Photovoltaic power forecasting at national level using ensemble models

Abstract

The inclusion of photovoltaic (PV) systems in Portugal’s power grid has been increasing significantly in recent years, which, due to its volatile nature, increases the need for an accurate forecast to maintain the power grid's good functioning and effective management. Although there is extensive research that shows the potentialities of ensemble models for PV power prediction at the plant level, there is an overall lack of research at the national or multi-regional level. To address this gap, this dissertation aims to explore the ensemble models' capabilities in predicting one-day-ahead PV power generated at Portugal’s national level. To do so, ensemble models such as XGBoost, Random Forest, LightGBM, and a Stacking approach were tested. The defined methodology focused on evaluating the different ensemble models under varying configurations, including the number of lags used as model input, the training dataset size, and different steps-ahead setups. Moreover, both an univariate approach, which includes only solar power or lag-related features, and a multivariate approach, where weather variables are also included, were tested. The results were compared with benchmark models and revealed that the ensemble models proved effective in PV power forecasting at a national scale. It was also demonstrated that excluding low-importance features, guided by SHAP analysis, led to improved forecasting performance in several configurations. Out of the tested ensemble models, the most accurate was XGBoost, achieving in its best-performing configuration an RMSE of 82.13, an MAE of 49.84, and a MAPE of 12.10%.

A inclusão de sistemas fotovoltaicos na rede elétrica portuguesa tem vindo a aumentar significativamente nos últimos anos, o que, devido à sua natureza volátil, aumenta a necessidade de uma previsão precisa para manter o bom funcionamento e gestão da rede elétrica. Apesar da extensa investigação que evidencia as potencialidades de modelos ensemble para a previsão de energia ao nível da estação fotovoltaica, existe uma falta generalizada de investigação ao nível nacional ou multirregional. Para endereçar esta lacuna, a presente dissertação pretende explorar as capacidades dos modelos ensemble para realizar previsões do dia seguinte da potência fotovoltaica gerada à escala nacional portuguesa. Para concretizar este objetivo, os modelos ensemble XGBoost, Random Forest, LigthGBM, e um modelo Stacking foram testados. A metodologia definida focou-se na avaliação destes modelos sob diferentes configurações, como o número de lags usados como input nos modelos, o tamanho do conjunto de treino e diferentes números de passos a prever à frente. Foram testadas uma abordagem univariada, incluindo apenas as observações históricas da potência fotovoltaica, e uma abordagem multivariada, incluindo variáveis meteorológicas. Os resultados foram comparados com modelos benchmark e revelaram que os modelos ensemble foram eficazes na previsão de potência fotovoltaica à escala nacional. Também foi demonstrado que a exclusão de variáveis com pouca importância, baseada na análise SHAP, resultou numa melhor performance da previsão em diversas configurações. O XGBoost foi o mais eficaz, alcançando na sua configuração com melhor performance: um RMSE de 82.13, um MAE de 49.84, e um MAPE de 12.10%.