Forecasting of Photovoltaic Power Output in Maiduguri using Feed Forward Neural Network

Abstract

The increasing integration of photovoltaic (PV) power systems into the energy grid necessitates accurate forecasting of their output to ensure efficient and reliable operation. This research investigates the application of a Feedforward Neural Network (FFNN) forforecasting the PVpower output in Maiduguri. The proposed FFNN model utilizes historical weather data and other relevant parameters to predict the power output of PV systems. Theresearch evaluates the performance of the FFNN model using two key metrics: Mean Absolute Percentage Error (MAPE) and Pearson correlation coefficient (R). The FFNN model achieved a low MAPE of 8.9093, indicating its effectiveness in accurately predicting PV power output. Additionally, the model exhibited a high Pearson correlation coefficient (R) of 0.7632, demonstrating a strong linear relationship between the predicted and actualpower output values. To validate the performance of the FFNN model, an Adaptive Neuro Fuzzy Inference System (ANFIS) was employed as a benchmark. The ANFIS model yielded a higher MAPE of 15.0048 and a lower Pearson correlation coefficient (R) of 0.3533 compared to the FFNN model. These results highlight the superiority of the FFNN model inaccurately forecasting the PVpower output in Maiduguri.

L'intégration croissante des systèmes d'alimentation photovoltaïques (PV) dans le réseau énergétique nécessite une prévision précise de leur production pour garantir un fonctionnement efficace et fiable. Cette recherche étudie l'application d'un réseau neuronal Feedforward (RNFF) pour prévoir la production d'énergie photovoltaïque à Maiduguri. Le modèle RNFF proposé utilise des données météorologiques historiques et d'autres paramètres pertinents pour prédire la puissance de sortie des systèmes photovoltaïques. La recherche évalue les performances du modèle RNFF à l'aide de deux mesures clés : le pourcentage d'erreur absolu moyen (PEAM) et le coefficient de corrélation de Pearson (R). Le modèle RNFF a atteint un faible PEAM de 8,9093, ce qui indique son efficacité à prédire avec précision la production d'énergie photovoltaïque. De plus, le modèle présentait un coefficient de corrélation de Pearson (R) élevé de 0,7632, démontrant une forte relation linéaire entre les valeurs de puissance de sortie prévues et réelles. Pour valider les performances du modèle RNFF, un système d'inférence adaptative neuro-fuzzy (ANFIS) a été utilisé comme référence. Le modèle ANFIS a donné un PEAM plus élevé de 15,0048 et un coefficient de corrélation de Pearson (R) inférieur de 0,3533 par rapport au modèle RNFF. Ces résultats mettent en évidence la supériorité du modèle RNFF pour prévoir avec précision la production d'énergie photovoltaïque à Maiduguri.

يتطلب التكامل المتزايد لنظم الطاقة الكهروضوئية في شبكة الطاقة التنبؤ الدقيق بإنتاجها لضمان التشغيل الفعال والموثوق به يبحث هذا البحث في تطبيق شبكة فيد-فوورد العصبية للتنبؤ بإنتاج الطاقة الكهروضوئية في ميدوغوري، يستخدم النموذج المقترح بيانات الطقس التاريخية وغيرها من البارامترات ذات الصلة للتنبؤ بإنتاج الطاقة للنظم الكهروضوئية يقيم البحث أداء النموذج باستخدام مقياسين رئيسيين: الأول متوسط خطأ النسبة المئوية المطلقة والثاني معامل ارتباط بيرسون(0.7632) إثبات وجود علاقة خطية قوية بين قيم خرج الطاقة المتوقعة والفعلية.للتحقق من أداء النموذج، تم استخدام نظام الاستدلال العصبي الضبابي التكيفي كمعيار أسفر نموذج ANFIS عن MAPE أعلى من 15.0048 ومعامل ارتباط بيرسون أقل  من 0.3533 مقارنة بنموذج FFNN تسلط هذه النتائج الضوء على تفوق نموذج FFNN في التنبؤ الدقيق بإنتاج الطاقة الكهروضوئية في ميدوغوري