Deep and Machine Learning Models to Forecast Photovoltaic Power Generation

Abstract

The integration and management of distributed energy resources (DERs), including residential photovoltaic (PV) production, coupled with the widespread use of enabling technologies such as artificial intelligence, have led to the emergence of new tools, market models, and business opportunities. The accurate forecasting of these resources has become crucial to decision making, despite data availability and reliability issues in some parts of the world. To address these challenges, this paper proposes a deep and machine learning-based methodology for PV power forecasting, which includes XGBoost, random forest, support vector regressor, multi-layer perceptron, and LSTM-based tuned models, and introduces the ConvLSTM1D approach for this task.

La integración y gestión de los recursos energéticos distribuidos (DER), incluida la producción fotovoltaica (PV) residencial, junto con el uso generalizado de tecnologías facilitadoras como la inteligencia artificial, han dado lugar al surgimiento de nuevas herramientas, modelos de mercado y oportunidades de negocio. La previsión precisa de estos recursos se ha vuelto crucial para la toma de decisiones, a pesar de los problemas de disponibilidad y fiabilidad de los datos en algunas partes del mundo. Para abordar estos desafíos, este documento propone una metodología profunda y basada en el aprendizaje automático para la previsión de energía fotovoltaica, que incluye XGBoost, bosque aleatorio, regresor de vectores de soporte, perceptrón multicapa y modelos ajustados basados ​​en LSTM, e introduce el enfoque ConvLSTM1D para esta tarea.