Cloud motion estimation from small-scale irradiance sensor networks: General analysis and proposal of a new method

Abstract

La generación de energía fotovoltaica a pequeña escala se ve particularmente afectada por la variabilidad de la irradiancia producida por las sombras de las nubes. Por lo tanto, es necesario realizar predicciones precisas de las nubes que pasan sobre el campo fotovoltaico para optimizar la gestión e integración de esta fuente de energía renovable. Se requieren dos elementos principales para realizar estas predicciones: el campo de irradiancia local y el vector de movimiento de las nubes. Las redes de sensores de irradiancia se están posicionando como una fuente de datos prometedora en las escalas espacial y temporal del problema, evitando los problemas de inferencia de irradiancia y los costos de la instrumentación basada en imágenes. Este artículo propone un método para inferir el vector de movimiento de la sombra de las nubes a partir de datos de redes de sensores de irradiancia a pequeña escala. El método no requiere una configuración o diseño de red específico, y el algoritmo es computacionalmente simple: las soluciones gráficas se obtienen agregando errores absolutos medios en un diagrama/matriz donde cada elemento representa un posible desplazamiento de las sombras de las nubes. La validación se lleva a cabo con un modelo de nubes fractal que permite la generación de series temporales de irradiancia de acuerdo con un vector de movimiento de nubes arbitrario. El par más correlacionado y los métodos de borde de nubes lineales se utilizan para fines de evaluación comparativa. Se prueban configuraciones de sensores en cuadrícula y sin cuadrícula con un número de sensores que varía de 9 a 100, áreas monitoreadas de 100 a 10000 m2 y períodos de muestreo de 0,3 a 3,3 s. Los resultados muestran la superioridad del método propuesto con una reducción del 50-90% de los errores cuadráticos medios con respecto a los métodos de referencia en el 75% de las pruebas. Además, el método propuesto mantiene un rendimiento similar a medida que disminuye la frecuencia de muestreo, mientras que los métodos de referencia muestran resultados peores.

Small-scale PV generation is particularly affected by the irradiance variability produced by cloud shadows. Accurate predictions of the clouds passing over the PV field are thus necessary for the optimized management and integration of this renewable power source. Two main elements are required to perform these predictions: the local irradiance field and the cloud motion vector. Irradiance sensor networks are positioning as a promising data source at the spatial and temporal scales of the problem, avoiding the irradiance inference problems and costs of image-based instrumentation. This paper proposes a method to infer the cloud shadow motion vector from small-scale irradiance sensor networks data. The method does not require specific network configuration or layout, and the algorithm is computationally simple: graphical solutions are obtained by aggregating mean absolute errors in a diagram/matrix with each element representing a possible displacement of the cloud shadows. The validation is conducted with a fractal cloud model that allows the generation of irradiance time series according to an arbitrary cloud motion vector. The most correlated pair and the linear cloud edge methods are used for benchmarking purposes. Gridded and non-gridded sensors layouts are tested with number of sensors ranging from 9 to 100, monitored areas from 100 to 10000 m2, and sampling periods from 0.3 to 3.3 s. The results show the superiority of the proposed method with a reduction of 50–90% of the root mean square errors respect to the benchmark methods in 75% of the tests. Additionally, the proposed method maintains similar performance as sampling rate decreases, while the benchmark methods exhibit worsening results.