Feed Forward Neural Network Application for a Day Ahead Photovoltaic Power Output Prediction in Maiduguri Metropolitan Council

Abstract

Accurate forecasting of PV power output is crucial for efficient integration of solar energy into the electricity grid and optimal energy management. This study explores the Application of a Feedforward Neural Network (FFNN) for Day-Ahead Photovoltaic (PV) Power Output Forecasting in Maiduguri Metropolis, a city located in north-eastern Nigeria. The FFNN model was trained using historical meteorological and PV power generation data collected in Maiduguri. The input variables included temperature, wind speed, humidity, cloud cover, hour of the day, day of the year and previous PV power outputs. The model was designed to predict PV power output for day ahead. To evaluate performance of FFNN model, various statistical metrics, such as mean absolute percentage error (MAPE) and correlation coefficient (R) were utilized. The model's ability to capture complex nonlinear relationships between input variables and PV power output was assessed. Results demonstrated that FFNN model is capable of accurately forecasting day-ahead PVpower output in Maiduguri. The obtained MAPE of 8.9093 and R values of 0.7632 indicate model's suitability in capturing the underlying patterns and dynamics of PV system. Findings of this research contribute to the advancement of PVpower forecasting techniques, using Maiduguri as case study. The FFNN model's demonstrated accuracy and reliability make it a valuable tool for decision-making processes related to renewable energy management, grid stability, and energy market operations.

Une prévision précise de la production d'énergie photovoltaïque (PV) est cruciale pour une intégration efficace de l'énergie solaire dans le réseau électrique et une gestion optimale de l'énergie. Cette étude explore l'application d'un réseau neuronal de Feed Forward (RNFF) pour la prévision de la production d'énergie photovoltaïque (PV) journalière dans la métropole de Maiduguri, une ville située au nord-est du Nigeria. Le modèle RNFF a été formé à l'aide de données historiques météorologiques et de production d'énergie photovoltaïque collectées à Maiduguri. Les variables d'entrée comprenaient la température, la vitesse du vent, l'humidité, la couverture nuageuse, l'heure de la journée, le jour de l'année et les puissances photovoltaïques précédentes. Le modèle a été conçu pour prédire la production d'énergie photovoltaïque pour la journée à venir. Pour évaluer les performances du modèle RNFF, diverses mesures statistiques, telles que le pourcentaged'erreur absolu moyen (PEAM) et le coefficient de corrélation (R) ont été utilisées. La capacité du modèle à capturer des relations non linéaires complexes entre les variables d'entrée et la puissance photovoltaïque a été évaluée. Les résultats ont démontré que le modèle RNFF est capable de prévoir avec précision la production d'électricité photovoltaïque à Maiduguri pour un jour à l'avance. Le PEAM obtenu de 8,9093 et les valeurs R de 0,7632 indiquent l'aptitude du modèle à capturer les modèles et la dynamique sous-jacents du système photovoltaïque. Les résultats de cette recherche contribuent à l'avancement des techniques de prévision de la puissance photovoltaïque, en utilisant Maiduguri comme étude de cas. La précision et la fiabilité démontrées du modèle RNFF en font un outil précieux pour les processus décisionnels liés à la gestion des énergies renouvelables, à la stabilité du réseau et aux opérations du marché de l'énergie

يعد التنبؤ الدقيق بإنتاج الطاقة الكهروضوئية أمرًا بالغ الأهمية لدمج الطاقة الشمسية بكفاءة في شبكة الكهرباء وإدارة الطاقة المثلى تستكشف هذه الدراسة تطبيق شبكة Feedforward العصبية للتنبؤ بإخراج الطاقة الكهروضوئية النهارية في ميدوغوري وما جاورها، مدينة واقعة في شمال شرق نيجيريا. تم تدريب نموذج FFNN باستخدام بيانات الأرصاد الجوية التاريخية وتوليد الطاقة الكهروضوئية التي تم جمعها في مايدوغوري. تضمنت متغيرات المدخلات درجة الحرارة وسرعة الرياح والرطوبة والغطاء السحابي وساعة اليوم ويوم السنة ومخرجات الطاقة الكهروضوئية السابقة. تم تصميم النموذج للتنبؤ بإخراج الطاقة الكهروضوئية لليوم المقبل. لتقييم أداء نموذج FFNN، تم استخدام مقاييس إحصائية مختلفة، مثل متوسط النسبة المئوية المطلقة للخطأ ومعامل الارتباط. تم تقييم قدرة النموذج على التقاط العلاقات المعقدة غير الخطية بين متغيرات الإدخال وخرج الطاقة الكهروضوئية. أظهرت النتائج أن نموذج FFNN قادر على التنبؤ بدقة بإنتاج الطاقة الكهروضوئية في مايدوغوري. يشير متوسط الخطأ المطلق الذي تم الحصول عليه وهو 8.9093 وقيم معامل الارتباط 0.7632 إلى ملاءمة النموذج في التقاط الأنماط والديناميات الأساسية للنظام الكهروضوئي تساهم نتائج هذا البحث في تقدم تقنيات التنبؤ بالطاقة الكهروضوئية، باستخدام ميدوغوري كنموذج. الدقة والموثوقية المثبتة لنموذج FFNN تجعله أداة قيمة لصنع القرار والعمليات المتصلة بإدارة الطاقة المتجددة، واستقرار الشبكة، وعمليات سوق الطاقة.