," IEEE Access, vol. 7, pp. 74822-74834, 2019.
• [26] X. Zhang, Y. Li, S. Lu, H. F. Hamann, B. Hodge and B. Lehman, "A Solar Time Based Analog Ensemble Method for Regional Solar Power Forecasting," IEEE Transactions on Sustainable Energy, vol. 10, no. 1, pp. 268-279, Jan. 2019.
• [27] Armin Sofijan, Bhakti. Y Suprapto, and Zainuddin Nawawi, "Experimental Analysis of ACP on Photovoltaics as Free Convection for Increasing Output Power," Przegląd Elektrotechniczny, vol. 5, pp. 121-125, 2022.
• [28] Boumediene Benabdallah Sereir, Radhawane Sadouni, Ahmed Tahour, Habib Hamdaoui and Salim Djeriou, "Fuzzy Direct Field Oriented Control of a Double Stator Induction Motor (DSIM) with an MRAS Observer Dedicated to Photovoltaic Pumping System," Przegląd Elektrotechniczny, vol. 5, pp. 85-91, 2022.
• [29] G. Li, S. Xie, B. Wang, J. Xin, Y. Li and S. Du, "Photovoltaic Power Forecasting With a Hybrid Deep Learning Approach," IEEE Access, vol. 8, pp. 175871-175880, 2020.
• [30] Wan, C.; Zhao, J.; Member, S.; Song, Y. “Photovoltaic and Solar Power Forecasting for Smart Grid Energy Management”. CSEE Journal of Power and Energy Systems. Vol.1, No.4, pp.38–46, 2015.
• [31] G.Huang, Q. Zhu, C.K. Siew, “Extreme Learning Machine: A New Learning Scheme of Feedforward Neural Networks,” Proc. on International Joint Conference on Neural Networks (IJCNN2004), 25-29 2004.

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).

Identyfikatory

DOI

10.15199/48.2023.01.26