Afonso, PedroVoß, Leonhard2024-08-132024-08-132024-07-042024-05-31http://hdl.handle.net/10400.14/46180This thesis presents a novel hybrid convolutional neural network to long short-term memory (CNN-2-LSTM) model for short-term solar forecasting using data from Southeast Germany. The model’s performance is compared against a long short-term memory (LSTM) model and a persistence forecast. Satellite-derived cloud masks from the CLAAS-3 dataset by METEOSAT are combined with minute-byminute global horizontal irradiance (GHI) data from the Fraunhofer Institute’s PV-Live dataset. The models predict solar output over 15 minutes, 3 hours, and 6 hours with various input sequence lengths, resulting in 37 models tested. A new performance metric is introduced, using balance energy prices to calculate the economic impact of the models, providing a practical perspective on financial implications. Results show that the CNN-2-LSTM model significantly outperforms benchmarks at the 15-minute horizon, demonstrating superior accuracy for very short-term predictions. However, its performance at the 3-hour horizon is comparable to the LSTM model, and it lags behind the LSTM model at the 6-hour horizon. These findings highlight the model’s effectiveness for very short-term forecasting while emphasizing the need for optimization for specific temporal scales. The research underscores the potential of hybrid deep learning approaches to enhance short-term solar forecasting accuracy. It offers a cost-effective alternative to more complex systems, valuable for solar energy businesses. The study encourages further exploration into optimizing deep learning models for different forecasting horizons, contributing to advancements in renewable energy management in line with sustainable development goals (SDG).Esta tese apresenta um modelo híbrido de Rede Neural Convolucional para Memória de Longo e Curto Prazo (CNN-2-LSTM) para previsão de energia solar a curto prazo, usando dados do sudeste da Alemanha. O desempenho do modelo é comparado com um modelo de Memória de Longo e Curto Prazo (LSTM) e uma previsão de persistência. Imagens de nuvens da base de dados CLAAS-3 da METEOSAT são combinadas com dados de Irradiância Horizontal Global (GHI) minuto a minuto do Instituto Fraunhofer. Os modelos prevêem a produção de energia solar em horizontes de 15 minutos, 3 horas e 6 horas, com 37 modelos testados. A tese também introduz uma nova métrica de desempenho que usa preços de energia de balanço para calcular o impacto económico dos modelos. Os resultados mostram que o modelo CNN-2-LSTM supera significativamente as referências no horizonte de 15 minutos. No horizonte de três horas, seu desempenho é comparável ao modelo LSTM, e no horizonte de seis horas, fica atrás do modelo LSTM. Estes resultados destacam a eficácia do modelo para previsões de curto prazo e a necessidade de otimização para escalas temporais específicas. A pesquisa sublinha o potencial das abordagens híbridas de aprendizagem profunda para melhorar a previsão de energia solar a curto prazo. O modelo oferece uma alternativa custo-eficaz a sistemas mais complexos, sendo uma ferramenta valiosa para empresas de energia solar. O estudo incentiva a otimização de modelos para diferentes horizontes, contribuindo para a gestão de energia renovável em linha com os objetivos de desenvolvimento sustentável (ODS).engSolar forecastingMachine learningDeep learningConvolutional neural networksLong short-term memory networksPrevisão da produção de energia solar fotovoltaicaAprendizagem automática (profunda)Redes neurais convolucionaisRedes de memória de curto e longo prazomaster thesis203662695