Modeling and forecasting of photovoltaic energy yield

Abstract

The global energy landscape is undergoing a profound transformation, with solar photovoltaic (PV) power emerging as a central pillar of decarbonization efforts. However, the large-scale integration of this inherently variable energy source presents significant challenges to grid stability and reliability. The unpredictable nature of solar generation, primarily driven by dynamic cloudcover, necessitates the development of sophisticated tools to accurately model PV system performance and forecast its power output. This thesis addresses these critical challenges by developing and validating a cohesive suite of novel methodologies for high-fidelity solar power modeling and high-accuracy short-term forecasting. The first part of this work introduces a novel, dynamic electro-thermal PV model. Implemented in Verilog-AMS, this model transcends the limitationsof conventional steady-state approaches by incorporating the thermal inertia of PV modules. Rigorous validation against high-resolution, real-world data demonstrates its superior accuracy in capturing system behavior, particularly during rapid irradiance fluctuations. To bridge the gap between physical principles and data-driven techniques, this thesis further proposes a physics-guided machine learning paradigm. By using the detailed electro-thermal model to generate physically consistent features, this hybrid approach enhances the accuracy and data efficiency of machine learning models, providing a robust tool for performance analysis and energy yield assessment. The second part of the thesis focuses on the critical task of very short-term solar power forecasting, or nowcasting. Leveraging ground-based sky imagery, this research details the development of an end-to-end deep learning framework based on a Nonlinear Autoregressive with Exogenous Inputs (NARX) architecture. This approach evolves beyond simpler multi-stage models by directly learning the complex spatio-temporal relationship between cloud patterns and PV power output. Key innovations are introduced to enhance operational relevance, including a cloud-condition-based model specialization strategy that adapts the forecasting algorithm to specific weather regimes, and a novel paradigm for forecasting cumulative energy yield over short horizons. Extensive validation demonstrates that the proposed framework achieves state-of-the-art accuracy, consistently outperforming established persistence and machine learning benchmarks. Collectively, the contributions of this thesis provide a significant advancement in the ability to understand, simulate, and predict the behavior of PV systems. By delivering validated, high-performance tools for both detailed modeling and real-time forecasting, this work supports the optimization of solar assets and facilitates their seamless and reliable integration into the power grids of the future.

Το παγκόσμιο ενεργειακό τοπίο υφίσταται έναν βαθύ μετασχηματισμό, με τηv ηλιακή φωτοβολταϊκή (Φ/Β) ενέργεια να αναδεικνύεται σε κεντρικό πυλώνα των προσπαθειών για την απανθρακοποίηση. Ωστόσο, η μεγάλης κλίμακας ενσωμάτωση αυτής της εγγενώς μεταβλητής πηγής ενέργειας θέτει σημαντικές προκλήσεις για τη σταθερότητα και την αξιοπιστία του ηλεκτρικού δικτύου. Η απρόβλεπτη φύση της ηλιακής παραγωγής, που καθοδηγείται κυρίως από τη δυναμική νέφωση, καθιστά αναγκαία την ανάπτυξη εξελιγμένων εργαλείων γιατην ακριβή μοντελοποίηση της απόδοσης των Φ/Β συστημάτων και την πρόβλεψη της ισχύος εξόδου τους. Η παρούσα διατριβή αντιμετωπίζει αυτές τις κρίσιμες προκλήσεις αναπτύσσοντας και επικυρώνοντας μια συνεκτική σουίτα πρωτότυπων μεθοδολογιών για υψηλής πιστότητας μοντελοποίηση ηλιακής ενέργειας και υψηλής ακρίβειας βραχυπρόθεσμη πρόγνωση. Το πρώτο μέρος αυτής της εργασίας εισάγει ένα νέο, δυναμικό ηλεκτρο-θερμικό μοντέλο Φ/Β. Υλοποιημένο σε Verilog-AMS, το μοντέλο αυτό υπερβαίνει τους περιορισμούς των συμβατικών προσεγγίσεων μόνιμης κατάστασης, ενσωματώνοντας τη θερμική αδράνεια των Φ/Β πλαισίων. Η αυστηρή επικύρωση έναντι πραγματικών δεδομένων υψηλής ανάλυσης καταδεικνύει την ανώτερη ακρίβειά του στην αποτύπωση της συμπεριφοράς του συστήματος, ιδιαίτερα κατά τη διάρκεια ταχέων διακυμάνσεων της ακτινοβολίας. Για να γεφυρώσει το χάσμα μεταξύ φυσικών αρχών και τεχνικών που βασίζονται σε δεδομένα, η παρούσα διατριβή προτείνει επιπλέον ένα υπόδειγμα μηχανικής μάθησης καθοδηγούμενης από τη φυσική (physics-guided machine learning). Χρησιμοποιώντας το λεπτομερές ηλεκτρο-θερμικό μοντέλο για τη δημιουργία φυσικά συνεπών χαρακτηριστικών,αυτή η υβριδική προσέγγιση ενισχύει την ακρίβεια και την αποδοτικότητα δεδομένων των μοντέλων μηχανικής μάθησης, παρέχοντας ένα στιβαρό εργαλείο για την ανάλυση της απόδοσης και την εκτίμηση της ενεργειακής παραγωγής. Το δεύτερο μέρος της διατριβής εστιάζει στο κρίσιμο έργο της πολύ βραχυ-πρόθεσμης πρόγνωσης ηλιακής ενέργειας, ή άμεσης πρόγνωσης (nowcasting). Αξιοποιώντας επίγειες εικόνες του ουρανού, η έρευνα αυτή περιγράφει λεπτομερώς την ανάπτυξη ενός ολοκληρωμένου πλαισίου βαθιάς μάθησης από την αρχή έως το τέλος (end-to-end), βασισμένου σε μια αρχιτεκτονική Μη-Γραμμικής Αυτοπαλινδρόμησης με Εξωγενείς Εισόδους (NARX). Η προσέγγιση αυτή εξελίσσεται πέρα από τα απλούστερα μοντέλα πολλαπλών σταδίων, μαθαίνοντας απευθείας την πολύπλοκη χωρο-χρονική σχέση μεταξύ των προτύπων νέφωσης και της ισχύος εξόδου του Φ/Β συστήματος. Εισάγονται βασικές καινοτομίες για την ενίσχυση της λειτουργικής συνάφειας, συμπεριλαμβανομένης μιας στρατηγικής εξειδίκευσης του μοντέλου βάσει των συνθηκών νέφωσης, η οποία προσαρμόζει τον αλγόριθμο πρόγνωσης σε συγκεκριμένα καιρικά καθεστώτα, και ενός νέου υποδείγματος για την πρόγνωση της αθροιστικής ενεργειακής παραγωγής σε βραχυπρόθεσμους ορίζοντες. Η εκτενής επικύρωση καταδεικνύει ότι το προτεινόμενο πλαίσιο επιτυγχάνει ακρίβεια αιχμής (state-of-the-art), ξεπερνώντας σταθερά τα καθιερωμένα μοντέλα αναφοράς (persistence) και μηχανικής μάθησης. Συλλογικά, οι συνεισφορές αυτής της διατριβής παρέχουν μια σημαντική πρόοδο στην ικανότητα κατανόησης, προσομοίωσης και πρόβλεψης της συμπεριφοράς των Φ/Β συστημάτων. Παραδίδοντας επικυρωμένα εργαλεία υψηλής απόδοσης τόσο για λεπτομερή μοντελοποίηση όσο και για πρόγνωση σε πραγματικό χρόνο, η εργασία αυτή υποστηρίζει τη βελτιστοποίηση των ηλιακών πόρων και διευκολύνει την απρόσκοπτη και αξιόπιστη ενσωμάτωσή τους στα ηλεκτρικά δίκτυα του μέλλοντος.