Performance Evaluation of Short-term Solar Radiation Forecasting Tool “HRforecast”

Trabajo Fin de Máster Máster en Ingeniería Industrial Academic Year 2020-21 Performance Evaluation of Short-term Solar Radiation Forecasting Tool “HRforecast” Evaluación de la herramienta de predicción de Irradiancia Solar a Corto Plazo “HRforecast" Performance Evaluation of Short-term Solar Radiation Forecasting Tool “HRforecast” Evaluación de la herramienta de predicción de Irradiancia Solar a Corto Plazo “HRforecast" Author: José Joaquín Becerra Pérez Co-Director: Isidoro Lillo Bravo Co-Director: Miguel Larrañeta Gómez-Caminero Dpto. Ingeniería Energética Escuela Técnica Superior de Ingeniería Universidad de Sevilla Sevilla, 2020 - 2021 Index 1. Abstract ................................................................................................................. 11 2. Introduction ........................................................................................................... 12 3. Objective ................................................................................................................ 15 3.1. Research Questions ........................................................................................ 16 4. Literature Review .................................................................................................. 17 4.1. Solar Irradiance ............................................................................................... 17 4.2. Solar Irradiance Forecasting Techniques ..................................................... 17 4.2.1. Comparison between Techniques .............................................................. 19 4.3. HRForecast ...................................................................................................... 19 4.4. Forecast Validation ......................................................................................... 20 4.5. Indexes ............................................................................................................. 20 5. Method ................................................................................................................... 25 5.1. Meteorological Database ................................................................................ 25 5.2. Data Processing .............................................................................................. 25 6. Results ................................................................................................................... 27 6.1. Distribution Approach ..................................................................................... 27 6.1.1. Kolmogorov-Smirnov Test results for 1-min DNI time-series .................. 27 6.1.2. Kolmogorov-Smirnov Test results for 1-hour DNI time-series ................. 37 6.1.3. Kolmogorov-Smirnov Test results for daily DNI time-series .................... 39 6.1.4. Kolmogorov-Smirnov Test results for 1-min GHI time-series .................. 41 6.1.5. Kolmogorov-Smirnov Test results for 1-hour GHI time-series ................ 51 6.1.6. Kolmogorov-Smirnov Test results for daily GHI time-series ................... 52 6.1.7. Stability Analysis ......................................................................................... 55 6.1.8. Standard Deviations of Increments ............................................................ 59 6.2. Energy Approach............................................................................................. 65 7. Discussion ............................................................................................................. 68 8. Conclusions and Future Work ............................................................................. 73 9. References ............................................................................................................. 75 10. Annex ..................................................................................................................... 76 10.1. Skill Score for RMSE (1-min DNI) ................................................................... 76 10.2. Skill Score for RMSE (1-hour DNI) ................................................................. 88 10.3. Skill Score for RMSE (daily DNI) .................................................................... 97 10.4. Skill Score for RMSE (1-min GHI) ................................................................. 106 10.5. Skill Score for RMSE (1-hour GHI) ............................................................... 117 10.1. Skill Score for RMSE (daily GHI daily) ......................................................... 126 1 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” Resumen El documento aquí presente consiste en una evaluación del rendimiento de la herramienta de previsión de la radiación solar a corto plazo desarrollada por el grupo de Termodinámica y Energías Renovables(GTER) "HRForecast". La predicción de la irradiancia solar está suscitando un interés creciente entre académicos y expertos, dada la innegable contribución que se supone que tendrán las fuentes de energía renovables solares en el parque energético del futuro y dado el carácter altamente variable y difícilmente predecible de su naturaleza. Este tipo de predicción no sólo permite prever la producción energética de estas fuentes y reprogramar el suministro de energía y las operaciones de la red en torno a ellas, sino que también nos da información sobre la meteorología en el horizonte a corto plazo, permitiéndonos disponer de una valiosa información sobre los eventos meteorológicos inminentes en relación con las variaciones de la irradiancia, que también son útiles para la operación y el mantenimiento de las tecnologías solares. Para ello, el grupo de Termodinámica y Energías Renovables de la Universidad de Sevilla pone a disposición en su página web una herramienta de previsión de irradiancia: esta es "HRForecast". Esta herramienta consiste en un modelo estadístico que recoge información de una serie de fuentes de información y la fusiona en tres previsiones diferentes con un paso de 1 minuto (resolución en minutos) para el día correspondiente, el día siguiente y el día dentro de 2 días en el futuro. La irradiancia se pronostica tanto en términos de irradiancia horizontal global como de irradiancia normal directa. El objetivo de esta investigación es evaluar dicha herramienta, tanto en términos de contenido energético como de variabilidad de la distribución, incluyendo así una reseña sobre el estado actual de la investigación en la evaluación de series de irradiancia sintética. La investigación incluirá inicialmente un análisis de qué enfoques sobre el tema están ahora mismo presentes en la literatura disponible y qué parámetros son los más adecuados para evaluar las previsiones de irradiancia solar obtenidas con determinaciones numéricas adicionales de la precisión y aceptabilidad de las primeras. La discusión sobre la investigación no incluye una evaluación sobre el rendimiento de la herramienta, sino también una discusión sobre la idoneidad de las metodologías seguidas para evaluar series con características de alta resolución y una comparación con los resultados obtenidos en investigaciones similares realizadas por investigadores de referencia. 2 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” El sistema energético mundial está cambiando hoy en día, la evidencia sobre la insostenibilidad del modelo actual, la reticencia hacia la energía nuclear y los problemas medioambientales relacionados con la contaminación del aire y del agua ponen de manifiesto que debemos conducir nuestros sistemas energéticos hacia una vía más sostenible en la que las fuentes de energía renovables no pueden ser ignoradas. Entre los campos de aplicación de la tecnología de las energías renovables, se encuentra la energía solar, que actualmente se encuentra en una fase de rápido desarrollo que despierta el interés de los diferentes agentes interesadas. Las ventajas de la utilización de las fuentes de energía solar renovable son variadas, pero también lo son sus limitaciones. En primer lugar, una de las principales desventajas es que unas condiciones inadecuadas de temperatura y humedad pueden hacer que las diferentes tecnologías no rindan lo suficiente y, por tanto, sean menos eficientes. Además, la dependencia de una fuente de energía muy fluctuante como el sol hace que la producción de energía de esta tecnología sea extremadamente variable, lo que hace que los operadores de la red y los agentes de compra tengan que esforzarse para ajustar el programa de energía. Estas tecnologías dependen en gran medida de la irradiancia solar, ya que es su principal y única fuente de energía y determinará no sólo su despliegue energético total, sino también su eficiencia global. Para que estas tecnologías prosperen es vital tener una estimación previa sobre su rendimiento. Esta es la razón principal por la que actualmente existe un profundo interés fomentado en torno a la idea de estimar la potencia desplegada por estas tecnologías solares, y aquí es donde entra en juego nuestra herramienta revisada "HRforecast". Antes de describir esta herramienta de previsión de la irradiancia, profundizaremos en por qué son importantes estas irradiancias, a quiénes son útiles y para qué fines. El principal problema que hay que abordar aquí, como ya se ha explicado, es la gran dependencia de las tecnologías solares de la irradiancia solar. Se trata de un parámetro que, obviamente, no se puede controlar, pero sí se puede predecir. A través de la previsión de la irradiancia solar se puede aumentar el rendimiento económico de los proyectos de energía solar, incluso en sus primeras etapas, ya que podemos a través de la previsión de la irradiancia determinar el potencial de irradiancia de un sitio, lo que determinará la cantidad de resultado energético que obtendremos si decidimos instalar la tecnología solar en el lugar, determinando así si el proyecto es rentable o no, lo que es claramente del interés de los promotores del proyecto. En el caso de los proyectos de gran envergadura, las previsiones son útiles porque dan una estimación de la potencia total que tendremos disponible para desplegar, lo que nos permite prever cuánta energía podemos vender en las apuestas y nos da una primera idea de los próximos beneficios del ejercicio. 3 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” Hay que hacer una mención especial a las tecnologías fotovoltaicas, ya que son fuentes de energía instantáneas muy variables que en la mayoría de los casos se conectan directamente a la red, por lo que a menudo se les acusa de generar tensión e inestabilidad en la red. La previsión de la irradiancia puede contribuir a resolver esta problemática. Si podemos obtener información detallada sobre cuándo se van a producir estas rampas de salida, se podrían programar y realizar las operaciones de red adecuadas, con el fin de garantizar la estabilidad de la red. Dado que el tema de nuestro trabajo es la previsión a corto plazo, algunas de estas operaciones pueden incluir la gestión de la demanda, la programación flexible de otros recursos de generación ajustables o la compra en las ventas de electricidad en primera línea. Pero no sólo estos grandes actores son considerados en el ámbito de la previsión de la irradiancia, los pequeños usuarios finales también pueden sacar provecho de ellos. Por ejemplo, muchas de estas tecnologías de generación solar están descentralizadas y se instalan en la propiedad del usuario, si estos usuarios pudieran saber con ventaja en qué secciones horarias precisas su tecnología solar producirá la mayor cantidad de rendimiento, podrían reajustar su demanda de energía en consecuencia (por ejemplo, programando las tareas domésticas de alta demanda energética). A continuación veremos qué características deberían incluir estas previsiones para cumplir con las expectativas de los agentes interesados. Las características relevantes a tener en cuenta son tanto la resolución temporal como el horizonte de previsión, especialmente cuando existe un mercado diario con tarifas flexibles. Los operadores de planta pueden tal vez ser el grupo más desigual de todos, ya que sus tareas relacionadas con la irradiancia solar incluyen el control, la planificación y el mantenimiento. El control es, naturalmente, la tarea más orientada al corto plazo y solicita resoluciones temporales no superiores a 1 minuto y horizontes que se extienden hasta los 15 minutos siguientes, mientras que la planificación de la operación no exige resoluciones tan finas, que sí pueden ampliarse a 10 minutos de resolución en un horizonte de 6 horas. En ambos casos, la previsión por satélite es la fuente de previsión recomendada. Por otro lado, para la programación del mantenimiento se sugieren métodos NWP, con resoluciones recomendadas de una hora con los 10 días siguientes como horizonte. En cualquier caso, una tasa de refresco con una frecuencia de 3 horas será satisfactorio. Por otro lado, los operadores de la red se centran más en el largo plazo y prefieren recibir sus previsiones con una resolución de 15 minutos a una hora. El horizonte previsto cubre aquí la parte restante del día previsto, y aquí debemos distinguir entre los operadores de red que operan en un mercado diario o en un mercado diario, ya que el día previsto será, respectivamente, el próximo o el actual. El caso de los operadores de la red en el mercado diario tiene grandes similitudes con aquellos interesados a los que estas previsiones les son útiles para impulsar nuevas políticas en el contexto de tarifas orientadas al mercado, así como para fines de investigación relacionados con los estudios de viabilidad de dichos mercados. 4 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” Con todo esto en mente, se desarrolla la herramienta de previsión de irradiancia a corto plazo conocida como "HRForecast". HRForecast es una herramienta abierta y gratuita que proporciona a los usuarios una previsión de alta resolución, orientada al tiempo corto con un horizonte de predicción de hasta dos días de antelación, que se refresca diariamente, y que tiene la ventaja de no suponer ningún coste económico para el usuario final. Esta herramienta recibe sus entradas en forma de información temporal y espacial (latitud y longitud, fecha) del lugar estudiado, así como estimaciones de nubosidad a partir de un conjunto seleccionado de fuentes de información (eltiempo.es se erige como la preferida). La irradiancia de cielo despejado se calcula a través del modelo AB ajustado a la información del sitio y estas previsiones de cielo despejado se ponderan posteriormente a través de la información de entrada de la nubosidad para obtener predicciones de la irradiancia normal directa prevista y de la irradiancia horizontal global. El resultado de esta herramienta son seis series diferentes de previsiones de irradiancia directa y global en forma de series de datos de 1 minuto de resolución correspondientes a los tres días que van desde hoy hasta dentro de 2 días. Esto significa que cada día, la herramienta producirá una previsión tanto del DNI como del GHI para cada minuto incluido en ese día, en el día siguiente y en el día de 2 días después y, en consecuencia, la irradiancia de cada minuto del año se habrá previsto tres veces: ese día, el día anterior y dos días antes. Todo lo anterior juega a su favor, sin embargo su mayor ventaja podría radicar en su simplicidad, sin incluir ningún algoritmo difícil de entender que dificulte la interpretación de los resultados. Además, es extremadamente sencillo de utilizar, ya que el muestreo de la información de la fuente y el procesamiento de los datos se realiza de forma totalmente automática y sólo se deja al usuario la evaluación de los resultados. Las ligeras operaciones algorítmicas implicadas también implican que los cálculos se realizan de forma comparativamente rápida y sin requerir recursos computacionales adicionales. Las principales limitaciones que encontraremos a la hora de evaluar el rendimiento de la herramienta son que debemos ser extremadamente cautelosos a la hora de seleccionar la metodología a seguir para evaluar los resultados. Mientras que algunas apreciaciones iniciales pueden inducirnos a la idea de que la evaluación de la predicción de la irradiancia consiste únicamente en evaluar los datos pronosticados, el verdadero esfuerzo viene cuando se comparan varias predicciones, ya que debemos tener cuidado de que éstas no sean siempre comparables, y ahí está el problema. La comparación entre trabajos está fuertemente sesgada por un amplio abanico de factores que van desde el lugar hasta la ubicación temporal, la resolución de los datos o el horizonte de previsión, por lo que debemos asegurarnos previamente de que se está aplicando la técnica de evaluación adecuada. La previsión de la irradiancia no consiste en evaluar las previsiones y clasificarlas en "buenas" o "malas", sino en determinar si son apropiadas para proporcionar al usuario la información que demanda. 5 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” A continuación procederemos a explicar el funcionamiento de la herramienta estudiada. HRforecast es una herramienta de previsión determinista que muestrea datos de diferentes fuentes, así como una serie de entradas diferentes y da un vector de irradiación como salida principal. El proceso principal es el siguiente: 1. Localización del emplazamiento: La información sobre la ubicación, especialmente la longitud y latitud, es esencial para obtener los datos adecuados. 2. Fecha: Se asume el formato GMT. 3. Entrada adicional p, que nos indicará en qué medida asumimos la previsión del día anterior. A este parámetro se le puede asignar cualquier valor entero que vaya de 0 a 2, en el que 0 implica que no se utiliza el vector del día anterior, mientras que 1 y 2 significan que se incluye parcial o totalmente. 4. Se debe crear un archivo.txt, la primera columna contiene la fecha (GMT) las restantes, los diferentes índices de nubosidad de las fuentes de información. 5. Representación gráfica, sobre todo para asegurar que hay correlación entre las fuentes. En caso de que no coincidan en algún aspecto, eltiempo.es se situará por encima del resto como la fuente más fiable. 6. La Irradiancia de Cielo Claro se calcula tanto para el GHI como para el DNI para cada día del año. 7. Atenuación de nubes, el índice de nubosidad del paso 4 se modifica mediante ecuaciones exponenciales de segundo grado que penalizarán los índices de nubosidad bajos y potenciarán el impacto de los más altos. 8. Irradiancia prevista (tanto DNI como GHI) calculada a partir del ICS anterior y los índices de nubosidad del paso 4. Esto se hace mediante el producto de la irradiancia de cielo claro, que es tanto el DNI como el GHI, multiplicado por un factor de atenuación dado por el índice de nubosidad que se dio como imput. 9. La reducción de escala a valores de resolución de 1 minuto, se realiza mediante un modelo ND. 6 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” El objetivo del siguiente documento no es otro que la evaluación de la herramienta "HRForecast". Para evaluar el producto de esta herramienta, es necesario concebir un procedimiento de evaluación. Dado que no existe una metodología sencilla para este tipo de evaluación, también es aconsejable realizar una revisión bibliográfica sobre diferentes sistemas y parámetros de validación. Se trata de determinar el grado de aceptación de la previsión obtenida a partir de la herramienta, aunque las expectativas del usuario final siguen sin estar claras. Una previsión de irradiación se realiza siempre con un propósito determinado, por lo que será válida en función de cómo se cumpla dicho propósito. Además, las diferentes partes interesadas (es decir, el operador de la red, el comprador de la subasta, etc.) pueden tener intereses distintos al respecto, ya que el propósito final de la predicción puede variar significativamente. A quién sirven estas predicciones y en qué medida es la pregunta que hay que responder con respecto a esta preocupación. Para cubrir un rango de tiempo adecuadamente amplio (con la consiguiente variedad de condiciones en términos de variabilidad de la serie), tomamos como datos de la muestra todo el periodo del año 2020, es decir, el periodo de tiempo que va desde las 00:00 del 1 de enero de 2020 hasta las 23:59 del 31 de diciembre de ese año. En esta investigación, nos centramos en el análisis de las series de irradiación normal directa (DNI) y de irradiación horizontal global (GHI). La herramienta es capaz de predecir, tanto para el DNI como para el GHI, 3 previsiones diferentes cada día: para ese día determinado, para el día siguiente y para dos días después. Tanto las series de datos reales pronosticadas como las observadas tienen una resolución de 1 minuto, pero como se trata de una resolución especialmente alta, no es frecuente encontrarla en la literatura. Aunque esto es ciertamente una ventaja de la herramienta y del interés del usuario final, de alguna manera dificulta la comparación con las alternativas encontradas en la literatura. Por esta razón, integramos los datos en las resoluciones de hora y día. La herramienta se ejecuta automáticamente todos los días a las 00:05 horas, pronosticando el GHI y el DNI a una resolución de 1 minuto para el día siguiente (0-días), el día siguiente (1-día) y el día posterior (2-días). En resumen, analizaremos las previsiones tanto del GHI como del DNI, en el mismo día, con un día de antelación y con 2 días de antelación. Evaluamos las previsiones comparándolas con las series de datos observados medidos en el lugar el periodo estudiado (1 año). Las series sintéticas y observadas se obtienen con una resolución de 1 minuto y últimamente se integran en resolución horaria y diaria, así como en equivalentes de resolución horaria y diaria. El análisis se realizará tanto en términos de contenido energético como de distribución de las series. Estas series de datos se analizarán a posteriori de la revisión obtenida de la literatura, afirmando así el grado de su fiabilidad y la eficacia global de la herramienta HRForecast. La clave aquí es observar cuál es el comportamiento de la herramienta y cómo se comporta al compararla con otras alternativas, dado que su principio de funcionamiento es bastante simple, y observar el efecto de su naturaleza en su fiabilidad global. 13 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” Plant operators may be the most uneven group of them all, since their tasks related to solar irradiance include controlling, planning and maintenance. Controlling is naturally the most shortrun oriented task and it requests time resolutions no wider than 1 minute and horizons that extend to the following 15 minutes, whereas operation planning does not demand such thin resolutions, which can indeed be expanded to 10 minutes resolution on a horizon of 6 hours. In both cases satellite forecasting is the recommended source of forecasting. On the other hand, NWP methods (explained later on section 4) are suggested for maintenance scheduling, with recommended hourly resolutions with the following 10 days as horizon. In any case a refreshing with a frequency of 3 hours will be satisfactory. Grid operators are on the other hand somehow more long-run focused as they would rather receive their forecasts on a 15-min to hourly resolution. The expected horizon here covers the remaining part of the forecasted day, and here we must make a distinction between those grid operators who operate in a day-ahead market or in an intra-day market, since the forecasted day will respectively be the coming or the current one. The case of day-ahead market grid operators bears huge similarities with those stakeholders whom these forecasts are useful for thrusting new policies forward in the context of the market-oriented tariffs, as well as educational purposes related to viability studies of the aforementioned markets. With all these in mind, the group of Thermodynamics and Renewable Energy Sources of the University of Sevilla develops the tool for short-time irradiance forecasting known as "HRForecast". HRForecast is a free open tool which provides users with a high resolution, short time oriented with up to two days ahead forecasting horizon which refreshes on a daily basis, and which has the advantage of not bearing any economic cost to the final user. This tool receives its inputs in the form of temporal and spatial information (latitude and longitude, date) of the studied site, as well as nubosity estimations from a selected array of information sources (eltiempo.es stands as the preferred one). The clear-sky irradiance is calculated through AB model adjusted to the site information and this clear sky forecasts are later pondered through the input information of nubosity to obtain predictions of forecasted direct normal irradiance and global horizontal irradiance. The outcome of this tool are six different series of both direct and global irradiance forecasts in the form of 1-min resolution data series corresponding to the three days ranging from today to 2- days within. This means that each day, the tool will produce a forecast of both DNI and GHI for every minute included in that day, the day after and the day 2-days after and accordingly the irradiance of every minute of the year will have been forecasted three times: that day, the day before and two days ahead. All the above plays in its advantage, however its greatest advantage could perhaps lie in its simplicity, without including any hard-to-understand algorithm which difficult the interpretation of results. It is additionally extremely simple to use, as the source information sampling and data processing is performed fully automatically and it is left to the user only the evaluation of the outputs. The light algorithmic operations involved also imply that the calculations are performed comparatively fast and without requiring additional computational resources. The main limitations we will encounter when evaluating the performance of the tool are that we must be extremely cautious when selecting the to-be followed methodology for assessing the results. Whereas some initial appreciations may induce us to the idea that irradiance forecasting evaluation consists just in evaluating forecasted data, the real endeavor comes when comparing various predictions, for we must be wary that these are not always to be compared, and therein lies the rub. Cross-work comparison is heavily biased by a wide array of factors which range from site to temporal location, data resolution or forecasted horizon and so, we must previously ensure that the proper evaluation technique is being applied. 14 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” Irradiance forecasting does not consist of evaluating forecast and classifying them in “good” or “bad”, but in determining if they are appropriate for providing the user the desired information they demand. 15 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 3. Objective The very purpose of the following document is naught but the assessment of the “HRForecast” tool. So as to evaluate the product of this tool, an evaluation procedure requires to be conceived. Since there is no straightforward methodology for this kind of assessment, a literature review about different validation systems and parameters is also advisable. We seek to determine the degree to which the forecast obtained from the tool could be accepted, yet the expectations of the final user are still unclear. An irradiation forecast is always performed for a certain purpose; hence, it will be valid in how this purpose is fulfilled. Moreover, the different stakeholders (i.e., grid operator, auction purchaser, etc.) may hold dissimilar interests on it, as the final purpose of the prediction may vary significantly. Whom these predictions serve and to what extent is the question to be answered regarding this concern. In order to cover a properly wide range of time (with a thereby given variety of conditions in term of series variability) we take the whole period of the year 2020 as sampled data; this is the time period ranging from 00:00 of the 1st January 2020 to the 23:59 of the 31th December of that year. In this research, we focus in analyzing direct normal irradiance (DNI) series as well as global horizontal irradiance (GHI) ones. The tool is able to predict, for both DNI and GHI, 3 different forecasts each day: for that given day, for the day after and for two days after. Both forecasted and observed real data series bear 1-min resolutions, but since this is a specially high-resolution which is not frequently found in literature. Though this is certainly and advantage of the tool and of the interest of the final user, it somehow hampers the comparison to alternatives found in literature. For this reason, we integrate the data into the hour and day resolutions. The tool runs automatically every day at 00:05 hours, forecasting the GHI and the DNI at 1-min resolution for the following day (0-days), the next day (1-day) and the day after (2-days). In summary, we will analyze forecasts of both GHI and DNI, on the same day, one day ahead, and 2 days-ahead. We evaluate the forecast by comparing them to the observed data series measured at the site the period under study (1 year). Synthetic and observed series are obtained at 1-min resolution and lately integrated into hourly and daily resolution, as well as hour and day resolution equivalents. In tables 1 and 2 we summarize the available forecasts and the nomenclature used along this thesis. Forecasted Horizon-DNI Same day (0-days) Day ahead (1-day) 2 days ahead (2-days) Time Resolution 1-min 1-min DNI 0-days 1-min DNI 1-day 1-min DNI 2-days 1-hour 1-hour DNI 0-days 1-hour DNI 1-day 1-hour DNI 2-days daily daily DNI 0-days daily DNI 1-day daily DNI 2-days Table 1-Summary of analyzed direct irradiance forecasts 16 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” Forecasted Horizon-GHI Same day (0-days) Day ahead (1-day) 2 days ahead (2-days) Time Resolution 1-min 1-min GHI 0-days 1-min GHI 1-day 1-min GHI 2-days 1-hour 1-hour GHI 0-days 1-hour GHI 1-day 1-hour GHI 2-days daily daily GHI 0-days daily GHI 1-day daily GHI 2-days Table 2-Summary of analyzed global horizontal irradiance forecasts The analysis will be performed both in terms of energy content and series distribution. These data series will be analyzed in hindsight of the review obtained from literature, thereby asserting the extent of its reliability and the overall effectiveness of the HRForecast tool. The key here is to observe what the behaviour of the tool is and how it performs when comparing to alternatives given the fact its working principle is rather simple and to observe the effect of its nature on its overall reliability. 3.1. Research Questions To improve the knowledge about irradiance (both direct and global) forecasting, techniques to analyze synthetic data series will be used. With the purpose of acquiring knowledge about the different techniques available, research on those was made and the results of this research figure in section 4 of this document. It is revealed in that section that mainly the distribution and energy approaches stand as options to assess synthetic data series. Such techniques have been applied to different forecasting systems, but no research has yet been performed to the HRForecast Tool. This research will focus on applying those techniques to evaluate the aforementioned tool. In addition, this thesis will also have as an objective to evaluate the following methodology and to compare it to other alternatives. This means to find potential errors during the investigation and to come up with suggestions and improvements for use of this methodology in future work. This leads to the formulation of the following research questions: How can we assess a highresolution forecasted irradiance data series? The above-mentioned research question also leads us to the following secondary research questions: Which methods are available? How do these methodologies compare to each other? Which parameters are the most suitable for the case? By which variables can we determine bias? 17 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 4. Literature Review Before getting into deeper detail about the topic, it would be advisable to get some initial hindsight about how the tool internally works. HRforecast is a short-term focused tool with a graphic irradiance vector as the main output. But for this output to be obtained, some inputs are required in forehead, this is exposed in greater detail in subsection 4.3. 4.1. Solar Irradiance We have already mentioned the term “Solar Irradiance”, thought we have yet to describe what we understand by it, since we will be mentioning it constantly throughout this thesis. The vast majority of the energy that reaches the earth's surface coming directly from the sun does it in the form of solar irradiance. That said, not all the energy in the form of irradiance that reaches the atmosphere is appreciable since a significant portion of it is lost in reflection, absorption, and diffusion processes. The unit defined in the SI for this solar power is the watt per square meter (W/m2). All the solar power measured at atmospheric heights at all wavelengths is defined as total solar irradiance, sometimes called extraterrestrial solar irradiance. As stated before, around a fifth of this power input is lost in scattering and absorption as it crosses the atmosphere. As we subtract all the energy lost due to dispersion and absorption, we found the direct normal irradiance (DNI), measured in a direction perpendicular to the sun at ground level. The term “direct” refers to the fact that this is the irradiance coming directly from the sun and in outer space it matches the total irradiance since no fluid body is crossed through and the path is not modified by any phenomena. This direct normal irradiance is not to be mistaken with the clear sky direct normal irradiance, which consists of an optimistic estimation of DNI assuming no dispersion occurs (and though, the clear sky term comes into play). Though solar power not coming directly from the sun may also be measured after its direction becomes modified through the crossing of the atmosphere or reflection, this sort of irradiance is named as diffuse irradiance. Adding to this DNI the losses due to diffusion and accounting the solar zenith angle we get the global horizontal irradiance (GHI), defined as the total solar power impinging on an horizontal surface. 4.2. Solar Irradiance Forecasting Techniques With the term already clear, we will hereafter proceed to explain how it can be determined in forehead. Though different methodologies are currently under study for this purpose, we will exclude some of them from the scope of this research. According to NREL [3], three different methods for assessing irradiation are currently available: 1. Statistical time-series models, which take local irradiance measuring and provided the high correlation amongst these, predict solar irradiance for intra-hour time-periods, whose temporal resolutions may vary from 1-min values to up to 1-hour. Machine learning methodologies (such as nearest neighbor) may also be useful here. 18 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 2. Cloud Motion Vectors (CMV) based methodologies, which detect and then extrapolate cloud structure movements. For predictions 2 hours ahead sky-imagers have proven to be the most suitable, according to Aparicio [5], as they show a faster response to variation. These are normally used for intra-hour forecasting; whose temporal resolution is in 1-min to 15-min steps. On the other hand, satellite-based methods are used when predictions are to be obtained around 6 hours in forehead. The main issue here is the nubosity induced variability, partially due to cloud conditions, speed and spatial extension. 3. Numerical Weather Predictions (NWP), which model the physical processes taking place in the atmosphere with mathematical equations, which then determined numeric values that reflect these processes, such as cloud formation, dissipation and horizontal advection. Mostly used when long-term predictions are required. Some combinations of these methods had also been tested with encouraging results as in Marquez [6]. On this research, we will pull sky-imagers out of the scope of the study, in spite of their proven reliability for assessment at a short-time basis (Chow et al. [7]), focusing instead on satellite-based forecasts and NWP methods. According to NRL, this method proves to be suitable for shorttime periods as the cloud motion is defined mainly by horizontal advection, and the cloud structures remain rather firmly shaped. This technique is able to detect cloud structures and its motion with a reasonable amount of detail, thereby providing the required irradiance forecasts in the stablished time resolutions. Nonetheless, local cloud formation and dissipation processes, such as strong thermal convection hinder proper application of the method when they overcome horizontal advection. Figure 1- Map comparison of the different forecasting methodologies A map comparison of these methodologies can be found in Figure 1, as we saw in the introduction section (section 2 of this document), plant operators demand more instantaneous information and this is mainly why they are interested in the nowcasting techniques such as sky cameras and satellite image, as they can forecast intra-hour forecast which are useful for quick onsite operations. 19 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” On the other hand, Market agents does not require so much immediate results as in energy markets the purchases are performed usually one day before or even several days ahead. For these stakeholders statistical or numerical weather predictions constitute perhaps a better option as the scope of the forecast is wither and the temporal horizon of these methodologies adjusts better to its requirements. 4.2.1. Comparison between Techniques In this section we will make a comparison with the given advantages and disadvantages of those methodologies seen in the previous subsection. Statistical time-series models stand as the most all-around flexible methodology of the studied since they can be used for short term and long term as well, being the methodology which covers the greater temporal information interval. The disadvantage here comes in that they require a historic database with information of the site, which demands an extensive previous assessment of the temporal information of the placement. Whereas they are appropriate for short term as well as long term forecasting, they are certainly not suitable neither for extra long-term forecasting nor for extra shor-term nowcasting, as it can be seen in figure 1, where we observe how its area of applicability begins at 5 hours ahead. Should we want to nowcast solar irradiance, then perhaps would we take Cloud Motion Vector (CMV) based methodologies as our methodology of choice. Either sky-imager or satellite based, they are currently fostering a great interest among academics given the fact they are able to predict irradiance for the very short term (even intra-hour nowcasting in the case for sky-cameras) but their forecasts are restricted to the local emplacement and are not suitable for longer term forecasting. The last reviewed methodology, Numerical Weather Predictions are the most complex one as modelling the physical phenomena occurring at atmospheric levels involves complex mathematical model which require superior computational assets. They provide accordingly valid weather information at all levels for a varied array of temporal horizons and valid for any assessed emplacement. That is the reason why they are the most popular around weather forecasting companies and state agencies. The tool assessed in the hereby thesis is based on a mix model which combines an statistical model for the clear-sky irradiance and cloud attenuation with nubosity indexes that were created through NWP. More information on the functioning principle of this tool can be found in the next subsection. 4.3. HRForecast The tool whose name figures on the heading of the subsection is a deterministic forecasting tool which samples data from different sources, as well as an array of different inputs and gives an irradiance vector as main output. The core process is as follows (Aparicio [5]): 1. Site Location: The information about the location, especially longitude and latitude are essential for obtaining the appropriate data. 2. Date: The GMT format is assumed. 3. Additional input p , which will tell us on how much of the forecast for the previous day we assume. This parameter can be assigned any integer value reaching from 0 to 2, in which 0 involves that no use of the previous day’s vector is used, whereas 1 and 2 mean that it is partially or totally included. 20 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 4. A file.txt must be created, the first column contains the date (GMT) the remaining ones, the different nubosity indexes of the information sources. 5. Graphic representation, mostly to ensure that there is correlation between sources. Should they mismatch in some sort, then eltiempo.es will stand over the rest as the most reliable source. 6. Clear Sky Irradiance is calculated for both GHI and DNI for every day of the year. 7. Cloud Attenuation, the nubosity index from step 4 is modified through second degree exponential equations that will penalize low nubosity indexes and boost the impact of the higher ones. 8. Forecasted Irradiance (both DNI and GHI) calculated from the previous ICS and the nubosity indexes from step 4. This is done through the product of the clear-sky irradiance, which is both DNI and GHI, multiplied by an attenuation factor given by the nubosity index that was given as an imput. 𝐼𝐹𝑜𝑟𝑒𝑐𝑎𝑠𝑡=𝐼𝐶𝑆⋅(1−0.87(%𝑛𝑢𝑏𝑜𝑠𝑖𝑡𝑦)1.9) (1) 9. Downscaling to 1-min resolution values, this is done through a ND model. 10. Graphic representation of the forecasted Irradiance Vectors in the HRForecast website (http://estacionmeteo.us.gter.es/pages/forecast). 4.4. Forecast Validation Our tool of study does take advantage of already existing forecasts (i.e. it does not perform the aforementioned methodology itself, but sample information from a wide array of sources instead) and proceeds thereupon to assess the expected Irradiance. The way in which a deterministic forecast could be verified still remains uncertain to researchers, and therein lies the rub. How could we properly assess Irradiance? Yang et al. [8] propose that for answering this rather uneasy question, 3 different parameters become the most relevant; these being: Consistency, quality and value. The first, which is quite the most abstract of them, corresponds to the concept that a reliable forecast may match the researcher judgement. In summary, it provides a base guideline for selecting the most accurate measure. Quality, on the other hand, is a rather familiar concept which implies that there must exist a correlation between forecasted and observed values; accuracy then comes quickly into mind, but also bias, uncertainty and variability are to be considered. Finally, value refers to the fact that there must be profit, preferably the utmost one, or the lesser cost perceived by those who rely on our forecast for decision making. Naturally, this is dependent of the very own nature of our business. 4.5. Indexes We now move on to the search of those metrics which will evaluate the reliability of our synthetic data series. Classic approaches on this (Yang et al. [6]) revolve around statistical variables such as the root mean square error (RMSE), mean error (ME and MPE) and R2 distributions. Some further hindsight of the topic can be obtained through Frimane and Bright [9], whose proposed methods diverge from the classic statistic distributions approach and could be divided into 4 categories, these being: Long term performance, variability metrics, subset validation and spatial validation. 21 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” Long term Performance consist of the comparison to the observed series of the synthetic over a given horizon of time, whereas subset validation consists of isolating specific points inside a selected subset and observing whether they hold together or not. Since no between different site location comparison will be performed on this thesis, no more research will be performed on this specific technique. The studied indexes relate mainly to the variability study of the obtained series, this is the extend to how the series experiences variation in a quick succession, assigning the lowest variability to a clear-sky irradiance series without steep variations or to an overcast day in which the incident radiation is in some sort constant. On the contrary, the utmost variability will be held by a clear day in which prompt wind gusts provoke sudden emerging clouds to tarnish the perceived irradiance. The point of this sort of analysis is that, should the synthetic data series obtained by this forecasting be valid, it should bear similar variability metrics as those from the observed data series. For the following part of this section, it is vital to remark that through the concept of highresolution we refer to those data series whose resolution is 1-1-min or lower, in contrast to the term low resolution, which refers to those with wider than 1-min resolution such as 15-1-min, hourly or daily resolutions. The first parameter that we find for the study of variability is the fractal dimension, which is highly related to fractal patterns, these are obtained by dividing each edge of a given geometrical figure (for instance a triangle or a square) by a scale factor K (K∈N), obtaining N copies of the original figure. For a triangle, using a scale factor K of 2 we obtain 3 copies (N) of the original triangle which gives us a fractal dimension of 1.585. The fractal dimension can thereby be calculated through: 𝐹𝐷=𝑙𝑛(𝑁) 𝑙𝑛(𝑘) (2) Where K stands for the scale factor and N, for the number of copies obtained for that factor. Similar to the FD is the Standard Deviation of Increments (SDI), which is actually a rather popular metric for variability assessments. For a series of an observed variable, for the case the clear-sky index (kt), the absolute increment (δ(kt)) reflects how much is this variable increased from the value at t to the previous value in the series t-1. This increment can be averaged (MI), which is indeed another metric for variability, and the standard deviation from the absolute increments to this value gives us the SDI. This is expressed by the following: 𝑆𝐷𝐼=√∑(|(δ(kt)|−𝑀𝐼)2 𝑁 𝑡=1 𝑁−1 (3) Thought the similarities of the Fractal dimension in terms of observed events and the neatlier and understandable nature of the Standard Deviations of Increments just as its simplicity, tilt the scales in its favour. For this reason, we will pull the FD out of the scope of this thesis. 22 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” Another indicator is the stability index (SI), which classifies series into whether they are stable or not in the case the summation of the increments (δ(kt)) outweighs a given threshold value, e.g. 500 W/m2 for GHI as suggested by Frimane and Bright [9]. 𝑆𝐼=1 𝐼𝑓 ∑|(δ(kt)| 𝑁 𝑡=1 𝑆𝐼=0 otherwise (4) It must be noticed that the SI does not give a numerical parametric numerical determination of any sort but instead, it indicates us which time intervals are (or not) stable. The simplicity of computation and the interest for the conclusions that could be obtained make this, a very wellsuited index for our analysis. Additionally, the authors suggest using a time interval of 10 minutes for SI calculation, no reference is done for hourly resolutions, and although we find a proportional interval of 3 hours as appropriate, more research needs to be performed on the topic. The Stability index as an estimation of how stable the series are, cannot be applied to series baring daily resolution, since it would not throw any assertive conclusion. Moving on to the next parameter, we find the Variability Index (VI), who gives us hindsight into the variability of the series when compared to the clear sky curve, can be defined as: 𝑉𝐼=∑√(𝐺𝐻𝐼(𝑡))+∆𝑡2 𝑁 𝑡=2 ∑√(𝐺𝐻𝐼𝑐𝑠(𝑡))+∆𝑡2 𝑁 𝑡=2 (5) VI is accordingly extremely suitable for analyzing 1-min values, as hourly values could easily be obtained by comparing hours from this merge of 1-min resolution series. Though it is specially conceived for assessing GHI since it compares the distribution to the clear sky GHI curve, we can also use this parameter for assessing DNI comparing it to the IO curve, albeit this sort of application of the parameter is yet to be validated. All the above constitutes what will now on be referred as the distribution approach; it could be observed as every of the former parameters sample data series for a given period and then estimate the parameter to be handled for that specific period (which can range from the whole series, to year or, as in our case, days) thus obtaining a value for each of the N periods that are being assessed. A distribution of the estimated parameters is thereby created, whereby each step represents a measurement that is not be handled independently but in relationship to the whole. Hence, a methodology of distribution comparison is to be devised, according to Frimane and Bright [9], although some alternatives could be found, the Kolmogorov-Smirnov Test (KSI) consists of one of the most popular choices for this task. It consists of a test which indicates whether a given distribution follows a sample distribution or not, and in its simplicity lies its bigger strength: it estimates a parametric determination of the distance amongst distribution through the calculation of the difference in absolute terms of the CDFs related to both the synthetic and the reference series. A low KSI is a good indicator of close agreeability amongst series. The KSI is mathematically given through: 29 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” Figure 3- CDFs of the observed and synthetic DNI 1-min January time series February forecasts (figure 4) are worse than the ones belonging to the previous month which is due to more unstable patterns this month. Figure 4- CDFs of the observed and synthetic DNI 1-min February time series 30 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” Moths of April and March can be analyzed alongside since the behaviour here is clearly similar and close to the real irradiance. The 0 days prediction here shows a visibly similar characteristic to the observed. Figure 5- CDFs of the observed and synthetic DNI 1-min February time series One thing to be remarked from both figures 5 and 6 is perhaps the different behaviour of the 1- day ahead forecast, which is the one which varies the most from the month transition. Figure 6- CDFs of the observed and synthetic DNI 1-min April time series 31 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” The month of May is perhaps the most interesting as well as the one who demands the further research on, as the three forecasts, which are especially similar here, differ significantly from observations. This could be explained since May is an irregular month but still the results are notoriously dissimilar which leads to the conclusion that more research on how this effect could be smoothed is needed. Figure 7- CDFs of the observed and synthetic DNI 1-min May time series The results for all three summer months are on the other hand rather satisfactory. This is clearly due to the fact that in summer months, these are June, July and August, we are working on a low variability month, were the irradiance varies accordingly to what could be expected without frequent unexpected jumps which cause difference to the forecasted. 32 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” Figure 8- CDFs of the observed and synthetic DNI 1-min June time series The results of June and July (Figures 8 and 9) can be considered to be quite similar with perhaps some variation in the behaviour of the 0-days forecast which moves from the being the overestimated to the slightly underestimated. Figure 9- CDFs of the observed and synthetic DNI 1-min July time series 33 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” Figure 10- CDFs of the observed and synthetic DNI 1-min August time series The curve for the month of August (Figure 9) has a visibly similar behaviour than what we saw in June (Figure 8). From now on, it can be observed a variation in how the tool behaves for the remaining part of the year. The higher instability in the remaining months induce complexities in forecasting which could be observed mainly in December. We observe how in these months the trends are inverse with all three forecasts overestimated over the observed series. 34 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” Figure 11- CDFs of the observed and synthetic DNI 1-min September time series The difference between the month and the month of September portrayed in Figure 11 is notorious, especially in distance to the observed (which is represented in a higher KSI in table 6). Figure 12- CDFs of the observed and synthetic DNI 1-min October time series 35 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” In the month of October (Figure 12), all the trends as well as the relation between plots and observe continue. This can not be said for the month of November (Figure 13), in which the KSI and thus the gap between forecasted and observed are reduced. The observed series continue anyway as the lower one, Figure 13- CDFs of the observed and synthetic DNI 1-min November time series In December, contrary to what occurred at the previous month the three forecasts drop to a lower section of the graph, leaving the observed series above them, which some overestimation has occurred on this month for the three series, which are incidentally really similar between themselves. Figure 14- CDFs of the observed and synthetic DNI 1-min December time series 36 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” As we can observe, performing the test for each month independently throws dissimilar results. The overall trend for the entire year shows to be represented around the month of April, with some months showing unusually high values (see may) which may very well be neglected for the final conclusions. KSI (0 days) (W/m2) KSI (1 day) (W/m2) KSI (2 days) (W/m2) DNI January 28,21 68,09 36,65 DNI February 78,68 99,79 54,55 DNI March 17,20 24,11 35,96 DNI April 19,45 43,42 33,39 DNI May 117,35 114,31 121,64 DNI July 15,96 35,57 27,71 DNI July 45,07 39,32 32,40 DNI August 15,20 47,38 29,36 DNI September 67,85 74,60 69,13 DNI October 89,05 81,86 70,76 DNI November 8,90 59,57 42,82 DNI December 73,61 88,57 92,59 Table 6- KSI values for 1-min DNI monthly sets. The best overall series is, as it may be induced from the characteristic of the tool, the shortest term one, showing the lowest areas of divergency from the observed data in 8 out 12 months (67% of the time). The biggest revelation towards such assessment could very possibly be the fact that, totally opposite to what we could expect, the day-ahead forecast is not neatly more accurate than its 2- days homologous. Oddly enough, it only improves it in 3 months (25% of the time). When averaging months, the values are accordingly 48.05, 64.71 and 53.92, which summarizes the overall conclusion of day-ahead being the most accurate prediction closely followed by the 2-days forecast. All things considered, we observed how for the months with higher variability, which is the case of the months of December, October and May (which is a specially interesting case which needs more in-depth study), the tool is able to identify trends but sometimes struggles to detect sudden variations. The overall results, as it may be observed in figure 4, are consistent, and the dissimilarities are due to some specific time periods which makes us optimistic as the overall performance is proven and it could be upgraded by the case study and selective improve of forecasting for this given period. 37 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 6.1.2. Kolmogorov-Smirnov Test results for 1-hour DNI time-series Our tool is able to provide forecasted with an extremely high resolution, however this is not always the case for all technologies, which sometimes gives us results in hourly data or even lower resolutions. At some points, we could have to compare our data to lower resolution data series and this is why we now shift to perform the test to hourly averaged data. Figure 15- CDFs of the observed and synthetic DNI 1-hour annual time series As we may observe, by moving to hourly averaged values, the results are still on the line to what could be observed in the previous section with 2 days prediction closely to the real observed data series, which makes us discard the possibility of sudden short ramp intervals producing this effect since this would be ignored by the averaging method. KSI (0 days) (W/m2) KSI (1 day) (W/m2) KSI (2 days) (W/m2º) DNI1-hour 27,92 30,31 21,93 Table 7- KSI values for 1-hour DNI annual sets. The numerical determination of the KSI confirms this idea, as the lowest value of the KSI belonging to 2-days ahead forecast suggest it is the one that best follows the observed series in terms of distribution variable. Which could be seen previously in Figure 15, where the 2-days series (green) closely followed the observed (dark blue) at the initial and final segments of the curve. The difference here in similarity to the observations between the same-day and day-ahead is quite low, specially when compared to the 2-days ahead. 38 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” KSI (0 days) (W/m2) KSI (1 day) (W/m2) KSI (2 days) (W/m2) DNI January 27,49 66,93 36,16 DNI February 76,63 101,25 53,84 DNI March 11,97 26,82 29,77 DNI April 29,05 38,94 23,77 DNI May 117,46 113,24 121,78 DNI June 13,44 24,82 23,13 DNI July 44,02 38,21 31,89 DNI August 16,30 47,54 33,17 DNI September 68,28 70,24 68,46 DNI October 87,36 79,83 69,32 DNI November 14,55 57,73 49,03 DNI December 68,93 85,70 88,18 Table 8-KSI values for 1-hour DNI in monthly sets. We observe how trends are reasonably similar to the ones observed in 1-min resolutions. It can also be remarked the fact that the distance to the reference series is somehow lowered though upscaling to higher resolutions. The worst month in terms of accuracy was without any doubt May, which clearly represents a ramp in distance when compared to its neighboring months, the following moth was paradoxically the best one. Although no clear patterns seem to spring out of the comparison amongst KSI of the three series, it feels like this time the day-ahead forecast behaves the worst, while the remaining two behave similarly. The reasons why this happens are unclear, as this seems to disagree to what was observed when assessing the overall year set. 45 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” Figure 23- CDFs of the observed and synthetic GHI 1-min June time series The transition from May to June (figure 23) is quite notorious and so is the reduction in KSI judging by table 12. 46 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” Figure 24- CDFs of the observed and synthetic GHI 1-min July time series We see how the stability present in the month of June continues in July (figure 24). This is actually the month with the lowest KSI of the year, meaning the forecast are more accurate than never. The difference between the three forecast is also extremely reduced and this is constated numerically in the values for this month on Table 12. Figure 25- CDFs of the observed and synthetic GHI 1-min August time series We see how the month of August (Figure 25) continues the trend of summer season of low KSI indexes, near to unappreciable differences between forecast curves and an overall feeling of good performance of the curve as a result of the constant variation in global irradiance for the month. 47 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” Figure 26- CDFs of the observed and synthetic GHI 1-min September time series The optimism gained the three previous months is lost here in the month of September, where the curves diverge from the observed and return to KSI indicators of April levels. The three forecast curves here look very similar and we have to check the values in table 12 to determine a difference between then. The 0-day and 2-days curve behave almost exactly. Figure 27- CDFs of the observed and synthetic GHI 1-min October time series 48 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” The pattern of diverging from the observed curve that begun in September does not feel to get better in the month of October. Actually, when looking at Figure 27 the results look familiar. It is the same-day curve the one which seems to vary each month. Figure 28- CDFs of the observed and synthetic GHI 1-min November time series The month of November is indeed a more stabler month where the 4 curve get near, returning to levels that are even better to what was observed in January. It is the 1-day curve (light cyan in figure 27) the one which gets the most deviation from the dark blue observed GHI curve. 0-days and 2-days ahead curves show instead a very similar plot that gets actually a similar distribution to GHI observed. Finally, the month of December looks considerably dissimilar to any other month assessed earlier, it starts as usual with the dark blue curve under the three forecast curves but at a value of around 180 W/m2 it catches them up and start leaving them below. This is the only month where this effect is observed in GHI 1-min series, it resembles what could be observed in Figure 14 where the same month was analyzed for DNI 1-min distribution. The effect of this overestimation of the forecast is starker in the case of global irradiance. 49 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” Figure 29- CDFs of the observed and synthetic GHI 1-min December time series In summary, we can see that the trends observed when assessing DNI series can also be detected when assessing the case of global horizontal irradiance, however overall results for all months seem to indicate the GHI forecasts are closer to the observed series than its direct equivalent for that season. This could be explained by assuming that the variability associated to global series is lower, which means they vary in a more regular (and thus predictable) way. This time, we observe how, when treating each month as a separate data series, the prediction for the same day stands as a better forecast than its 1 day ahead homologous 8 out 12 months (66,67% of the time), but some moths in which this forecast deviates in excess from the observed series worsen its overall value. Oddly enough, the 2 days ahead forecast shows unexpectedly low values, which is a trend that was as well observed in the previous DNI section. Global Horizontal KSI 0 days (W/m2) KSI 1 days (W/m2) KSI 2 days (W/m2) GHI1-min January 36,27 53,62 34,55 GHI1-min February 41,89 46,13 24,27 GHI1-min March 48,42 55,49 33,10 GHI1-min April 68,36 44,37 42,01 GHI1-min May 92,29 99,37 89,89 GHI1-min June 20,11 13,95 12,11 GHI 1-min July 11,00 10,56 12,88 GHI1-min August 13,80 6,54 9,31 50 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” GHI 1-min September 62,80 66,88 62,14 GHI1-min October 61,44 63,17 58,90 GHI1-min November 23,65 47,92 29,26 GHI1-min December 31,93 36,78 29,76 Table 12- KSI values for 1-min GHI monthly sets. The results here in the line of the observations taken after ongoing the homologous analysis on DNI, we see how the phenomena observed in 1-min resolutions is as well present in the data with both hour and day resolutions and again, it was found that through same-month comparison amongst resolution, the downsizing of the resolution bears a lower divergent area to the reference data within, though it can be observed that this effect is less noticeable this time. This can albeit e due to the fact that the overall KSI are lower in GHI as these parameters feel certainly more softly biased as a result of variability. 51 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 6.1.5. Kolmogorov-Smirnov Test results for 1-hour GHI time-series We now move to the mean data to check whether the trends observed previously are still shown which will imply they are not product of single point deviation from observations, but a generalized trend observed regularly during hours. KSI 0 days (W/m2) KSI 1 days (W/m2) KSI 2 days (W/m2) GHI1-hour 41,47 41,21 34,77 Table 13- KSI values for 1-hour GHI annual sets. All the observations taken previously for 1-min resolutions can still be observed when speaking of hourly resolutions which strengthens the hypothesis of same-day and day-ahead predictions behaving fairly similar and 2 days ahead prediction closely following the real curve. Figure 30- CDFs of the observed and synthetic GHI 1-hour Annual time series The CDF curves plotted in the figure above show that the three forecast are similar here in terms of similarity in variability to the measured data (observed series, in dark blue). The 2- day forecast stands as the most similar one as can be seen in table 13, the same day and day ahead curves (red and cyan) extremely similar this time. 52 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” KSI 0 days (W/m2) KSI 1 days (W/m2) KSI 2 days (W/m2) GHI1-hour January 36,06 53,50 34,08 GHI1-hour February 42,73 47,14 24,19 GHI1-hour March 49,08 55,35 33,65 GHI1-hour April 68,93 44,15 41,76 GHI1-hour May 95,23 100,59 91,13 GHI1-hour July 20,83 14,72 11,08 GHI1-hour July 11,87 11,48 14,23 GHI1-hour August 14,80 8,65 12,28 GHI1-hour September 63,50 68,16 62,64 GHI1-hour October 61,41 62,94 58,71 GHI1-hour November 23,73 46,87 28,74 GHI1-hour December 24,28 28,44 22,71 Table 14- KSI values for 1-hour GHI monthly sets. We observe how when compared for the yearly set analysis for this resolution whose results figure in table 13, most of the results in table 14 are quite dissimilar, showing generally higher values. The comparison to those yearly set included in table 13 only holds for the winter period which goes from early January to March, the rest of the year follow trends that are actually similar to the analysis for the 1-min GHI series. The 2-days GHI 1-hour is specially impressive as it scores the best overall KSI 9 of 12 months. 6.1.6. Kolmogorov-Smirnov Test results for daily GHI time-series It may be observed that the forecast using the accumulated irradiance over a whole day behave with an overall poor behavior when compared to its 1-min and 1-hour equivalents. Still the comparison amongst then is similar to what observed on the previous cases but in this case the advantage of 2 days ahead forecast is reduced to a lower extend. KSI 0 days (kWh/m2) KSI 1 day (kWh/m2) KSI 2 days (kWh/m2) GHI1-day 67,48 67,73 59,76 Table 15- KSI values for daily GHI annual sets. When compared to the data in table 9, an increase of around a 36% is observed, as these are the last three KSI for GHI distributions, we can conclude that the greater KSI indexes meaning a greater dispersion from real values is a constant for GHI over DNI. 53 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” The 0-days and 1-day forecast are the ones resembling notably, while the 2-days forecast obtains here a better result. This is in the line of the rest of the results and allow us to categorize the results in subsection 6.1.3 as non-determining. Figure 31- CDFs of the observed and synthetic GHI daily Annual time series When observing the curves in figure 31 an overall sense of continuity of the conclusion found in subsections 6.1.4 and 6.1.5 remains. We found the blue curve for the observed daily GHI series leaving the forecast curve about it and the three forecast having a smaller distance between them than the gap with the observed data. The 2-days forecast slightly near to the real measured GHI. As well as in the previous sections we undergo the separate monthly set analysis of the series. 54 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” KSI 0 days (kWh/m2) KSI 1 days (kWh/m2) KSI 2 days (kWh/m2) GHI1-day January 40,23 58,10 39,70 GHI1-day February 25,60 30,94 15,41 GHI1-day March 27,83 32,82 18,91 GHI1-day April 24.42 25.20 24.42 GHI1-day May 56,31 57,37 54,16 GHI1-day July 14,45 10,30 13,44 GHI1-day July 5,00 5,58 5,97 GHI1-day August 7,23 3,70 9,16 GHI1-day September 28,84 32,93 37,18 GHI1-day October 40,87 41,87 38,89 GHI1-day November 22,30 39,38 23,42 GHI1-day December 33,24 34,53 27,27 Table 16- KSI values for daily GHI monthly sets. When it comes to the monthly set analysis of the daily GHI series the results are surprisingly similar to those of the daily DNI series monthly set analysis (table 10), so there is no clear answer to why performing such analysis but to a 1 year set leads to so dissimilar results as the ones represented at tables 14 and 12. The differences between seasons are here less remarkable as well, as they were in the daily DNI analysis so we can confirm a trend of seasonal differences being smoothed through resolution downscaling to day resolutions. 61 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” Figure 41- CDFs of the observed and synthetic DNI daily SDI annual series Surprisingly, the observed curve is the one with the greatest values in figure 40, while the three forecast curves are following closely, with the 0-days curve having the lowest values for SDI and thus the greatest distance to observed. The 0-days behaves similarly to the observed series for the core part of the plot but b0oth diverge when moving the values at the borders of the figure. All these trends are as well present in SDI for global values, as it is reflected in table 19: KSI (0 days) KSI (1 day) KSI (2 days) SDI1-min 77,20 81,44 80,70 SDI1-hour 9,95 9,79 7,87 SDIday 46,47 32,51 33,54 Table 19- KSI values for GHI SDI annual sets. We observe how again downscaling the resolution leads to a reduction in the distance to the observed series for all three forecasts, the overall distance to the observed increases here. We will examine each series set independently to find the reason thereafter. 62 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” Figure 42 - CDFs of the observed and synthetic GHI 1-min SDI annual series Figure 42 looks reasonably similar to Figure 39, with the observed series being the lower one and the 0-days being the one slightly closer to the observed data. The increase in KSI indicators is related to the fact that the forecast curve shows a more prominent shape what indicates that all the values for SDI here cumulate around the same value around 3 to 5 W/m2. The values observed in Figure 39 lower in general terms, the ramp being produced slower and beginning at lower values. This indicates that values for 1-min GHI SDI are in general higher and with a lower number of small values. All this reveals, that when working with unusual high-resolution, GHI becomes a rather unstable and more variable parameter which deviates more from its standard value. 63 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” Figure 43- CDFs of the observed and synthetic GHI 1-hour SDI annual series All what was mentioned for the 1-min GHI SDI is not so clearly observed when analyzing 1-hour resolution data. On the contrary, all forecasts move near to the observed series and the distance measured through the KSI in table 19 does not increase to the one observed for the same resolution series in table 18. Yet the values for SDI are bigger than in the DNI 1-hour SDI, hence, the values are increased both in synthetic and observed series when switching to GHI, but this does not affect the value of the KSI as they remain near themselves. This did not occur at the 1-min values shown in figure 41, where a gap was observed between observations and forecast. The forecast there were clearly above the observed series in the plot. All this reveals, that the 1-hour series are closer to the observed series due to the fact that the higher SDI in GHI are mostly due to short intervals of variable irradiance which increase the overall SDI and when averaging to get hourly values these are countered. 64 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” Figure 44- CDFs of the observed and synthetic GHI daily SDI annual series The mentioned gap between the observed and the forecasted is as well present in the GHI daily SDI series, as seen on Figure 44. We see, that when compared to Figure 41, where the same comparison was made but for the DNI daily SDIs, the overall values of CDF were smaller for the same SDI, as well as the observed being near to the forecasts. That was something that also occurred in Figure 43, which strengthens all the analysis after it. What does not feel so intuitive is the fact that here, the observed series has greater values for CDF for the entire dataset. This is the only figure where this occurs, and it happens because when accumulating all the values on a daily basis, the deviation to the standard value decreases due to the observed values being lower in the case of observed data. However, the reason why this did not happen so remarkably on the DNI daily SDI case are still unclear. 65 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 6.2. Energy Approach Whereas the former distribution approach is mainly recommended for forecast assessment, there is also a skill score approach that becomes particularly useful when validating different forecasted series. Skill score was sought as result of the urgent necessity of a normalized parameter for comparing forecast performed at different time resolutions or sites. As documented by Yang et al. [8], many different approaches have been adopted on the topic given the interested-on a cross-work related methodology. Skill score always was intended to seek a comparison between the accuracy of a studied forecast, a reference forecast and ideal forecast (real observed series for the case), thus we need a measure for assessing accuracy. For this task, MSE, MAE, and RMSE quickly springs to our mind as a common parametric determination of accuracy. RMSE stands above MAE in popularity due to the fact that the later weights equally all sort of error whereas the former assigns a greater penalty for large errors, which are especially concerning when assessing irradiance forecasts. There is no larger differentiation amongst MSE and RMSE since they only differ in a square root however root values are easier to handle, and this tilts the scale in its favour. RMSE being selected as the main numeric determination of accuracy, we now move to estimating the skill score; several different approaches are available. This RMSE is calculated on a daily basis for all three data series (1-min, hourly and daily basis) for both DNI and GHI, the results can be found on the Annex II of this document. It would have been interesting to found in literature some foreign results for this parameter in order to undergo some cross-work study, however this would not be the case, since it’s a relatively state of the art methodology and there is not yet much documentation available about it. Figure 45- Error frequency distribution in1-min GHI series It can be observed by comparing through the 1-min RMSE histograms that most of the error for 1-min resolutions revolves around medium values in the gap between 150 and 300 W/m2. The three distributions look reasonably similar, but it is the 0-day distribution the one who feels like showing an smaller frequency for bigger RMSE values. This can be considered alongside our conclusions for the distribution approach on the previous section, where we concluded it was easily the one with highest variability, judging by its enhanced SDI values. This however does not prevent it from resembling the observed series in a better way than its 1-day to 2-days equivalent, which show indeed a larger number of over 300 W/m2 error. In any case, the distributions are clearly familiar and the distribution of error, while slightly more distributed in the case of the 2-days forehead, does reveal similarities in RMSE amongst the three series. 66 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” Figure 46-Error frequency distribution in1-min GHI series When moving to the RMSE distribution for 1-min GHI series, the difference with the DNI series for the same resolution becomes evident. GHI diverges more from the observed series in terms of variability, but not necessarily in terms of energy content. In fact, it is this variability what allows the forecasted series to reduce its overall RMSE values. It can be observed that the frequency for lower RMSE values under 100 W/m2 increases for all 1-min GHI series, but the frequency of RMSE values over that threshold is reduced at all levels, as well as the number of higher RMSE values over 300 W/m2, which are almost no present in the distributions. We observe how it feels like increasing the forecasted horizon seems to flatten the histogram curve. This means that for the same-day forecast the distribution is more oriented to the left, which suggests a higher number of smaller errors when compared to its 2-days ahead equivalent, whereas the day-before forecast is somewhat a middle step between these two. The difference between the 0-days, 1-day and 2-days distributions is less clear for the case of 1- min GHI histograms. Figure 47- Error frequency distribution in1-hour DNI series When upgrading to 1-hour resolution we see how the curves for the three 1-hour DNI forecast get smoother, meaning the RMSE frequencies distribute for the whole interval of RMSE values. 0-days forecast stands again as the forecast with the smaller frequency for high values. Figure 48- Error frequency distribution in 1-hour GHI series 67 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” The previously observed trend of GHI showing lower RMSE values than DNI is also observed in 1-hour distributions, as can be observed in figure 48. this time the 2-day curve has the lowest frequency for under 100 W/m2, which seems to be a common trend all over the analysis, but it is notorious how it is the most distributed in terms of RMSE frequency, the frequency for the highest values is as well, notoriously low for the 2-days ahead forecast this time. Figure 49- Error frequency distribution in daily DNI series Daily resolutions imply a big effect in terms of reducing the frequency of the bigger errors. It can be observed how for the three daily resolution forecast smaller errors get a visibly higher frequency which is represented in the fact that the first column representing smaller errors under the 1 kWh/m2value is comparatively higher than the rest of the histogram for the three RMSE distributions represented in figure 49. Figure 50- Error frequency distribution in daily GHI series That effect is even more notorious in the case of daily GHI RMSE distribution, judging by figure 50. It can be observed how the frequency for RMSE under 1 kWh/m2 reaches peak values this time. The differences between GHI and DNI series RMSE is not as evident for daily resolution as it was for 1-min and 1-h resolutions. 68 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 7. Discussion We now will proceed to discuss our results for this section by comparing what was obtained with values resulting from the work of other investigators on related topics. We see how Schillings, Meyer and Manstein [12] performed a similar RMSE on DNI data series at different sites of the Arabian Peninsula. The main difference between our work and theirs lies in that instead of performing the parametric calculations for every 24-hour period, they consider the entire data series as a whole and calculate a single RMSE for each series belonging to a different site. Some similar assessment was performed on GHI in the Netherlands by Van Westrhenen et al. [13]. Hence, their results are more in the middle term, this means that our results show greater values for days belonging to months that can be considered an instability period such as February or May but represent a considerably lower error at stable periods such as summer. The results from their field study compared to our results for the RMSE calculated accordingly for the DNI series on an hourly averaged basis remain the following: Index RMSE (0 days) (W/m2) RMSE (1 day) (W/m2) RMSE (2 days) (W/m2) RMSE1-hour DNI 198,64 235,05 244,30 Table 20- Root Mean Square Error (DNI) for the entire series period Index RMSE (0 days) (W/m2) RMSE (1 day) (W/m2) RMSE (2 days) (W/m2) RMSE1-hour GHI 134,69 148,31 147,09 Table 21- Root Mean Square Error (GHI) for the entire series period While their results were: Table 22- Results of Schillings, Renno and Khativ [10] on RMSE over DNI hourly series Paper RMSE (W/m2) Van Westrhenen et al. [15] 115 Table 23-Results of Schillings, Renno and Khativ [10] on RMSE over GHI hourly series Be it as it may, the results on the Arabian Peninsula are lower that what was recorded by our tool, but this could however be due to the fact that the climate on their site is more stabler and varies Paper RMSE (W/m2) Schillings, Meyer and Manstein [12] 166.9 Renno et al. [13] 160.3 Khativ, Mohamed and Mahmoud [14] 342 69 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” at a slower pace than in our site, which again restrengthens the idea of the skill score as a fundamental parameter for assessing irradiance. Some other estimations on this could be found on Renno et al. [13] which finally concluded on a RMSE of 160.3 for the same sort of series. We sow RMSE is largely dependent of the measuring conditions as could be seen on Khativ, Mohamed and Mahmoud [14] work which finally estimated for the same parameter. Previously, on figures 45 to 48 we analyzed the frequency distribution of error for the different RMSE values. It would indeed be interesting to check the seasonal distribution of RMSE to see how the tool performs over the different seasons of the period of study. Figure 51-RMSE Seasonal Distribution on 1-min DNI Figure 52- RMSE Seasonal Distribution on 1-min DNI 0 100 200 300 400 500 600 1 11 21 31 41 51 61 71 81 91 101 111 121 131 141 151 161 171 181 191 201 211 221 231 241 251 261 271 281 291 301 311 321 331 341 351 361 RMSE (W/m^2) Day of the Year RMSE Distribution (DNI1-min) RMSE 0 days RMSE 1 days RMSE 2 days 0 50 100 150 200 250 300 350 400 1 11 21 31 41 51 61 71 81 91 101 111 121 131 141 151 161 171 181 191 201 211 221 231 241 251 261 271 281 291 301 311 321 331 341 351 361 RMSE (W/m^2) Day of the Year RMSE Distribution (GHI1-min) RMSE 0 days RMSE 1 days RMSE 2 days 70 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” Figures 51 and 52 show that there is a differentiated performance of the tool depending on the period of the year, which was something we already knew from our distribution analysis in section 6.1. It can be observed a drastic reduction in error for the middle part of the year belonging to the summer period as well as in the later parts of the winter period and huge spike around day 135 (14th May), the conclusion is that the tool performs clearly at its best for clear-sky or highnubosity days, but it is in partially cloudy days with irregular cloud formation where it certainly struggles to predict the resulting irradiance. This can be mathematically analyzed through the clear-sky indexes the kt and kb. As well as the time seasonal distribution, it would also be interesting to study the distribution of the forecasted RMSE in regard to the kt and kb, the clear sky indexes, which represent both the ration between global irradiance and extraterrestrial irradiance and direct irradiance and clear sky direct irradiance respectively. This means that a high-nubosity will have both indexes near zero and clear-sky days will instead have them near the unit, days with these indexes near 0.5 are partially cloudy days. This sort of analysis is performed based on the following figures which represent the RMSE distribution in both kt and kb. Figure 53-RMSE distribution on Kb and Kt (RMSE from 0 day 1-min series) 0 50 100 150 200 250 300 350 400 450 500 0 0,2 0,4 0,6 0,8 1 RMSE (W/m2) Kb 0 50 100 150 200 250 300 350 400 450 500 0 0,2 0,4 0,6 0,8 1 kt 77 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 178,68 193,97 253,66 -7,44 -8,51 -6,69 0,08 0,30 0,24 163,60 209,61 246,82 -6,76 -9,56 -6,67 0,22 0,34 0,15 297,08 220,74 209,88 -12,31 -8,88 -5,78 -0,35 -0,42 -0,05 329,42 55,46 60,87 -27,49 -3,63 -11,37 -4,94 -4,41 0,09 -18,76 19,90 326,17 118,73 -8,73 -45,40 -20,93 0,94 0,83 -1,75 325,20 112,20 356,34 -20,27 -7,30 -9,76 -1,90 0,09 0,69 128,45 317,94 224,11 -7,73 -21,30 -10,66 0,60 0,43 -0,42 197,18 172,93 354,95 -7,32 -6,25 -5,74 -0,14 0,44 0,51 152,81 169,02 314,99 -10,84 -11,48 -12,23 0,10 0,51 0,46 256,80 206,45 218,19 -5,70 -4,59 -3,40 -0,24 -0,18 0,05 145,74 400,74 476,98 -13,93 -38,00 -14,98 0,64 0,69 0,16 160,65 402,99 381,01 -13,11 -27,85 -11,41 0,60 0,58 -0,06 168,55 221,85 390,21 -65,17 -76,78 -55,48 0,24 0,57 0,43 304,01 328,60 258,09 -9,27 -11,86 -5,01 0,07 -0,18 -0,27 75,60 62,43 47,83 -9,05 -8,73 -15,27 -0,21 -0,58 -0,31 45,33 80,12 205,93 -3,63 -4,63 -7,37 0,43 0,78 0,61 46,81 236,56 150,23 -14,70 -44,81 -31,82 0,80 0,69 -0,57 251,57 198,22 224,07 -19,85 -15,82 -13,78 -0,27 -0,12 0,12 214,12 266,57 221,62 -5,80 -6,77 -4,13 0,20 0,03 -0,20 200,64 248,68 251,70 -4,38 -5,54 -3,70 0,19 0,20 0,01 140,55 106,95 219,74 -3,58 -2,52 -3,86 -0,31 0,36 0,51 125,80 258,02 88,03 -7,67 -14,67 -9,18 0,51 -0,43 -1,93 124,15 55,17 54,48 -8,30 -5,77 -9,19 -1,25 -1,28 -0,01 40,70 39,48 261,46 -8,78 -10,54 -10,39 -0,03 0,84 0,85 29,40 146,72 101,89 -9,22 -17,18 -15,27 0,80 0,71 -0,44 214,20 213,01 247,21 -28,05 -28,05 -20,25 -0,01 0,13 0,14 252,19 61,00 320,55 -19,14 -5,13 -13,23 -3,13 0,21 0,81 126,54 389,33 356,77 -10,81 -25,72 -12,06 0,67 0,65 -0,09 266,36 287,84 313,55 -12,66 -26,05 -8,20 0,07 0,15 0,08 201,04 157,49 231,54 -13,00 -19,77 -10,71 -0,28 0,13 0,32 155,82 208,81 213,89 -6,43 -8,38 -6,71 0,25 0,27 0,02 350,13 283,99 178,39 -8,08 -6,59 -3,85 -0,23 -0,96 -0,59 78 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 219,04 247,58 246,41 -5,84 -6,45 -4,71 0,12 0,11 0,00 201,15 399,23 198,04 -3,37 -7,17 -2,74 0,50 -0,02 -1,02 187,33 351,46 390,63 -8,09 -12,82 -6,63 0,47 0,52 0,10 175,28 160,83 323,39 -3,88 -3,32 -3,47 -0,09 0,46 0,50 172,46 287,46 231,94 -6,38 -12,24 -6,60 0,40 0,26 -0,24 117,07 367,87 138,59 -0,01 -0,01 0,96 0,68 0,16 -1,65 299,67 123,95 248,93 -6,47 -2,87 -3,00 -1,42 -0,20 0,50 337,08 338,58 370,29 -3,77 -3,17 -1,29 0,00 0,09 0,09 299,33 337,78 193,55 -9,74 -13,07 -5,80 0,11 -0,55 -0,75 350,79 289,73 335,46 -21,62 -17,73 -11,81 -0,21 -0,05 0,14 225,19 254,22 394,63 -14,14 -16,18 -12,12 0,11 0,43 0,36 243,90 249,62 319,65 -11,33 -12,38 -8,35 0,02 0,24 0,22 194,77 416,91 337,40 -4,17 -9,94 -3,78 0,53 0,42 -0,24 249,85 282,64 286,06 -8,60 -9,46 -6,37 0,12 0,13 0,01 277,57 169,18 194,68 -18,30 -10,38 -12,49 -0,64 -0,43 0,13 177,59 176,40 260,28 -18,40 -19,95 -21,70 -0,01 0,32 0,32 137,59 247,38 319,52 -10,14 -22,73 -15,65 0,44 0,57 0,23 207,38 282,78 324,99 -5,58 -8,31 -5,00 0,27 0,36 0,13 288,52 266,40 260,77 -26,94 -24,46 -18,77 -0,08 -0,11 -0,02 317,01 293,96 303,54 -5,42 -4,86 -3,03 -0,08 -0,04 0,03 316,39 322,49 282,47 -12,38 -11,88 -7,10 0,02 -0,12 -0,14 256,18 267,65 311,65 -5,31 -7,86 -3,96 0,04 0,18 0,14 270,86 204,80 459,52 -20,13 -13,90 -12,51 -0,32 0,41 0,55 208,32 388,31 349,68 -2,57 -5,80 -2,38 0,46 0,40 -0,11 326,90 244,13 377,63 -6,61 -5,23 -3,80 -0,34 0,13 0,35 229,08 282,43 306,17 -7,38 -8,84 -6,14 0,19 0,25 0,08 107,96 168,58 313,77 -5,35 -13,77 -10,46 0,36 0,66 0,46 298,88 303,46 288,32 -4,58 -4,57 -2,40 0,02 -0,04 -0,05 299,39 296,80 405,19 -7,04 -6,81 -4,43 -0,01 0,26 0,27 434,72 425,44 278,55 -7,73 -7,00 -2,81 -0,02 -0,56 -0,53 84,53 486,35 382,21 -5,32 -20,19 -7,67 0,83 0,78 -0,27 224,52 202,82 170,62 -6,58 -5,78 -5,22 -0,11 -0,32 -0,19 79 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 255,02 280,54 296,94 -5,78 -7,31 -4,30 0,09 0,14 0,06 214,01 371,40 283,09 -25,91 -139,61 -23,25 0,42 0,24 -0,31 282,60 266,61 306,11 -4,73 -4,33 -2,87 -0,06 0,08 0,13 268,98 274,11 253,84 -9,82 -10,87 -7,00 0,02 -0,06 -0,08 160,74 353,71 200,01 -20,14 -37,23 -22,06 0,55 0,20 -0,77 261,81 221,18 237,99 -5,66 -4,85 -4,39 -0,18 -0,10 0,07 197,51 284,66 301,11 -6,96 -9,13 -6,59 0,31 0,34 0,05 226,53 205,22 201,16 -4,33 -4,01 -3,80 -0,10 -0,13 -0,02 243,18 301,27 194,36 -3,71 -5,27 -3,19 0,19 -0,25 -0,55 275,32 343,16 323,26 -5,31 -6,90 -3,66 0,20 0,15 -0,06 233,05 283,12 274,24 -5,16 -5,77 -4,12 0,18 0,15 -0,03 221,52 182,96 179,43 -6,82 -7,15 -6,75 -0,21 -0,23 -0,02 125,42 147,42 248,13 -3,79 -4,97 -6,19 0,15 0,49 0,41 322,84 174,38 311,07 -8,41 -4,04 -5,09 -0,85 -0,04 0,44 182,16 468,63 408,69 -4,38 -11,49 -4,60 0,61 0,55 -0,15 220,91 295,08 468,09 -4,03 -5,33 -3,43 0,25 0,53 0,37 327,52 339,51 335,27 -2,21 -2,33 -0,85 0,04 0,02 -0,01 338,05 443,28 331,53 -7,41 -9,51 -3,90 0,24 -0,02 -0,34 291,19 259,79 357,89 -11,98 -10,27 -8,21 -0,12 0,19 0,27 155,50 259,37 250,57 -4,82 -9,21 -7,01 0,40 0,38 -0,04 87,95 271,60 111,53 -4,85 -15,97 -11,47 0,68 0,21 -1,44 179,61 176,36 271,97 -0,30 -0,27 0,09 -0,02 0,34 0,35 189,47 243,20 279,38 -4,07 -5,26 -4,42 0,22 0,32 0,13 320,00 256,19 373,58 -3,61 -2,82 -1,86 -0,25 0,14 0,31 193,01 453,84 219,76 -3,36 -8,84 -3,56 0,57 0,12 -1,07 315,35 300,34 294,50 -4,54 -4,21 -2,66 -0,05 -0,07 -0,02 187,32 425,30 390,18 -3,58 -7,65 -3,37 0,56 0,52 -0,09 467,02 434,01 170,90 -8,13 -7,34 -2,86 -0,08 -1,73 -1,54 381,25 183,20 321,40 -21,16 -12,44 -11,47 -1,08 -0,19 0,43 155,42 315,07 374,71 -12,31 -20,52 -13,03 0,51 0,59 0,16 269,57 262,05 393,18 -5,08 -5,45 -3,52 -0,03 0,31 0,33 461,80 446,79 270,47 -20,69 -19,37 -9,20 -0,03 -0,71 -0,65 334,32 242,47 362,53 -10,05 -6,85 -5,93 -0,38 0,08 0,33 80 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 137,15 397,49 335,59 -3,53 -10,51 -5,33 0,65 0,59 -0,18 327,12 303,99 334,87 -6,19 -6,00 -3,72 -0,08 0,02 0,09 355,59 343,06 432,68 -6,66 -6,18 -3,84 -0,04 0,18 0,21 316,10 364,79 336,72 -4,41 -6,00 -2,72 0,13 0,06 -0,08 215,26 341,09 232,96 -5,07 -8,44 -4,73 0,37 0,08 -0,46 331,98 353,97 308,25 -3,37 -3,49 -1,71 0,06 -0,08 -0,15 265,31 256,79 349,36 -33,87 -30,60 -26,71 -0,03 0,24 0,26 365,22 287,63 265,82 -7,72 -6,38 -4,40 -0,27 -0,37 -0,08 219,58 174,11 201,75 -5,30 -4,19 -5,20 -0,26 -0,09 0,14 308,16 398,62 295,08 -11,36 -15,65 -7,81 0,23 -0,04 -0,35 170,21 286,98 260,23 -17,76 -26,54 -19,44 0,41 0,35 -0,10 323,02 279,01 123,06 -7,10 -6,15 -4,33 -0,16 -1,62 -1,27 95,24 205,92 67,29 -4,88 -9,91 -10,05 0,54 -0,42 -2,06 226,08 39,64 438,42 -8,28 -1,43 -6,84 -4,70 0,48 0,91 24,83 377,67 165,93 -1,62 -18,80 -9,84 0,93 0,85 -1,28 0,72 241,95 227,10 115,03 -18,04 -18,35 -16,11 -0,07 -1,10 -0,97 171,70 81,50 81,13 -12,01 -4,23 -12,83 -1,11 -1,12 0,00 20,42 20,99 21,24 -4,48 -6,64 -26,70 0,03 0,04 0,01 60,55 61,52 56,67 -28,85 -37,17 -55,04 0,02 -0,07 -0,09 26,19 27,62 264,16 -17,70 -12,60 -65,01 0,05 0,90 0,90 60,97 210,60 414,07 -36,43 -82,26 -80,80 0,71 0,85 0,49 327,77 462,23 271,95 -18,87 -27,05 -12,53 0,29 -0,21 -0,70 269,61 353,38 382,02 -12,34 -15,95 -10,19 0,24 0,29 0,07 271,87 296,28 257,18 -5,54 -6,21 -4,31 0,08 -0,06 -0,15 275,90 172,43 246,38 -7,28 -4,33 -5,71 -0,60 -0,12 0,30 160,02 226,03 164,16 -2,39 -3,43 -3,18 0,29 0,03 -0,38 289,21 422,17 434,47 -5,67 -8,05 -3,77 0,31 0,33 0,03 167,10 158,16 130,87 -4,95 -4,65 -4,96 -0,06 -0,28 -0,21 176,79 163,37 195,36 -11,67 -8,84 -10,54 -0,08 0,10 0,16 177,17 114,80 109,52 -4,05 -2,46 -3,95 -0,54 -0,62 -0,05 108,16 101,74 383,52 -1,73 -1,25 -3,84 -0,06 0,72 0,73 81,04 373,30 78,82 -4,13 -13,85 -7,73 0,78 -0,03 -3,74 81 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 276,81 226,82 182,58 -6,74 -4,89 -4,78 -0,22 -0,52 -0,24 203,02 202,96 328,33 -14,49 -14,61 -13,94 0,00 0,38 0,38 407,28 381,68 430,94 -5,96 -5,47 -2,82 -0,07 0,05 0,11 211,96 214,51 235,21 -3,80 -3,95 -3,97 0,01 0,10 0,09 146,23 239,41 256,73 -0,85 -1,94 -1,19 0,39 0,43 0,07 216,26 207,47 135,28 -2,38 -2,31 -1,82 -0,04 -0,60 -0,53 268,01 257,22 236,39 -5,04 -4,52 -3,50 -0,04 -0,13 -0,09 96,47 45,54 33,61 -0,64 -0,15 -0,98 -1,12 -1,87 -0,35 21,90 21,87 22,87 -1,40 -1,31 -6,90 0,00 0,04 0,04 37,67 37,25 36,89 -2,80 -2,57 -9,58 -0,01 -0,02 -0,01 23,79 23,78 23,77 0,14 0,26 -0,25 0,00 0,00 0,00 17,44 17,32 137,36 -0,40 -0,27 -3,00 -0,01 0,87 0,87 58,59 74,39 36,45 -17,05 -16,60 -37,01 0,21 -0,61 -1,04 156,31 182,46 195,72 -7,96 -9,63 -10,04 0,14 0,20 0,07 66,64 58,46 18,66 -34,05 -33,33 -89,64 -0,14 -2,57 -2,13 88,77 180,35 299,17 -2,79 -5,97 -7,70 0,51 0,70 0,40 282,56 254,35 206,16 -0,99 -0,95 -0,28 -0,11 -0,37 -0,23 296,90 48,75 37,35 -1,77 -0,07 -0,76 -5,09 -6,95 -0,31 18,19 18,38 19,05 -0,41 -0,42 -2,58 0,01 0,05 0,04 43,12 43,35 33,54 -0,95 -0,97 -4,84 0,01 -0,29 -0,29 74,80 57,65 73,63 -8,40 -6,36 -19,22 -0,30 -0,02 0,22 -2,92 41,36 41,45 41,57 -0,17 -0,17 0,07 0,00 0,01 0,00 15,64 15,47 15,32 0,48 0,38 0,91 -0,01 -0,02 -0,01 42,00 41,41 40,78 -14,59 -13,85 -40,35 -0,01 -0,03 -0,02 75,01 74,44 73,75 -38,59 -37,64 -69,74 -0,01 -0,02 -0,01 38,44 38,18 107,24 -17,31 -17,08 -72,28 -0,01 0,64 0,64 263,52 198,87 238,93 -22,45 -16,36 -17,28 -0,33 -0,10 0,17 166,81 213,91 233,90 -12,85 -15,92 -15,23 0,22 0,29 0,09 163,87 205,58 204,91 -7,57 -10,88 -8,72 0,20 0,20 0,00 168,13 162,38 150,69 -20,60 -20,60 -22,17 -0,04 -0,12 -0,08 234,01 263,95 256,38 -6,90 -7,95 -5,89 0,11 0,09 -0,03 51,57 83,52 156,60 -32,57 -44,78 -89,52 0,38 0,67 0,47 82 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 65,61 193,95 121,09 -11,00 -28,41 -30,12 0,66 0,46 -0,60 145,79 67,25 97,00 -19,84 -10,82 -27,87 -1,17 -0,50 0,31 20,10 24,67 34,58 -8,83 -11,33 -70,75 0,19 0,42 0,29 28,58 23,86 23,91 -5,12 -5,23 -34,10 -0,20 -0,20 0,00 27,60 36,12 44,56 -9,28 -8,56 -38,37 0,24 0,38 0,19 55,69 33,29 41,03 -23,69 -16,33 -78,34 -0,67 -0,36 0,19 57,76 47,02 132,67 -35,14 -33,24 -93,34 -0,23 0,56 0,65 50,40 90,32 45,57 -10,90 -14,43 -33,78 0,44 -0,11 -0,98 186,28 200,54 243,14 -5,04 -5,52 -5,97 0,07 0,23 0,18 -13,90 32,14 31,41 30,59 -11,04 -10,61 -58,38 -0,02 -0,05 -0,03 49,41 50,08 50,80 -9,08 -9,33 -30,81 0,01 0,03 0,01 33,30 32,50 31,70 -13,54 -12,97 -54,24 -0,02 -0,05 -0,03 62,88 61,88 60,90 -13,92 -12,17 -35,18 -0,02 -0,03 -0,02 49,12 48,50 47,87 -15,23 -14,63 -53,61 -0,01 -0,03 -0,01 45,28 45,66 53,89 -7,29 -7,50 -26,32 0,01 0,16 0,15 52,70 32,35 49,79 -15,28 -9,26 -34,75 -0,63 -0,06 0,35 47,81 48,89 38,49 -15,16 -16,14 -54,81 0,02 -0,24 -0,27 -33,60 -48,87 -7,75 118,31 23,97 32,49 -20,72 -8,41 -36,24 -3,94 -2,64 0,26 35,11 39,44 67,14 -8,59 -9,95 -46,62 0,11 0,48 0,41 128,48 140,76 139,47 -53,65 -59,18 -74,34 0,09 0,08 -0,01 34,56 23,47 30,81 -14,91 -12,86 -80,76 -0,47 -0,12 0,24 63,89 70,64 78,99 -14,38 -18,56 -41,99 0,10 0,19 0,11 81,57 76,02 78,91 -39,31 -37,10 -81,82 -0,07 -0,03 0,04 163,07 184,88 149,52 -10,09 -11,81 -12,61 0,12 -0,09 -0,24 196,38 178,50 199,18 -8,73 -8,00 -8,88 -0,10 0,01 0,10 200,21 161,10 160,76 -5,71 -3,69 -5,53 -0,24 -0,25 0,00 23,06 21,36 19,74 -6,30 -5,43 -38,06 -0,08 -0,17 -0,08 29,17 30,82 32,46 -2,94 -3,44 -12,66 0,05 0,10 0,05 83 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 23,51 23,71 24,81 -8,91 -9,30 -35,00 0,01 0,05 0,04 31,80 32,65 178,15 -7,30 -8,24 -26,49 0,03 0,82 0,82 43,07 24,97 41,58 -11,76 -4,85 -25,99 -0,72 -0,04 0,40 279,25 95,92 95,33 -18,97 -6,55 -13,85 -1,91 -1,93 -0,01 -12,49 123,68 47,96 48,78 -7,10 -3,55 -9,64 -1,58 -1,54 0,02 57,35 56,62 50,08 -4,63 -3,97 -11,19 -0,01 -0,14 -0,13 -9,30 -17,64 -24,41 266,65 105,01 55,24 -21,83 -10,17 -16,52 -1,54 -3,83 -0,90 194,48 151,74 142,38 -38,02 -29,90 -33,16 -0,28 -0,37 -0,07 150,38 140,63 141,13 -6,51 -5,73 -7,51 -0,07 -0,07 0,00 60,35 44,70 55,59 -4,96 -6,08 -14,58 -0,35 -0,09 0,20 152,28 158,93 199,97 -16,10 -15,96 -14,64 0,04 0,24 0,21 72,13 161,06 29,49 -9,66 -18,52 -18,36 0,55 -1,45 -4,46 260,92 382,03 412,66 -5,15 -8,57 -4,11 0,32 0,37 0,07 111,78 125,53 123,92 -7,57 -8,77 -13,13 0,11 0,10 -0,01 21,36 23,16 25,43 -2,52 -2,86 -23,19 0,08 0,16 0,09 31,44 31,20 28,41 -4,33 -3,93 -17,93 -0,01 -0,11 -0,10 64,20 61,55 46,57 -16,96 -13,00 -29,18 -0,04 -0,38 -0,32 229,95 39,42 49,02 -35,37 -5,77 -28,24 -4,83 -3,69 0,20 73,69 103,30 309,38 -4,76 -9,70 -15,06 0,29 0,76 0,67 84,39 131,70 89,84 -7,07 -12,02 -16,07 0,36 0,06 -0,47 55,35 62,23 357,72 -3,55 -3,49 -12,85 0,11 0,85 0,83 123,88 402,38 377,14 -6,52 -22,81 -11,16 0,69 0,67 -0,07 274,58 267,37 282,27 -8,34 -8,07 -5,88 -0,03 0,03 0,05 293,98 294,10 188,45 -15,59 -15,59 -10,67 0,00 -0,56 -0,56 334,51 191,65 166,69 -26,94 -15,60 -15,94 -0,75 -1,01 -0,15 221,11 218,82 269,82 -5,23 -5,21 -4,47 -0,01 0,18 0,19 292,26 247,20 296,92 -10,15 -8,44 -6,42 -0,18 0,02 0,17 176,78 206,45 213,12 -10,29 -9,18 -8,16 0,14 0,17 0,03 84 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 35,89 186,57 315,67 -1,75 -16,09 -15,05 0,81 0,89 0,41 -3,85 181,64 256,55 211,21 -5,83 -8,57 -6,69 0,29 0,14 -0,21 312,80 151,22 355,70 -17,15 -7,80 -10,59 -1,07 0,12 0,57 172,38 185,63 210,88 -10,48 -10,49 -11,65 0,07 0,18 0,12 236,88 134,94 311,33 -11,98 -7,49 -10,18 -0,76 0,24 0,57 266,88 350,50 169,10 -6,57 -8,90 -4,64 0,24 -0,58 -1,07 198,31 248,94 283,10 -12,70 -15,18 -11,65 0,20 0,30 0,12 296,25 139,28 137,03 -24,34 -12,25 -15,74 -1,13 -1,16 -0,02 55,46 67,09 281,71 -4,25 -6,44 -13,80 0,17 0,80 0,76 59,27 408,60 247,54 -5,34 -25,85 -11,14 0,85 0,76 -0,65 243,97 349,22 370,00 -26,44 -38,44 -20,67 0,30 0,34 0,06 354,59 338,92 34,41 -24,97 -23,88 -11,87 -0,05 -9,30 -8,85 320,45 318,76 316,45 -9,85 -10,19 -5,44 -0,01 -0,01 -0,01 116,06 454,72 148,63 -4,45 -16,32 -6,38 0,74 0,22 -2,06 199,15 357,48 225,47 -5,25 -7,74 -3,56 0,44 0,12 -0,59 111,75 251,51 295,34 -4,08 -9,45 -6,01 0,56 0,62 0,15 235,45 300,17 194,85 -5,93 -7,23 -3,71 0,22 -0,21 -0,54 220,49 207,70 143,28 -10,04 -9,00 -6,90 -0,06 -0,54 -0,45 378,73 274,85 388,29 -25,36 -20,27 -12,27 -0,38 0,02 0,29 280,19 364,90 280,14 -15,97 -19,97 -9,12 0,23 0,00 -0,30 197,55 365,46 332,10 -7,38 -11,91 -5,67 0,46 0,41 -0,10 265,69 308,80 251,56 -8,32 -10,00 -5,26 0,14 -0,06 -0,23 361,93 78,09 91,91 -24,61 -7,10 -12,64 -3,63 -2,94 0,15 215,70 214,91 206,37 -14,12 -13,64 -10,01 0,00 -0,05 -0,04 78,96 81,61 102,19 -3,24 -3,36 -4,76 0,03 0,23 0,20 33,57 33,23 40,49 -2,46 -2,80 -7,04 -0,01 0,17 0,18 0,00 0,00 0,00 44,62 79,78 112,97 -4,86 -6,99 -9,94 0,44 0,60 0,29 29,11 223,93 158,66 -3,42 -22,52 -14,90 0,87 0,82 -0,41 256,70 194,64 264,32 -34,40 -29,42 -22,71 -0,32 0,03 0,26 313,37 368,29 471,39 -20,75 -22,33 -10,57 0,15 0,34 0,22 214,34 327,96 237,31 -12,35 -17,78 -9,02 0,35 0,10 -0,38 85 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 71,50 129,31 216,63 -14,33 -26,47 -33,94 0,45 0,67 0,40 146,95 154,18 202,46 -2,76 -3,23 -3,67 0,05 0,27 0,24 209,13 256,22 313,91 -6,82 -8,03 -5,08 0,18 0,33 0,18 145,66 194,33 377,62 -2,91 -4,58 -3,71 0,25 0,61 0,49 275,68 302,62 322,89 -7,29 -7,89 -4,37 0,09 0,15 0,06 201,12 273,11 331,49 -5,99 -9,22 -5,18 0,26 0,39 0,18 204,35 196,15 236,92 -8,56 -7,50 -5,98 -0,04 0,14 0,17 157,70 327,46 124,42 -5,47 -10,45 -4,72 0,52 -0,27 -1,63 294,72 233,52 278,80 -11,03 -8,28 -5,76 -0,26 -0,06 0,16 41,46 357,88 114,95 -1,39 -18,77 -8,31 0,88 0,64 -2,11 254,64 272,79 165,59 -10,80 -10,75 -5,87 0,07 -0,54 -0,65 39,44 369,86 36,41 -4,94 -27,40 -12,41 0,89 -0,08 -9,16 152,20 208,77 267,31 -6,22 -8,31 -6,20 0,27 0,43 0,22 20,57 474,12 448,23 -5,29 -49,39 -16,71 0,96 0,95 -0,06 192,39 111,60 171,97 -8,31 -4,92 -7,32 -0,72 -0,12 0,35 141,29 176,91 149,24 -7,07 -9,99 -8,55 0,20 0,05 -0,19 327,11 305,97 294,67 -13,79 -12,21 -6,72 -0,07 -0,11 -0,04 59,17 268,35 198,97 -9,39 -28,32 -18,16 0,78 0,70 -0,35 248,74 236,91 284,34 -5,55 -4,82 -3,20 -0,05 0,13 0,17 189,04 298,70 183,73 -6,66 -10,58 -5,50 0,37 -0,03 -0,63 136,65 260,65 316,54 -4,77 -9,23 -5,28 0,48 0,57 0,18 44,22 349,02 386,07 -4,15 -19,06 -8,37 0,87 0,89 0,10 271,20 328,76 376,04 -29,17 -31,61 -15,57 0,18 0,28 0,13 -5,29 132,39 226,84 216,28 -1,04 -2,53 -1,25 0,42 0,39 -0,05 68,98 177,52 340,58 -1,82 -6,25 -5,55 0,61 0,80 0,48 221,28 140,90 163,32 -7,57 -5,06 -5,32 -0,57 -0,35 0,14 189,02 238,16 227,43 -8,10 -10,94 -7,33 0,21 0,17 -0,05 157,15 141,46 119,40 -21,37 -18,89 -19,21 -0,11 -0,32 -0,18 25,11 22,87 19,33 -10,22 -6,46 -40,42 -0,10 -0,30 -0,18 26,66 29,65 26,58 -7,46 -8,57 -27,22 0,10 0,00 -0,12 67,81 99,53 84,12 -5,38 -8,75 -9,21 0,32 0,19 -0,18 40,26 59,16 37,99 -8,34 -11,55 -20,38 0,32 -0,06 -0,56 86 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 16,56 133,72 299,80 -0,45 -5,32 -4,58 0,88 0,94 0,55 86,48 261,66 452,75 -14,70 -29,04 -16,08 0,67 0,81 0,42 308,72 239,19 243,69 -24,54 -18,99 -11,93 -0,29 -0,27 0,02 86,91 71,88 189,30 -9,26 -7,55 -14,76 -0,21 0,54 0,62 11,70 67,35 305,69 -1,42 -14,63 -32,94 0,83 0,96 0,78 192,50 265,16 246,62 -7,74 -12,41 -6,45 0,27 0,22 -0,08 241,97 180,19 187,79 -13,34 -10,89 -8,64 -0,34 -0,29 0,04 189,57 179,59 307,72 -133,51 -112,54 -106,72 -0,06 0,38 0,42 265,25 251,23 264,57 -9,81 -9,06 -5,44 -0,06 0,00 0,05 103,52 89,47 61,45 -11,66 -8,71 -13,93 -0,16 -0,68 -0,46 32,31 36,76 374,72 -7,55 -9,39 -26,61 0,12 0,91 0,90 213,43 346,58 226,66 -7,40 -12,58 -5,16 0,38 0,06 -0,53 146,09 275,66 334,35 -5,81 -10,77 -6,15 0,47 0,56 0,18 328,75 309,33 431,93 -16,48 -15,09 -6,39 -0,06 0,24 0,28 208,36 236,77 239,52 -13,37 -15,72 -8,79 0,12 0,13 0,01 212,98 241,67 259,37 -5,79 -7,53 -3,96 0,12 0,18 0,07 -4,04 322,55 74,81 100,19 -18,90 -5,14 -9,20 -3,31 -2,22 0,25 32,76 92,92 344,73 -4,32 -21,39 -26,77 0,65 0,90 0,73 210,69 303,12 210,70 -6,90 -9,26 -4,68 0,30 0,00 -0,44 262,27 372,55 386,00 -6,29 -8,52 -2,93 0,30 0,32 0,03 239,32 254,19 410,78 -19,59 -22,80 -11,31 0,06 0,42 0,38 -5,75 318,76 318,59 318,57 -11,21 -11,25 -4,49 0,00 0,00 0,00 421,41 421,48 421,47 -57,13 -57,25 -20,07 0,00 0,00 0,00 378,08 378,03 378,09 -16,88 -17,01 -6,07 0,00 0,00 0,00 429,37 429,52 428,93 -28,94 -28,97 -10,07 0,00 0,00 0,00 102,01 402,76 356,15 -31,46 -96,83 -36,88 0,75 0,71 -0,13 190,06 257,61 168,92 -8,75 -11,73 -6,77 0,26 -0,13 -0,53 229,03 70,19 336,59 -15,10 -5,41 -9,51 -2,26 0,32 0,79 181,81 367,73 426,58 -13,57 -26,95 -10,90 0,51 0,57 0,14 156,92 128,12 297,50 -48,17 -39,53 -37,40 -0,22 0,47 0,57 -10,78 93 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 52,78 61,02 68,59 0,42 0,21 -0,75 0,14 0,23 0,11 80,42 75,04 77,72 -0,24 -0,14 -1,18 -0,07 -0,03 0,03 156,02 178,27 137,88 -1,08 -1,42 -1,46 0,12 -0,13 -0,29 175,50 156,27 179,32 -0,39 -0,32 -0,39 -0,12 0,02 0,13 165,02 142,69 142,27 -0,33 0,09 -0,32 -0,16 -0,16 0,00 20,78 19,11 17,45 0,57 0,65 -0,55 -0,09 -0,19 -0,10 25,89 27,51 29,27 0,02 -0,12 -1,69 0,06 0,12 0,06 17,67 18,10 18,90 -0,13 -0,19 -1,68 0,02 0,07 0,04 30,12 30,59 157,82 -0,98 -1,32 -3,27 0,02 0,81 0,81 38,67 24,12 35,95 -2,17 -0,22 -3,20 -0,60 -0,08 0,33 231,39 86,51 85,68 -1,87 -0,28 -1,41 -1,67 -1,70 -0,01 -2,02 111,66 38,76 39,93 0,16 0,62 -0,11 -1,88 -1,80 0,03 50,15 49,17 43,38 -0,10 0,24 -0,33 -0,02 -0,16 -0,13 -0,60 -0,45 -1,03 245,84 101,35 49,92 -1,19 -0,20 -0,66 -1,43 -3,92 -1,03 187,12 143,13 133,63 -0,91 -0,48 -0,53 -0,31 -0,40 -0,07 124,82 116,07 113,98 0,20 0,30 0,03 -0,08 -0,10 -0,02 56,62 36,15 46,65 0,60 0,55 -0,16 -0,57 -0,21 0,23 140,81 146,95 190,89 -0,12 -0,17 -0,05 0,04 0,26 0,23 59,94 154,62 25,69 0,38 -0,43 -0,27 0,61 -1,33 -5,02 233,93 361,62 393,89 -0,75 -1,93 -0,52 0,35 0,41 0,08 107,13 121,24 119,62 -0,01 -0,16 -0,60 0,12 0,10 -0,01 19,79 21,56 23,60 0,58 0,50 -2,26 0,08 0,16 0,09 24,52 24,42 24,14 0,27 0,31 -2,50 0,00 -0,02 -0,01 60,75 58,41 38,35 -0,47 -0,34 -1,54 -0,04 -0,58 -0,52 217,52 38,15 47,86 -1,80 0,46 -1,09 -4,70 -3,54 0,20 44,05 76,45 275,91 0,51 -0,34 -0,97 0,42 0,84 0,72 78,68 124,95 84,57 0,21 -0,33 -0,62 0,37 0,07 -0,48 36,01 48,48 342,71 0,46 0,47 -0,96 0,26 0,89 0,86 95,49 378,36 354,56 0,36 -1,45 -0,20 0,75 0,73 -0,07 204,48 203,11 224,43 -0,10 -0,10 -0,02 -0,01 0,09 0,10 263,10 262,54 164,77 -0,50 -0,50 -0,07 0,00 -0,60 -0,59 317,05 174,34 156,18 -1,54 -0,45 -0,47 -0,82 -1,03 -0,12 191,17 197,91 234,14 -0,70 -0,77 -0,52 0,03 0,18 0,15 260,07 220,57 274,57 -0,67 -0,38 -0,09 -0,18 0,05 0,20 137,64 170,28 171,29 -0,95 -0,77 -0,73 0,19 0,20 0,01 22,16 144,62 320,00 0,09 -6,60 -7,12 0,85 0,93 0,55 -0,27 140,46 229,33 174,90 0,15 -0,38 -0,12 0,39 0,20 -0,31 267,15 126,30 297,71 -1,24 -0,07 -0,54 -1,12 0,10 0,58 159,82 166,29 186,46 -0,29 -0,23 -0,39 0,04 0,14 0,11 94 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 209,98 108,88 295,84 -0,71 -0,08 -0,53 -0,93 0,29 0,63 222,14 311,42 136,47 -0,25 -0,72 -0,02 0,29 -0,63 -1,28 122,85 235,80 270,84 -0,02 -0,69 -0,27 0,48 0,55 0,13 288,77 135,60 132,77 -0,84 0,05 -0,16 -1,13 -1,17 -0,02 51,71 59,73 274,39 0,51 0,27 -0,45 0,13 0,81 0,78 38,61 366,93 235,87 0,41 -1,90 -0,33 0,89 0,84 -0,56 238,90 301,75 365,33 -1,34 -2,07 -0,76 0,21 0,35 0,17 317,63 315,23 27,01 -2,21 -2,15 -0,57 -0,01 -10,76 -10,67 229,63 301,45 287,76 -0,87 -1,59 -0,45 0,24 0,20 -0,05 83,79 440,34 109,35 -0,29 -1,50 -0,05 0,81 0,23 -3,03 135,52 332,87 144,21 -1,76 -3,12 -1,07 0,59 0,06 -1,31 95,78 241,14 287,85 -0,72 -2,80 -1,30 0,60 0,67 0,16 203,51 271,29 160,42 -1,49 -1,98 -0,62 0,25 -0,27 -0,69 196,45 184,92 115,83 -2,18 -1,93 -1,16 -0,06 -0,70 -0,60 352,59 264,53 374,04 -4,11 -3,52 -1,55 -0,33 0,06 0,29 269,91 358,49 272,63 -5,53 -7,08 -2,50 0,25 0,01 -0,31 180,57 336,77 301,13 -1,39 -2,54 -0,78 0,46 0,40 -0,12 214,48 276,13 225,27 -0,81 -1,32 -0,29 0,22 0,05 -0,23 336,77 68,09 81,78 -1,92 0,00 -0,53 -3,95 -3,12 0,17 205,41 204,62 195,80 -1,37 -1,33 -0,62 0,00 -0,05 -0,05 75,84 78,38 96,69 -6,73 -7,25 -8,65 0,03 0,22 0,19 28,57 27,12 37,37 -0,50 -0,68 -6,43 -0,05 0,24 0,27 40,66 75,38 106,44 -0,32 -2,21 -2,22 0,46 0,62 0,29 25,51 210,19 147,75 0,43 -3,43 -1,67 0,88 0,83 -0,42 212,35 191,65 256,22 -2,16 -2,18 -1,15 -0,11 0,17 0,25 287,20 332,75 468,88 -2,61 -2,70 -0,83 0,14 0,39 0,29 173,25 307,37 179,38 -0,49 -1,08 -0,12 0,44 0,03 -0,71 36,75 82,15 150,36 -0,25 -1,90 -3,78 0,55 0,76 0,45 85,28 98,50 149,44 -0,07 -0,50 -1,13 0,13 0,43 0,34 113,01 226,05 296,15 -0,62 -1,46 -0,70 0,50 0,62 0,24 93,69 142,18 331,82 0,40 -0,09 -0,07 0,34 0,72 0,57 261,57 254,87 298,87 -0,66 -0,58 -0,06 -0,03 0,12 0,15 159,10 249,67 314,33 0,01 -0,82 -0,08 0,36 0,49 0,21 179,54 174,00 211,32 -0,29 -0,13 0,07 -0,03 0,15 0,18 130,09 304,18 89,76 -1,17 -2,57 -0,65 0,57 -0,45 -2,39 239,85 219,49 229,97 -1,17 -0,89 -0,29 -0,09 -0,04 0,05 41,28 330,08 113,99 0,37 -3,21 -0,98 0,87 0,64 -1,90 219,65 265,48 149,70 -1,18 -1,42 -0,29 0,17 -0,47 -0,77 27,06 323,62 24,20 0,56 -1,40 -0,24 0,92 -0,12 -12,37 122,97 193,21 227,57 0,07 -0,31 -0,03 0,36 0,46 0,15 17,46 472,05 431,28 0,54 -2,83 -0,26 0,96 0,96 -0,09 112,01 83,15 128,15 -0,19 0,05 -0,71 -0,35 0,13 0,35 115,27 129,43 108,03 -0,08 -0,35 -0,50 0,11 -0,07 -0,20 279,33 287,76 269,58 -0,60 -0,61 0,06 0,03 -0,04 -0,07 95 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 42,43 265,77 167,40 -1,38 -7,65 -4,23 0,84 0,75 -0,59 176,64 182,75 239,46 -0,79 -0,56 -0,36 0,03 0,26 0,24 169,83 273,40 166,26 -0,23 -0,90 -0,06 0,38 -0,02 -0,64 101,37 242,26 280,32 -0,41 -1,84 -0,59 0,58 0,64 0,14 35,15 329,92 372,66 -0,24 -2,24 -0,35 0,89 0,91 0,11 208,59 310,67 346,29 -1,39 -1,63 -0,38 0,33 0,40 0,10 -0,25 70,33 185,38 185,99 0,33 -0,79 -0,38 0,62 0,62 0,00 43,96 104,42 334,48 -0,67 -3,35 -4,89 0,58 0,87 0,69 174,88 105,88 133,47 -0,41 -0,03 -0,20 -0,65 -0,31 0,21 149,15 227,65 215,45 -0,59 -1,51 -0,69 0,34 0,31 -0,06 150,83 134,97 113,80 -0,32 -0,16 -0,10 -0,12 -0,33 -0,19 23,27 20,77 17,02 0,46 0,77 -0,37 -0,12 -0,37 -0,22 18,06 26,58 17,45 0,58 0,54 -0,55 0,32 -0,03 -0,52 66,93 97,09 83,02 0,41 0,06 0,04 0,31 0,19 -0,17 38,63 57,24 32,82 0,43 0,27 -0,33 0,33 -0,18 -0,74 14,45 126,58 283,22 0,83 -0,25 -0,03 0,89 0,95 0,55 73,58 248,31 448,58 -0,65 -1,16 -0,15 0,70 0,84 0,45 290,63 226,01 236,96 -0,77 -0,37 0,13 -0,29 -0,23 0,05 62,78 56,16 150,91 -0,22 -0,09 -1,32 -0,12 0,58 0,63 5,94 41,16 300,48 0,19 -5,43 -19,94 0,86 0,98 0,86 135,58 251,19 203,73 0,11 -0,86 0,05 0,46 0,33 -0,23 218,49 140,11 145,86 -0,60 -0,27 -0,12 -0,56 -0,50 0,04 149,93 140,38 303,08 -27,12 -21,18 -24,45 -0,07 0,51 0,54 242,49 219,94 243,70 -0,51 -0,34 0,09 -0,10 0,00 0,10 86,06 81,16 46,53 0,19 0,39 0,02 -0,06 -0,85 -0,74 29,92 29,30 362,85 0,73 0,58 0,00 -0,02 0,92 0,92 185,09 326,62 185,09 -0,08 -0,88 0,15 0,43 0,00 -0,76 81,70 239,23 318,79 0,14 -1,07 -0,39 0,66 0,74 0,25 303,23 293,95 420,23 -1,26 -1,14 0,07 -0,03 0,28 0,30 166,35 178,09 203,35 0,01 -0,11 0,28 0,07 0,18 0,12 134,37 182,02 220,40 -0,26 -1,24 -0,22 0,26 0,39 0,17 0,03 312,71 54,72 54,18 -1,74 0,14 -0,38 -4,71 -4,77 -0,01 22,35 63,05 320,54 0,18 -3,54 -4,93 0,65 0,93 0,80 180,69 261,99 181,96 -0,76 -1,24 -0,38 0,31 0,01 -0,44 240,41 335,16 362,30 -1,13 -1,67 -0,13 0,28 0,34 0,07 215,67 242,83 413,77 -2,47 -4,13 -1,19 0,11 0,48 0,41 -1,81 298,85 298,70 298,70 -1,69 -1,73 -0,10 0,00 0,00 0,00 418,12 418,19 418,19 -23,48 -23,75 -7,07 0,00 0,00 0,00 361,49 361,45 361,53 -3,25 -3,30 -0,55 0,00 0,00 0,00 425,68 425,86 425,40 -2,75 -2,76 -0,30 0,00 0,00 0,00 73,04 400,11 354,07 -14,35 -53,33 -18,40 0,82 0,79 -0,13 168,74 209,66 144,93 0,01 -0,21 0,15 0,20 -0,16 -0,45 96 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 190,74 59,55 309,18 -0,18 0,51 0,18 -2,20 0,38 0,81 163,41 352,84 413,68 -0,07 -1,13 0,10 0,54 0,60 0,15 116,34 106,25 290,96 -42,73 -37,36 -34,91 -0,09 0,60 0,63 0,08 207,92 190,63 146,06 -0,20 -0,50 0,08 -0,09 -0,42 -0,31 101,71 121,38 425,82 0,15 -0,25 -0,09 0,16 0,76 0,71 35,01 435,83 246,16 0,59 -2,34 -0,12 0,92 0,86 -0,77 123,14 190,74 317,09 0,06 -0,30 -0,08 0,35 0,61 0,40 152,73 136,46 117,08 -0,35 -0,42 -0,18 -0,12 -0,30 -0,17 32,18 105,61 202,37 0,49 -0,12 -0,12 0,70 0,84 0,48 97 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 10.3. Skill Score for RMSE (daily DNI) RMSE 0d (W/m2) RMSE 1d (W/m2) RMSE2d (W/m2) S01 S02 S12 0,08 2,47 4,92 0,97 0,98 0,50 0,47 3,97 1,32 0,88 0,65 -2,00 0,78 0,59 0,75 -0,32 -0,03 0,22 0,21 0,64 0,67 0,67 0,68 0,04 0,57 1,58 1,40 0,64 0,59 -0,12 2,11 0,81 0,69 -1,60 -2,08 -0,19 0,68 0,91 1,63 0,25 0,58 0,44 1,18 0,51 0,53 -1,31 -1,22 0,04 1,19 1,17 5,58 -0,02 0,79 0,79 0,06 5,18 6,77 0,99 0,99 0,23 2,80 4,48 1,80 0,38 -0,55 -1,48 2,83 0,35 1,27 -7,04 -1,23 0,72 0,31 2,17 0,75 0,86 0,59 -1,91 0,96 4,02 4,78 0,76 0,80 0,16 0,10 1,31 2,12 0,92 0,95 0,38 0,37 4,72 2,65 0,92 0,86 -0,78 0,66 3,11 1,16 0,79 0,43 -1,69 1,43 0,57 1,24 -1,52 -0,15 0,54 0,46 0,94 0,94 0,52 0,51 0,00 0,00 0,00 0,01 -0,20 0,84 0,87 0,00 0,29 0,65 0,99 0,99 0,56 0,28 0,34 1,95 0,16 0,85 0,83 0,39 3,11 3,03 0,88 0,87 -0,03 0,37 2,67 3,69 0,86 0,90 0,28 0,43 0,04 0,43 -10,40 0,01 0,91 1,00 0,04 0,63 -27,17 -0,58 0,94 0,71 1,14 0,08 0,37 -8,11 -13,52 0,39 0,18 1,13 -1,10 0,66 0,84 0,44 0,44 2,78 -0,01 0,84 0,84 2,29 0,82 1,41 -1,79 -0,62 0,42 0,08 4,22 1,67 0,98 0,95 -1,52 2,34 0,65 3,77 -2,61 0,38 0,83 0,54 3,18 1,24 0,83 0,57 -1,56 1,29 0,86 4,27 -0,50 0,70 0,80 0,70 1,25 4,57 0,44 0,85 0,73 0,51 1,57 1,19 0,68 0,57 -0,32 2,23 5,77 6,96 0,61 0,68 0,17 98 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 2,05 5,35 2,27 0,62 0,10 -1,36 0,74 2,70 5,72 0,73 0,87 0,53 1,56 1,91 2,73 0,18 0,43 0,30 0,92 0,44 0,06 -1,09 -14,94 -6,61 0,48 1,05 2,56 0,54 0,81 0,59 0,66 1,93 0,89 0,66 0,25 -1,17 2,09 2,13 0,73 0,02 -1,87 -1,93 0,66 0,06 1,80 -10,12 0,63 0,97 0,75 2,24 2,46 0,67 0,70 0,09 1,13 0,75 2,42 -0,50 0,53 0,69 0,05 1,56 0,49 0,97 0,89 -2,21 1,67 0,31 0,27 -4,36 -5,07 -0,13 0,36 0,33 2,49 -0,11 0,85 0,87 0,34 2,26 0,65 0,85 0,49 -2,45 2,43 2,40 2,95 -0,01 0,17 0,19 2,45 0,79 3,77 -2,08 0,35 0,79 0,63 4,67 3,49 0,86 0,82 -0,34 3,18 2,77 3,74 -0,15 0,15 0,26 1,59 0,63 1,25 -1,50 -0,27 0,49 0,55 1,36 1,65 0,60 0,67 0,18 0,84 0,76 0,51 -0,10 -0,63 -0,49 0,04 2,11 2,55 0,98 0,98 0,17 0,66 5,33 0,65 0,88 -0,01 -7,18 1,91 3,80 4,78 0,50 0,60 0,21 0,76 0,02 2,40 -33,30 0,69 0,99 0,55 0,03 1,80 -19,21 0,69 0,98 1,36 4,12 0,05 0,67 -27,61 -85,88 4,06 1,96 2,51 -1,07 -0,61 0,22 2,46 3,06 0,05 0,20 -51,77 -64,81 3,80 2,23 1,42 -0,71 -1,66 -0,56 1,09 0,50 2,22 -1,17 0,51 0,77 1,24 0,68 4,13 -0,83 0,70 0,84 0,32 4,92 2,23 0,94 0,86 -1,20 0,34 2,86 1,96 0,88 0,83 -0,46 3,52 0,43 0,41 -7,24 -7,64 -0,05 0,70 1,63 2,43 0,57 0,71 0,33 0,34 2,86 3,49 0,88 0,90 0,18 1,21 1,16 3,54 -0,04 0,66 0,67 4,14 3,39 2,74 -0,22 -0,51 -0,23 2,12 0,04 3,21 -55,43 0,34 0,99 0,11 0,99 3,59 0,89 0,97 0,72 1,05 3,29 3,73 0,68 0,72 0,12 0,96 0,79 3,97 -0,21 0,76 0,80 99 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 1,53 3,82 2,29 0,60 0,33 -0,67 3,35 2,49 3,91 -0,34 0,14 0,36 0,69 2,99 2,58 0,77 0,73 -0,16 0,21 0,22 4,58 0,08 0,95 0,95 1,68 0,54 1,70 -2,11 0,01 0,68 0,91 1,76 5,37 0,48 0,83 0,67 1,46 5,63 1,91 0,74 0,24 -1,95 0,48 7,36 5,45 0,94 0,91 -0,35 0,33 1,81 0,37 0,82 0,11 -3,94 0,69 0,19 2,52 -2,71 0,72 0,93 1,75 5,31 3,44 0,67 0,49 -0,54 0,99 1,85 2,38 0,46 0,58 0,22 0,58 0,66 3,81 0,13 0,85 0,83 1,15 4,59 1,92 0,75 0,40 -1,39 1,48 1,73 0,87 0,14 -0,71 -0,99 0,41 3,53 1,75 0,89 0,77 -1,02 2,17 0,36 0,60 -5,05 -2,59 0,41 1,42 0,57 0,14 -1,48 -9,30 -3,15 0,11 0,26 0,86 0,59 0,88 0,70 0,09 1,96 1,07 0,95 0,92 -0,83 2,45 0,17 0,13 -13,79 -17,17 -0,23 0,51 0,55 2,02 0,07 0,75 0,73 3,59 0,62 3,27 -4,78 -0,10 0,81 2,42 7,32 6,15 0,67 0,61 -0,19 0,55 3,92 5,69 0,86 0,90 0,31 0,28 3,38 1,26 0,92 0,77 -1,68 1,91 6,15 3,91 0,69 0,51 -0,57 2,34 3,19 3,31 0,27 0,29 0,04 1,11 0,11 0,87 -9,30 -0,28 0,88 0,11 2,78 0,37 0,96 0,69 -6,60 1,08 1,08 3,34 0,00 0,68 0,68 0,34 1,72 2,67 0,80 0,87 0,36 1,65 2,27 1,64 0,27 -0,01 -0,38 0,32 5,11 0,39 0,94 0,20 -11,94 1,29 1,74 0,44 0,26 -1,92 -2,95 2,97 4,64 5,31 0,36 0,44 0,13 7,39 5,61 2,00 -0,32 -2,70 -1,81 5,58 1,01 2,72 -4,53 -1,05 0,63 1,69 2,48 3,88 0,32 0,56 0,36 2,69 2,92 3,82 0,08 0,30 0,24 6,68 5,41 2,42 -0,24 -1,76 -1,23 1,66 2,89 0,99 0,43 -0,68 -1,93 1,28 5,99 5,30 0,79 0,76 -0,13 0,58 0,84 0,07 0,31 -6,83 -10,43 0,49 2,84 0,27 0,83 -0,84 -9,60 100 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 1,18 1,23 1,06 0,04 -0,12 -0,17 1,41 0,10 0,96 -13,47 -0,46 0,90 0,43 0,39 1,00 -0,11 0,57 0,61 2,39 2,68 5,06 0,11 0,53 0,47 4,03 1,29 0,85 -2,13 -3,76 -0,52 2,70 0,06 1,68 -45,43 -0,61 0,97 3,36 5,61 0,86 0,40 -2,93 -5,55 0,87 3,33 2,62 0,74 0,67 -0,27 4,70 3,44 1,58 -0,37 -1,98 -1,18 1,26 2,27 0,23 0,45 -4,42 -8,82 2,83 0,12 4,99 -21,80 0,43 0,98 2,77 2,50 0,93 -0,11 -1,99 -1,70 2,53 0,04 0,02 -61,83 -120,97 -0,94 0,16 0,18 0,19 0,12 0,14 0,03 0,94 0,96 0,50 0,01 -0,90 -0,93 0,01 0,15 2,92 0,91 1,00 0,95 1,02 2,74 6,33 0,63 0,84 0,57 4,09 5,56 3,82 0,27 -0,07 -0,46 1,62 3,75 3,30 0,57 0,51 -0,14 1,96 2,75 0,27 0,29 -6,34 -9,29 1,32 1,58 1,32 0,16 0,00 -0,20 0,60 2,62 0,75 0,77 0,20 -2,52 2,05 6,45 5,96 0,68 0,66 -0,08 1,25 0,79 0,49 -0,59 -1,55 -0,60 0,97 0,31 1,57 -2,14 0,38 0,80 1,59 0,42 0,14 -2,78 -10,22 -1,97 0,44 0,16 3,30 -1,75 0,87 0,95 0,98 5,24 0,53 0,81 -0,86 -8,97 3,73 0,27 1,20 -12,85 -2,10 0,78 0,79 0,29 1,10 -1,76 0,28 0,74 4,85 3,81 5,40 -0,27 0,10 0,29 0,25 1,41 1,16 0,82 0,78 -0,22 0,20 2,14 3,10 0,91 0,94 0,31 2,70 3,39 0,91 0,20 -1,98 -2,74 1,62 1,47 1,68 -0,10 0,03 0,12 1,68 0,63 0,15 -1,67 -10,43 -3,28 0,17 0,17 0,17 0,00 0,00 0,00 0,50 0,50 0,50 0,00 0,00 0,00 0,27 0,27 0,27 0,00 -0,01 -0,01 0,10 0,10 1,10 0,01 0,91 0,91 0,90 0,12 0,39 -6,83 -1,32 0,70 1,73 2,69 2,97 0,36 0,42 0,09 0,56 0,77 0,04 0,27 -11,61 -16,29 101 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 0,35 2,02 2,84 0,83 0,88 0,29 0,48 1,08 0,91 0,56 0,48 -0,19 4,07 0,56 0,32 -6,24 -11,76 -0,76 0,14 0,13 0,12 -0,04 -0,10 -0,05 0,64 0,64 0,17 -0,01 -2,86 -2,82 0,52 0,53 0,54 0,01 0,03 0,02 0,20 0,19 0,18 -0,05 -0,10 -0,05 0,73 0,72 0,71 -0,01 -0,03 -0,01 1,27 1,26 1,25 -0,01 -0,02 -0,01 0,56 0,55 1,56 -0,02 0,64 0,64 4,47 2,14 4,03 -1,09 -0,11 0,47 0,13 1,63 2,21 0,92 0,94 0,26 1,81 2,53 2,52 0,29 0,28 0,00 2,20 2,00 1,61 -0,10 -0,37 -0,24 2,63 3,07 2,87 0,14 0,08 -0,07 0,61 0,41 2,27 -0,49 0,73 0,82 0,07 3,26 1,23 0,98 0,95 -1,66 2,55 0,14 1,61 -17,53 -0,59 0,91 0,14 0,25 0,01 0,43 -22,92 -41,04 0,06 0,02 0,04 -1,54 -0,52 0,40 0,02 0,46 0,07 0,95 0,65 -5,86 0,99 0,08 0,52 -12,09 -0,90 0,86 0,83 0,41 1,22 -1,00 0,32 0,66 0,01 1,17 0,06 0,99 0,90 -18,01 0,26 0,25 0,23 -0,07 -0,15 -0,08 0,60 0,62 0,64 0,03 0,06 0,03 0,18 0,17 0,15 -0,11 -0,26 -0,13 1,05 1,03 1,01 -0,02 -0,04 -0,02 0,28 0,26 0,24 -0,08 -0,16 -0,08 0,18 0,20 0,83 0,10 0,78 0,76 0,62 0,37 0,58 -0,66 -0,07 0,35 2,02 0,11 0,00 -17,48 -1046,12 -55,65 0,47 0,46 0,98 -0,02 0,52 0,53 2,30 2,46 2,44 0,07 0,06 -0,01 0,41 0,18 0,34 -1,25 -0,20 0,47 0,43 0,36 0,12 -0,21 -2,69 -2,05 102 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 1,34 1,18 1,29 -0,14 -0,03 0,09 2,30 2,66 1,73 0,13 -0,33 -0,54 0,49 0,11 1,03 -3,58 0,53 0,90 0,19 1,46 1,44 0,87 0,87 -0,02 0,34 0,31 0,29 -0,09 -0,19 -0,10 0,23 0,26 0,29 0,11 0,20 0,10 0,21 0,23 0,26 0,12 0,21 0,11 0,03 0,06 2,17 0,46 0,98 0,97 0,58 0,08 0,52 -6,51 -0,12 0,85 1,39 0,63 0,66 -1,21 -1,11 0,05 2,13 1,49 0,63 -0,43 -2,38 -1,36 2,81 2,02 1,55 -0,40 -0,82 -0,30 0,80 0,64 0,58 -0,24 -0,38 -0,11 0,78 0,36 0,58 -1,19 -0,34 0,39 0,99 0,80 2,27 -0,24 0,56 0,65 0,12 2,52 0,35 0,95 0,65 -6,28 2,38 5,46 5,94 0,56 0,60 0,08 1,81 2,07 2,03 0,12 0,11 -0,02 0,16 0,19 0,23 0,19 0,31 0,16 0,01 0,05 0,38 0,73 0,96 0,87 1,03 1,00 0,53 -0,04 -0,94 -0,87 2,79 0,48 0,69 -4,86 -3,04 0,31 0,10 0,00 3,62 -19,64 0,97 1,00 0,71 1,48 0,91 0,52 0,21 -0,63 0,28 0,22 4,85 -0,26 0,94 0,96 0,26 5,35 5,11 0,95 0,95 -0,05 1,44 1,81 2,07 0,20 0,30 0,13 3,23 3,24 0,39 0,00 -7,20 -7,23 3,12 0,32 1,06 -8,76 -1,96 0,70 2,45 2,80 1,26 0,13 -0,95 -1,22 2,76 2,24 3,40 -0,23 0,19 0,34 0,85 0,62 0,38 -0,38 -1,25 -0,63 0,32 1,25 0,18 0,74 -0,83 -6,07 1,23 0,54 0,42 -1,30 -1,97 -0,29 1,30 2,08 0,89 0,37 -0,46 -1,33 2,54 0,92 3,80 -1,76 0,33 0,76 109 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 288,27 86,97 256,52 -0,07 0,28 0,39 -2,31 - 0,12 0,66 86,81 330,50 210,96 -0,56 -7,66 0,40 0,74 0,59 -0,57 197,57 171,09 220,94 -3,21 0,11 0,64 -0,15 0,11 0,23 233,04 214,54 247,97 -0,32 0,28 0,83 -0,09 0,06 0,13 178,70 318,57 174,09 -1,91 -0,20 -0,05 0,44 - 0,03 -0,83 237,98 256,76 340,66 -7,82 -8,53 0,87 0,07 0,30 0,25 194,52 242,47 142,87 -43,56 0,26 0,87 0,20 - 0,36 -0,70 118,29 172,00 150,58 0,85 0,06 0,92 0,31 0,21 -0,14 215,62 243,31 175,84 0,46 -1,60 1,00 0,11 - 0,23 -0,38 165,57 174,63 227,79 -6,65 -0,73 0,90 0,05 0,27 0,23 265,20 154,57 244,14 -12,33 -5,27 -0,39 -0,72 - 0,09 0,37 115,06 303,09 112,50 -2,66 -3,29 -0,41 0,62 - 0,02 -1,69 228,09 202,43 215,68 -1,36 -4,02 -1,57 -0,13 - 0,06 0,06 65,28 290,55 198,64 -21,69 0,28 0,94 0,78 0,67 -0,46 253,20 232,72 78,35 -10,85 -0,12 -0,83 -0,09 - 2,23 -1,97 243,92 35,75 192,42 -7,80 -0,10 -1,04 -5,82 - 0,27 0,81 38,22 196,34 302,42 -3,86 -1,87 -0,60 0,81 0,87 0,35 149,65 109,58 258,87 -1,26 -0,91 -0,10 -0,37 0,42 0,58 267,97 283,96 152,17 -6,44 -1,26 -0,76 0,06 - 0,76 -0,87 238,50 99,72 237,93 -0,70 -2,06 0,05 -1,39 0,00 0,58 65,12 285,72 121,83 -38,69 0,03 0,98 0,77 0,47 -1,35 301,67 248,11 241,07 -2,91 -0,77 0,98 -0,22 - 0,25 -0,03 195,44 297,87 265,07 -13,07 -33,11 0,86 0,34 0,26 -0,12 303,25 344,54 269,97 -1,66 -0,35 0,81 0,12 - 0,12 -0,28 260,58 287,47 241,56 0,02 -1,26 0,92 0,09 - 0,08 -0,19 250,75 317,64 300,41 -30,62 0,63 0,99 0,21 0,17 -0,06 187,89 172,07 318,99 -0,09 -0,01 0,38 -0,09 0,41 0,46 259,37 178,19 153,60 0,47 0,54 0,93 -0,46 - 0,69 -0,16 121,66 83,46 106,47 0,19 -4,12 0,21 -0,46 - 0,14 0,22 167,00 220,48 187,55 -21,56 -4,25 -0,89 0,24 0,11 -0,18 62,06 186,67 145,67 -10,83 -3,03 0,81 0,67 0,57 -0,28 210,96 148,22 74,69 -0,95 -0,64 0,58 -0,42 - 1,82 -0,98 62,01 120,23 43,76 -1,11 -0,34 0,19 0,48 - 0,42 -1,75 110,60 19,60 310,19 -2,46 0,55 0,43 -4,64 0,64 0,94 13,43 177,67 54,27 -0,07 0,13 0,03 0,92 0,75 -2,27 110 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 126,37 97,23 34,47 -1,91 -1,89 0,98 -0,30 - 2,67 -1,82 85,62 47,45 46,24 -11,64 -2,39 -0,47 -0,80 - 0,85 -0,03 25,73 26,42 27,16 -0,02 0,06 -0,24 0,03 0,05 0,03 12,88 13,66 19,83 0,19 0,63 0,45 0,06 0,35 0,31 11,65 21,30 134,49 -0,46 0,30 -0,01 0,45 0,91 0,84 16,17 98,62 255,75 -1,76 -0,58 -2,14 0,84 0,94 0,61 241,82 361,17 131,01 -2,06 -3,09 0,83 0,33 - 0,85 -1,76 210,63 306,54 308,23 -0,75 0,05 0,87 0,31 0,32 0,01 240,18 221,19 117,41 -0,92 -14,62 -1,93 -0,09 - 1,05 -0,88 245,63 100,08 168,31 -1,63 -0,20 0,14 -1,45 - 0,46 0,41 94,21 138,84 103,10 0,24 0,29 -0,74 0,32 0,09 -0,35 189,44 265,35 259,83 -1,93 -4,25 -0,48 0,29 0,27 -0,02 90,70 90,97 57,65 -2,49 -1,56 0,09 0,00 - 0,57 -0,58 46,30 80,49 49,94 0,11 0,64 0,52 0,42 0,07 -0,61 85,78 51,82 54,46 -1,86 -0,51 -0,91 -0,66 - 0,58 0,05 72,14 72,75 226,70 0,47 0,45 0,79 0,01 0,68 0,68 33,83 161,61 33,70 -0,29 -0,70 -0,12 0,79 0,00 -3,79 191,34 100,61 81,53 -1,34 -1,57 0,54 -0,90 - 1,35 -0,23 93,34 86,91 200,29 -5,01 -1,06 -1,14 -0,07 0,53 0,57 137,32 164,37 149,99 -6,34 -34,51 -1,13 0,16 0,08 -0,10 144,88 160,78 169,99 0,16 -12,00 -2,80 0,10 0,15 0,05 102,09 131,37 128,22 -0,11 -4,59 0,73 0,22 0,20 -0,02 126,08 88,45 74,48 -112,09 -306,96 0,40 -0,43 - 0,69 -0,19 133,23 131,90 127,69 -3,69 -3,08 -0,71 -0,01 - 0,04 -0,03 51,24 32,21 48,27 -0,18 0,15 -0,05 -0,59 - 0,06 0,33 5,05 5,11 5,22 -0,78 -0,04 -0,39 0,01 0,03 0,02 16,53 16,23 16,04 -4,41 -1,99 -3,01 -0,02 - 0,03 -0,01 6,12 6,29 6,59 -0,48 0,43 0,55 0,03 0,07 0,05 4,90 5,14 55,24 -1,32 -1,75 0,44 0,05 0,91 0,91 12,96 19,99 21,28 -0,57 -0,64 -0,51 0,35 0,39 0,06 79,36 80,02 85,68 -3,38 0,16 -0,94 0,01 0,07 0,07 23,49 13,21 34,01 0,10 0,27 0,11 -0,78 0,31 0,61 33,38 112,75 195,54 0,75 0,69 0,93 0,70 0,83 0,42 199,76 138,42 121,33 0,02 0,31 0,40 -0,44 - 0,65 -0,14 182,54 11,50 27,18 -0,52 -0,04 -0,87 - 14,88 - 5,71 0,58 9,70 9,57 9,43 -0,58 -0,59 0,67 -0,01 - -0,02 111 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 0,03 10,40 10,16 21,11 0,31 0,30 0,93 -0,02 0,51 0,52 6,61 8,11 6,83 0,44 -1,51 0,64 0,18 0,03 -0,19 12,88 13,16 13,69 0,59 0,63 0,69 0,02 0,06 0,04 10,02 9,55 9,17 -5,06 -5,03 0,94 -0,05 - 0,09 -0,04 18,80 18,38 17,82 -2,97 -8,90 -4,03 -0,02 - 0,06 -0,03 14,71 14,24 13,95 -0,38 -0,50 -2,45 -0,03 - 0,05 -0,02 11,81 11,45 65,02 -0,36 -0,50 -3,35 -0,03 0,82 0,82 77,64 77,15 63,24 0,03 -1,41 -3,15 -0,01 - 0,23 -0,22 82,43 41,53 44,49 -13,07 -0,18 0,31 -0,99 - 0,85 0,07 42,36 52,51 51,90 -1,74 -5,21 -4,87 0,19 0,18 -0,01 40,53 38,38 34,34 -0,05 -1,62 -0,12 -0,06 - 0,18 -0,12 110,57 116,18 118,40 -2,15 -0,20 -0,89 0,05 0,07 0,02 9,56 26,45 76,82 0,09 -0,36 -6,64 0,64 0,88 0,66 23,99 80,96 63,12 0,00 -0,49 -3,13 0,70 0,62 -0,28 62,48 25,34 57,24 -5,63 -0,61 -8,50 -1,47 - 0,09 0,56 13,66 11,71 16,62 0,28 -9,00 -3,75 -0,17 0,18 0,30 9,17 6,59 6,32 -0,27 -4,44 -8,10 -0,39 - 0,45 -0,04 24,78 9,90 16,84 0,07 -9,63 -3,09 -1,50 - 0,47 0,41 15,76 32,35 18,78 -5,95 -55,57 0,18 0,51 0,16 -0,72 11,31 25,90 103,51 -0,74 -1,24 -3,34 0,56 0,89 0,75 30,43 53,60 37,06 0,07 -0,45 -0,12 0,43 0,18 -0,45 140,10 141,20 155,95 -15,21 -12,78 -1,29 0,01 0,10 0,09 16,11 15,31 14,31 -0,87 -2,94 -2,12 -0,05 - 0,13 -0,07 10,93 10,49 10,16 -0,45 -1,62 -1,77 -0,04 - 0,08 -0,03 10,67 10,35 10,16 0,03 -0,55 0,79 -0,03 - 0,05 -0,02 14,59 13,77 12,96 -0,08 -0,02 0,80 -0,06 - 0,13 -0,06 9,43 8,77 8,20 -17,25 -25,40 -6,41 -0,08 - 0,15 -0,07 8,17 7,69 25,55 -4,64 -10,91 0,45 -0,06 0,68 0,70 10,68 8,03 9,25 -2,04 -4,25 -6,26 -0,33 - 0,15 0,13 11,15 11,14 13,24 0,05 -5,16 -4,27 0,00 0,16 0,16 112 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 52,31 21,97 17,09 -1,00 -16,23 -0,59 -1,38 - 2,06 -0,29 6,93 11,64 24,21 -6,81 -0,32 -1,99 0,40 0,71 0,52 17,18 25,19 23,82 -1,62 -0,11 0,17 0,32 0,28 -0,06 17,48 9,31 10,67 0,21 -0,22 -1,07 -0,88 - 0,64 0,13 29,06 28,02 28,80 -0,78 -1,44 -0,60 -0,04 - 0,01 0,03 11,41 11,19 9,39 0,20 -2,32 -0,44 -0,02 - 0,21 -0,19 55,35 63,58 66,27 -2,66 -1,98 -6,99 0,13 0,16 0,04 78,90 75,79 84,12 -1,26 -24,17 -0,39 -0,04 0,06 0,10 93,18 77,40 76,99 -6,87 -2,15 -0,93 -0,20 - 0,21 -0,01 13,59 12,09 10,65 -0,05 -0,82 -1,38 -0,12 - 0,28 -0,13 9,74 10,17 10,71 0,19 -1,09 -0,29 0,04 0,09 0,05 10,41 10,91 11,98 0,26 0,07 0,17 0,05 0,13 0,09 7,92 8,38 72,49 0,22 -0,50 -5,15 0,05 0,89 0,88 17,18 11,21 14,39 -0,02 -7,09 -4,10 -0,53 - 0,19 0,22 165,07 27,52 26,42 -3,32 -0,81 -1,01 -5,00 - 5,25 -0,04 63,65 21,27 23,07 -3,04 -12,39 -1,16 -1,99 - 1,76 0,08 40,24 38,23 37,40 -1,01 -0,62 -0,34 -0,05 - 0,08 -0,02 112,41 14,59 34,55 -3,14 -0,82 -3,02 -6,71 - 2,25 0,58 54,32 38,41 43,36 0,02 -5,09 -11,52 -0,41 - 0,25 0,11 54,18 56,07 53,86 -0,93 -1,14 -0,74 0,03 - 0,01 -0,04 45,43 24,68 31,66 -5,43 -11,18 -2,98 -0,84 - 0,44 0,22 28,69 31,67 83,51 -4,87 -3,34 -13,01 0,09 0,66 0,62 23,15 73,61 6,95 0,21 -35,85 -2,74 0,69 - 2,33 -9,60 91,73 122,41 134,41 -2,04 -11,77 -5,73 0,25 0,32 0,09 10,22 16,10 14,19 -0,83 -26,94 -6,37 0,37 0,28 -0,13 7,38 8,03 9,35 0,29 -1,56 -1,44 0,08 0,21 0,14 8,38 9,19 19,79 0,10 -0,38 -3,85 0,09 0,58 0,54 16,99 14,80 14,00 0,11 -7,60 -4,25 -0,15 - 0,21 -0,06 79,73 38,09 40,14 -11,39 -10,80 -2,61 -1,09 - 0,99 0,05 113 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 45,65 48,12 140,14 0,18 -4,17 -2,10 0,05 0,67 0,66 42,59 45,41 46,15 -9,62 -8,79 -15,12 0,06 0,08 0,02 29,54 32,63 202,53 -44,84 -1,96 -4,89 0,09 0,85 0,84 60,20 260,89 220,08 0,01 -6,93 0,66 0,77 0,73 -0,19 193,23 193,19 231,55 -0,03 -0,14 -0,98 0,00 0,17 0,17 180,54 181,36 88,48 -0,12 -11,35 -3,82 0,00 - 1,04 -1,05 241,62 72,69 58,56 -3,05 -16,79 -5,55 -2,32 - 3,13 -0,24 92,47 71,59 194,37 -5,55 -33,09 0,52 -0,29 0,52 0,63 147,81 187,77 268,41 0,10 -7,14 -2,26 0,21 0,45 0,30 220,00 231,46 194,94 -1,65 -7,34 -1,29 0,05 - 0,13 -0,19 171,76 160,65 150,36 -1,93 -3,67 -14,06 -0,07 - 0,14 -0,07 107,30 161,73 113,95 -1,98 -4,99 0,20 0,34 0,06 -0,42 205,08 75,38 205,07 -0,01 -21,01 0,56 -1,72 0,00 0,63 57,24 84,20 100,02 -0,20 -4,90 -1,94 0,32 0,43 0,16 169,68 61,88 275,49 -4,43 -222,59 -1,21 -1,74 0,38 0,78 160,14 189,45 89,69 -2,15 -33,11 -12,60 0,15 - 0,79 -1,11 174,88 89,20 97,10 -3,60 -25,42 -1,72 -0,96 - 0,80 0,08 111,37 40,42 34,84 -2,27 -2,77 -8,73 -1,76 - 2,20 -0,16 13,42 20,94 85,54 -3,59 -9,05 -5,85 0,36 0,84 0,76 35,52 223,67 86,01 0,11 -8,54 -5,96 0,84 0,59 -1,60 96,22 132,07 167,46 0,02 -18,21 -3,60 0,27 0,43 0,21 128,34 133,55 21,36 -7,24 -6,29 -4,02 0,04 - 5,01 -5,25 217,13 99,63 258,31 -5,36 -8,17 -3,33 -1,18 0,16 0,61 55,92 309,51 74,81 -0,63 -14,34 -3,13 0,82 0,25 -3,14 191,99 136,55 205,86 -5,68 -11,28 -2,22 -0,41 0,07 0,34 47,35 85,59 96,22 -0,97 -46,16 -2,52 0,45 0,51 0,11 102,24 128,05 86,18 -10,43 -9,72 -2,38 0,20 - 0,19 -0,49 77,55 89,47 50,18 -0,50 -22,69 -5,88 0,13 - 0,55 -0,78 206,79 91,95 207,48 -5,24 -8,30 -1,25 -1,25 0,00 0,56 92,83 154,27 83,88 -0,08 -14,80 -2,49 0,40 - 0,11 -0,84 64,96 182,96 139,20 -2,44 -0,14 -4,46 0,64 0,53 -0,31 151,86 196,71 101,82 -0,09 -10,42 -1,69 0,23 - 0,49 -0,93 178,98 23,62 20,48 0,01 -5,76 -4,81 -6,58 - 7,74 -0,15 49,65 48,21 45,81 -11,56 -29,77 -2,81 -0,03 - 0,08 -0,05 18,27 21,11 37,95 -1,09 -3,30 -3,76 0,13 0,52 0,44 15,22 12,74 14,31 0,44 -5,35 -1,97 -0,19 - 0,11 114 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 0,06 15,98 8,25 40,77 -5,46 -9,69 -5,00 -0,94 0,61 0,80 15,41 32,29 41,84 0,22 0,25 -1,76 0,52 0,63 0,23 15,72 72,05 59,97 -1,99 -18,34 -8,94 0,78 0,74 -0,20 126,54 59,77 86,41 -5,03 -3,87 -0,19 -1,12 - 0,46 0,31 113,39 175,91 295,26 -7,17 0,16 -17,42 0,36 0,62 0,40 94,27 247,14 96,13 -1,50 -9,23 -4,60 0,62 0,02 -1,57 97,18 134,20 129,70 -4,56 -4,04 -0,58 0,28 0,25 -0,03 118,13 138,98 108,93 -5,42 -1,02 -3,33 0,15 - 0,08 -0,28 127,87 178,99 203,09 -0,26 -6,71 -8,99 0,29 0,37 0,12 58,54 75,70 166,66 0,53 -22,66 0,52 0,23 0,65 0,55 117,87 152,52 134,87 -15,66 -6,51 -6,18 0,23 0,13 -0,13 167,05 84,32 95,29 -1,50 -7,63 -3,00 -0,98 - 0,75 0,12 50,06 46,19 68,64 -5,62 -5,39 -4,07 -0,08 0,27 0,33 53,20 119,08 44,00 0,03 -7,99 -1,96 0,55 - 0,21 -1,71 134,71 60,81 110,49 0,03 -3,20 -0,17 -1,22 - 0,22 0,45 18,41 141,39 26,08 0,57 -4,34 -8,81 0,87 0,29 -4,42 103,04 80,88 59,87 0,15 -6,31 -3,47 -0,27 - 0,72 -0,35 12,75 148,81 12,19 -0,25 0,19 -4,59 0,91 - 0,05 - 11,21 49,06 53,54 121,96 -3,23 0,09 -2,24 0,08 0,60 0,56 25,10 244,13 199,21 0,62 -8,53 0,22 0,90 0,87 -0,23 98,09 125,47 131,19 -1,82 -2,91 -0,59 0,22 0,25 0,04 92,74 108,67 110,26 -2,14 -2,02 0,14 0,15 0,16 0,01 201,66 210,79 110,68 -1,84 -52,38 -6,36 0,04 - 0,82 -0,90 126,28 94,47 121,28 -7,29 -2,71 -0,74 -0,34 - 0,04 0,22 108,33 120,96 140,60 -6,85 -1,83 -0,62 0,10 0,23 0,14 49,23 72,86 56,70 -1,76 -3,54 -1,48 0,32 0,13 -0,29 69,37 79,97 112,74 0,26 -17,73 -2,34 0,13 0,38 0,29 20,16 94,01 164,94 -7,79 -13,63 -0,67 0,79 0,88 0,43 116,52 133,28 167,30 -4,08 -0,03 -0,12 0,13 0,30 0,20 68,91 162,76 58,87 -75,33 -218,51 -0,68 0,58 - 0,17 -1,76 121,13 75,37 117,95 -28,71 -0,79 -1,89 -0,61 - 0,03 0,36 76,40 61,99 81,61 -2,05 -29,60 -0,84 -0,23 0,06 0,24 69,75 76,35 72,18 -6,87 -21,21 -1,63 0,09 0,03 -0,06 37,79 36,66 29,00 0,06 -2,33 -0,01 -0,03 - 0,30 -0,26 13,42 6,60 10,11 -1,76 -1,67 -1,48 -1,03 - 0,33 0,35 115 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 12,88 11,57 10,65 0,07 -0,39 -0,24 -0,11 - 0,21 -0,09 6,27 17,54 9,17 -6,02 -52,11 -2,09 0,64 0,32 -0,91 11,51 10,02 7,67 -0,77 -5,09 -8,13 -0,15 - 0,50 -0,31 6,53 24,39 75,92 -2,10 -6,65 -1,79 0,73 0,91 0,68 15,84 67,66 169,24 -0,98 -5,80 -1,82 0,77 0,91 0,60 90,93 112,65 130,84 -0,21 -0,72 -4,57 0,19 0,31 0,14 63,01 72,37 100,28 0,16 -4,57 0,34 0,13 0,37 0,28 57,49 55,56 153,76 -22,24 -11,65 -2,67 -0,03 0,63 0,64 81,91 90,00 143,32 -14,03 -7,35 0,17 0,09 0,43 0,37 90,79 79,19 78,87 -10,49 -2,20 -0,16 -0,15 - 0,15 0,00 104,82 91,29 162,92 -0,75 -2,16 0,04 -0,15 0,36 0,44 150,70 81,95 84,39 -2,06 -12,51 -18,32 -0,84 - 0,79 0,03 19,49 14,41 10,70 0,36 -8,19 -0,19 -0,35 - 0,82 -0,35 15,46 10,78 134,28 -121,73 -2,40 0,37 -0,43 0,88 0,92 50,11 174,23 68,41 -3,63 -5,92 0,66 0,71 0,27 -1,55 105,79 98,32 112,76 -1,01 -0,03 0,65 -0,08 0,06 0,13 76,99 71,03 179,61 -0,22 -2,31 -0,12 -0,08 0,57 0,60 75,68 83,35 98,90 0,00 -6,03 -0,22 0,09 0,23 0,16 114,37 84,95 100,13 -3,75 -2,25 0,38 -0,35 - 0,14 0,15 91,40 93,98 87,79 -41,51 -12,96 -1,10 0,03 - 0,04 -0,07 90,06 84,29 116,92 -1,53 0,44 0,82 -0,07 0,23 0,28 130,68 96,61 130,78 -1,89 -2,27 -0,09 -0,35 0,00 0,26 58,87 147,47 177,16 -8,34 -5,70 -0,28 0,60 0,67 0,17 79,99 109,08 92,40 -2,28 -5,57 -1,64 0,27 0,13 -0,18 117,02 116,95 116,88 -5,66 -4,81 -0,35 0,00 0,00 0,00 212,53 212,43 212,45 -18,44 -12,35 -1,37 0,00 0,00 0,00 129,09 129,11 129,11 -1,75 -2,73 0,33 0,00 0,00 0,00 155,59 155,58 150,29 -11,83 -7,69 -0,46 0,00 - 0,04 -0,04 56,78 166,22 149,37 -1,99 -2,06 -1,92 0,66 0,62 -0,11 37,54 80,42 37,51 -2,95 -2,56 -7,74 0,53 0,00 -1,14 65,11 29,54 132,76 -0,50 -0,69 0,62 -1,20 0,51 0,78 46,12 128,33 141,34 -8,02 -5,53 -0,15 0,64 0,67 0,09 68,84 80,88 98,16 -0,36 -0,66 -0,08 0,15 0,30 0,18 120,74 80,88 57,96 -2,02 -2,59 -0,07 -0,49 - 1,08 -0,40 34,63 43,44 155,97 0,43 0,39 0,52 0,20 0,78 0,72 7,47 176,32 86,66 -4,26 -3,56 -0,78 0,96 0,91 -1,03 105,70 81,53 88,11 -1,41 -4,63 -1,06 -0,30 - 0,07 116 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 0,20 60,53 74,99 61,35 -0,47 -1,16 0,80 0,19 0,01 -0,22 44,61 27,39 63,67 -4,64 -1,31 -0,10 -0,63 0,30 0,57 117 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 10.5. Skill Score for RMSE (1-hour GHI) RMSE 0d (W/m2) RMSE 1d (W/m2) RMSE2d (W/m2) S0d S1d S2d S01 S02 S12 8,30 50,71 110,53 -0,05 -0,83 0,16 0,84 0,92 0,54 25,15 143,51 19,31 -0,69 -3,69 -0,06 0,82 -0,30 -6,43 48,77 124,23 120,03 -2,06 -5,15 -0,65 0,61 0,59 -0,04 0,41 9,65 13,84 11,13 0,09 0,16 -0,02 0,30 0,13 -0,24 14,29 10,22 14,24 -0,21 -0,02 -0,07 -0,40 0,00 0,28 7,95 20,01 12,03 -0,54 -0,62 -0,01 0,60 0,34 -0,66 42,98 15,98 11,25 -0,20 0,42 0,19 -1,69 -2,82 -0,42 25,16 23,94 25,19 -0,33 -0,51 -0,06 -0,05 0,00 0,05 29,11 21,04 22,11 -1,05 0,11 0,02 -0,38 -0,32 0,05 5,02 6,01 117,56 0,45 0,53 0,12 0,16 0,96 0,95 4,54 117,36 187,48 0,38 -2,31 0,02 0,96 0,98 0,37 100,99 172,46 95,28 -1,81 -4,29 0,04 0,41 -0,06 -0,81 171,64 76,59 47,30 -3,51 -0,87 0,17 -1,24 -2,63 -0,62 66,93 59,67 66,91 -0,28 0,01 0,42 -0,12 0,00 0,11 10,12 93,55 137,83 0,37 -1,11 0,26 0,89 0,93 0,32 68,07 134,73 95,78 -1,29 -2,02 0,20 0,49 0,29 -0,41 24,43 187,19 141,02 -1,46 -8,90 -0,76 0,87 0,83 -0,33 37,65 136,86 56,58 0,06 -1,41 0,40 0,72 0,33 -1,42 91,68 82,60 98,30 -0,64 -0,48 0,55 -0,11 0,07 0,16 80,77 121,32 121,30 -0,37 -0,99 0,52 0,33 0,33 0,00 30,87 30,74 38,90 -0,24 -0,26 -0,16 0,00 0,21 0,21 7,35 33,92 33,24 0,24 -4,33 -1,67 0,78 0,78 -0,02 54,07 66,05 99,27 -1,52 -1,29 -0,05 0,18 0,46 0,33 55,46 128,49 119,93 -0,21 -0,74 0,48 0,57 0,54 -0,07 31,68 108,17 169,03 0,05 -1,47 0,31 0,71 0,81 0,36 78,76 147,71 146,84 -0,52 -1,81 0,27 0,47 0,46 -0,01 90,56 88,53 83,80 -1,98 -1,27 0,02 -0,02 -0,08 -0,06 139,54 145,37 120,43 -1,66 -1,95 0,31 0,04 -0,16 -0,21 155,89 155,85 78,56 -1,78 -1,80 0,27 0,00 -0,98 -0,98 119,85 109,86 53,53 -1,24 -1,17 0,28 -0,09 -1,24 -1,05 95,92 42,71 68,34 -1,20 0,12 0,24 -1,25 -0,40 0,38 74,96 23,53 26,08 -2,97 0,06 -0,34 -2,19 -1,87 0,10 -0,31 6,97 73,30 25,93 -0,90 -3,66 -0,74 0,90 0,73 -1,83 125,58 25,22 150,87 -2,43 0,09 0,12 -3,98 0,17 0,83 37,18 142,32 61,83 -1,19 -4,36 -0,24 0,74 0,40 -1,30 60,32 58,85 105,48 -1,04 -1,21 0,09 -0,02 0,43 0,44 79,00 63,70 192,79 -0,50 -0,27 0,36 -0,24 0,59 0,67 66,37 103,93 77,28 -0,23 -0,91 0,48 0,36 0,14 -0,34 42,60 137,75 242,30 -1,94 -5,54 -0,69 0,69 0,82 0,43 118 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 34,25 233,72 127,02 -0,57 -4,49 0,08 0,85 0,73 -0,84 80,54 85,85 165,38 -1,37 -1,76 0,09 0,06 0,51 0,48 128,18 69,08 56,18 -0,83 -0,41 0,47 -0,86 -1,28 -0,23 26,59 21,30 5,55 0,06 -0,75 -0,13 -0,25 -3,79 -2,84 8,88 27,99 57,99 0,40 -1,26 -0,36 0,68 0,85 0,52 8,67 63,58 53,80 0,58 -1,14 -0,22 0,86 0,84 -0,18 68,37 43,79 86,52 0,03 0,17 0,45 -0,56 0,21 0,49 33,72 72,20 51,35 0,06 -0,28 0,33 0,53 0,34 -0,41 49,23 82,80 79,71 0,08 0,16 0,99 0,41 0,38 -0,04 40,14 35,24 67,10 0,04 0,08 0,97 -0,14 0,40 0,47 28,20 75,64 26,35 0,10 0,12 0,95 0,63 -0,07 -1,87 37,05 11,77 13,09 0,15 0,37 0,90 -2,15 -1,83 0,10 10,09 9,80 65,12 0,25 0,36 0,86 -0,03 0,85 0,85 6,24 54,02 30,86 0,18 -0,24 0,80 0,88 0,80 -0,75 36,90 37,30 45,68 -0,22 -0,16 0,68 0,01 0,19 0,18 106,61 31,71 102,87 -0,23 -0,02 0,68 -2,36 -0,04 0,69 48,56 202,13 137,67 -0,33 -0,82 0,67 0,76 0,65 -0,47 155,84 169,46 170,39 -1,01 -0,72 0,59 0,08 0,09 0,01 105,53 132,58 110,10 -0,11 -2,83 0,49 0,20 0,04 -0,20 127,05 116,00 64,18 -1,06 -1,21 0,39 -0,10 -0,98 -0,81 150,37 147,66 57,57 -0,53 -0,48 0,57 -0,02 -1,61 -1,56 109,62 81,42 200,86 -0,01 -0,02 0,97 -0,35 0,45 0,59 69,11 254,34 36,72 0,23 -0,16 0,93 0,73 -0,88 -5,93 161,77 127,86 167,88 -0,14 0,10 0,89 -0,27 0,04 0,24 67,89 37,45 130,75 0,28 0,16 0,76 -0,81 0,48 0,71 68,28 84,82 77,39 -0,40 -0,60 0,54 0,19 0,12 -0,10 36,85 138,74 22,24 -0,61 -1,20 0,50 0,73 -0,66 -5,24 111,96 46,34 81,29 -1,38 -0,58 0,44 -1,42 -0,38 0,43 220,27 208,27 203,20 -1,84 -1,59 0,38 -0,06 -0,08 -0,02 171,16 198,64 77,88 -1,82 -1,53 0,32 0,14 -1,20 -1,55 277,77 146,45 203,31 -2,10 -0,99 0,37 -0,90 -0,37 0,28 143,65 134,67 194,07 -1,41 -0,98 0,23 -0,07 0,26 0,31 77,91 65,54 252,34 -0,77 -0,85 0,32 -0,19 0,69 0,74 110,14 282,73 163,49 -0,62 -2,65 0,40 0,61 0,33 -0,73 206,04 137,06 124,13 -1,20 -0,78 0,43 -0,50 -0,66 -0,10 116,81 95,78 131,91 -0,71 -0,83 0,40 -0,22 0,11 0,27 117,18 65,72 55,68 -1,14 -0,10 0,22 -0,78 -1,10 -0,18 122,13 124,42 167,84 -0,28 -0,49 0,50 0,02 0,27 0,26 163,52 144,36 246,40 -0,12 -0,17 0,63 -0,13 0,34 0,41 272,83 273,95 191,70 -2,45 -2,31 0,33 0,00 -0,42 -0,43 90,29 116,90 92,65 0,23 0,01 0,61 0,23 0,03 -0,26 164,97 82,06 99,66 -1,05 -0,34 0,37 -1,01 -0,66 0,18 119,88 83,61 101,73 -0,16 -0,10 0,50 -0,43 -0,18 0,18 72,93 57,19 216,70 -1,06 -0,21 0,23 -0,28 0,66 0,74 125 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 25,65 115,65 133,15 -0,30 -2,09 0,12 0,78 0,81 0,13 49,28 76,17 95,61 -1,61 -1,98 -0,02 0,35 0,48 0,20 0,55 100,12 77,55 31,84 -1,63 -1,40 0,23 -0,29 -2,14 -1,44 34,41 43,15 142,66 -0,26 -0,57 0,11 0,20 0,76 0,70 7,23 173,61 69,11 -0,09 -2,92 0,24 0,96 0,90 -1,51 89,86 54,82 76,21 -1,60 -0,55 0,28 -0,64 -0,18 0,28 36,18 63,43 46,26 -0,36 -0,94 0,20 0,43 0,22 -0,37 126 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 10.1. Skill Score for RMSE (daily GHI daily) RMSE 0d (kWh/m2) RMSE 1d (kWh/m2) RMSE2d (kWh/m2) S0d S1d S2d 0,04 0,50 1,29 0,92 0,97 0,61 0,05 1,79 0,24 0,97 0,80 -6,46 0,12 0,19 0,15 0,34 0,17 -0,27 0,17 0,10 0,11 -0,73 -0,54 0,11 0,03 0,25 0,05 0,87 0,42 -3,63 0,43 0,06 0,13 -6,18 -2,43 0,52 0,24 0,10 0,35 -1,29 0,32 0,70 0,05 0,24 0,25 0,79 0,81 0,07 0,06 0,08 1,48 0,22 0,96 0,95 0,04 1,21 2,36 0,97 0,98 0,49 1,03 2,30 0,88 0,55 -0,17 -1,62 2,32 0,69 0,29 -2,37 -6,91 -1,35 0,48 0,65 0,46 0,27 -0,04 -0,43 0,11 1,12 1,58 0,90 0,93 0,29 0,06 1,56 0,86 0,96 0,93 -0,82 0,05 2,51 1,78 0,98 0,97 -0,41 0,31 1,56 0,20 0,80 -0,57 -6,97 0,46 0,54 1,13 0,14 0,59 0,53 0,68 1,40 1,40 0,51 0,51 0,00 0,28 0,27 0,27 -0,01 -0,03 -0,01 0,03 0,24 0,32 0,89 0,92 0,24 0,05 0,11 1,06 0,52 0,95 0,90 0,31 1,38 1,40 0,78 0,78 0,02 0,19 1,05 1,84 0,82 0,90 0,43 0,80 1,34 1,56 0,40 0,49 0,14 0,21 1,04 0,68 0,80 0,69 -0,52 1,79 1,93 1,26 0,08 -0,42 -0,53 1,62 1,61 0,64 -0,01 -1,51 -1,49 0,97 0,76 0,44 -0,29 -1,20 -0,71 1,10 0,04 0,96 -24,21 -0,14 0,95 0,00 0,92 0,37 1,00 1,00 -1,52 1,34 0,01 1,63 -114,16 0,18 0,99 0,16 1,76 0,70 0,91 0,77 -1,51 0,12 0,33 1,20 0,63 0,90 0,72 0,12 0,33 2,74 0,65 0,96 0,88 0,02 1,38 0,04 0,99 0,61 -34,38 0,65 1,81 3,30 0,64 0,80 0,45 127 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 0,47 3,10 1,08 0,85 0,56 -1,86 0,87 1,15 2,21 0,25 0,61 0,48 1,26 0,46 0,44 -1,71 -1,87 -0,06 0,37 0,31 0,03 -0,18 -10,22 -8,52 0,11 0,40 0,67 0,73 0,84 0,40 0,12 0,73 0,30 0,83 0,58 -1,44 0,65 0,49 0,58 -0,32 -0,12 0,15 0,12 0,14 0,39 0,16 0,70 0,64 0,03 0,68 0,62 0,96 0,95 -0,10 0,02 0,07 0,57 0,68 0,96 0,88 0,37 0,71 0,29 0,48 -0,28 -1,46 0,54 0,08 0,12 -5,90 -3,49 0,35 0,04 0,00 0,52 -60,64 0,92 1,00 0,07 0,84 0,43 0,91 0,83 -0,97 0,09 0,13 0,43 0,31 0,80 0,71 1,12 0,49 1,35 -1,29 0,17 0,64 0,71 2,38 1,42 0,70 0,50 -0,68 2,14 2,09 2,32 -0,02 0,08 0,10 0,08 0,04 0,06 -0,71 -0,19 0,30 0,85 0,32 0,32 -1,66 -1,64 0,01 0,99 0,86 0,15 -0,15 -5,67 -4,79 0,55 0,44 2,43 -0,25 0,77 0,82 0,84 3,44 0,01 0,76 -101,50 -417,99 2,03 1,24 1,96 -0,64 -0,04 0,37 0,87 0,02 1,18 -39,93 0,26 0,98 0,75 0,55 0,94 -0,36 0,20 0,41 0,38 1,81 0,30 0,79 -0,26 -4,97 2,67 1,66 1,89 -0,61 -0,41 0,12 2,26 2,29 0,78 0,01 -1,91 -1,95 3,15 1,16 1,62 -1,70 -0,94 0,28 1,15 0,24 1,26 -3,89 0,09 0,81 0,98 0,07 3,34 -12,95 0,71 0,98 0,64 3,39 0,67 0,81 0,05 -4,03 1,60 1,33 0,85 -0,20 -0,88 -0,57 0,74 0,69 1,68 -0,08 0,56 0,59 1,17 0,35 0,01 -2,34 -94,78 -27,64 0,53 0,53 1,25 -0,01 0,57 0,58 1,34 0,85 2,91 -0,57 0,54 0,71 3,68 3,55 2,26 -0,04 -0,63 -0,57 0,39 0,75 0,92 0,48 0,57 0,19 1,26 0,27 1,30 -3,60 0,03 0,79 0,48 0,90 1,13 0,47 0,57 0,20 0,18 0,20 2,43 0,06 0,92 0,92 128 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 0,33 3,04 1,50 0,89 0,78 -1,02 2,46 1,90 3,85 -0,30 0,36 0,51 1,51 3,36 3,21 0,55 0,53 -0,05 1,35 1,03 2,56 -0,31 0,47 0,60 1,61 0,52 1,47 -2,12 -0,10 0,65 0,48 0,84 3,10 0,44 0,85 0,73 0,01 2,70 1,73 1,00 1,00 -0,56 0,73 3,62 2,02 0,80 0,64 -0,79 0,77 0,19 1,64 -2,98 0,53 0,88 0,15 1,19 0,41 0,87 0,63 -1,91 0,79 3,70 2,75 0,79 0,71 -0,34 1,51 2,26 2,69 0,33 0,44 0,16 1,70 3,49 0,62 0,51 -1,74 -4,63 0,97 2,45 0,26 0,61 -2,68 -8,37 0,71 2,70 0,26 0,74 -1,66 -9,18 2,57 0,81 0,92 -2,17 -1,80 0,11 0,62 0,62 0,63 0,00 0,01 0,01 1,00 1,20 0,78 0,17 -0,29 -0,55 0,60 0,53 0,74 -0,14 0,19 0,29 1,94 0,98 0,29 -0,97 -5,65 -2,37 1,64 1,60 1,59 -0,02 -0,03 -0,01 2,48 2,26 0,23 -0,10 -10,00 -9,02 3,07 0,14 2,39 -20,72 -0,28 0,94 1,06 4,51 2,77 0,77 0,62 -0,63 0,75 1,77 1,83 0,57 0,59 0,03 1,23 1,86 1,46 0,34 0,16 -0,28 1,45 3,87 1,87 0,62 0,22 -1,07 2,51 3,50 4,80 0,28 0,48 0,27 2,57 1,65 0,29 -0,56 -7,99 -4,76 1,00 0,92 1,21 -0,09 0,17 0,24 1,50 1,08 2,15 -0,39 0,30 0,50 0,07 0,89 2,67 0,92 0,97 0,67 2,21 1,19 2,17 -0,85 -0,02 0,45 0,76 3,21 0,34 0,76 -1,21 -8,30 0,37 0,04 0,78 -9,14 0,52 0,95 1,07 3,30 2,60 0,68 0,59 -0,27 3,76 2,92 1,03 -0,29 -2,64 -1,82 3,56 0,13 1,78 -25,79 -0,99 0,93 0,15 2,33 3,43 0,93 0,96 0,32 1,45 1,18 2,30 -0,23 0,37 0,49 3,89 3,68 1,99 -0,06 -0,96 -0,85 2,35 0,15 2,32 -15,14 -0,01 0,94 0,04 3,33 1,58 0,99 0,97 -1,10 2,01 0,70 1,37 -1,88 -0,46 0,49 0,42 3,30 1,67 0,87 0,75 -0,97 129 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 2,47 3,95 2,13 0,37 -0,16 -0,86 2,69 1,14 1,62 -1,36 -0,67 0,29 0,59 1,73 1,33 0,66 0,56 -0,30 1,47 1,93 4,29 0,24 0,66 0,55 3,20 1,15 0,52 -1,77 -5,13 -1,21 1,37 0,00 1,27 -413,80 -0,08 1,00 1,43 2,90 0,07 0,51 -19,32 -40,15 0,80 1,74 1,60 0,54 0,50 -0,09 2,49 1,87 0,91 -0,33 -1,72 -1,04 0,81 1,43 0,17 0,44 -3,70 -7,33 1,57 0,25 3,62 -5,31 0,57 0,93 1,51 1,20 0,17 -0,26 -8,12 -6,27 1,32 0,10 0,06 -11,98 -21,86 -0,76 0,44 0,46 0,47 0,03 0,07 0,03 0,20 0,22 0,25 0,07 0,20 0,14 0,12 0,08 1,40 -0,46 0,91 0,94 0,27 1,30 3,82 0,79 0,93 0,66 2,99 4,59 1,62 0,35 -0,85 -1,84 0,22 2,64 2,39 0,92 0,91 -0,11 1,93 2,88 0,41 0,33 -3,68 -6,00 1,93 0,29 1,30 -5,58 -0,48 0,78 0,36 1,20 0,50 0,70 0,29 -1,40 0,99 3,29 3,02 0,70 0,67 -0,09 1,32 1,33 0,40 0,01 -2,30 -2,32 0,02 0,95 0,07 0,98 0,76 -12,96 1,16 0,06 0,19 -19,79 -5,09 0,71 0,05 0,27 2,17 0,81 0,98 0,87 0,17 2,45 0,05 0,93 -2,43 -49,22 2,37 0,36 0,26 -5,54 -8,17 -0,40 0,60 0,53 1,56 -0,12 0,62 0,66 0,94 0,40 1,23 -1,34 0,23 0,67 0,46 1,55 0,93 0,71 0,51 -0,67 0,27 1,04 1,44 0,74 0,81 0,28 1,46 1,36 0,68 -0,07 -1,15 -1,01 0,50 0,50 0,42 0,00 -0,18 -0,18 0,76 0,49 0,81 -0,53 0,06 0,39 0,02 0,02 0,02 -0,05 0,06 0,11 0,24 0,24 0,24 -0,01 -0,01 0,00 0,05 0,05 0,05 -0,01 -0,01 0,00 0,01 0,01 0,59 0,02 0,98 0,98 0,14 0,25 0,20 0,44 0,29 -0,27 0,11 0,52 0,72 0,79 0,85 0,27 0,11 0,01 0,50 -8,46 0,77 0,98 130 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 0,00 1,24 1,44 1,00 1,00 0,14 0,09 0,31 0,02 0,71 -2,84 -12,10 1,86 0,15 0,43 -11,18 -3,34 0,64 0,11 0,10 0,09 -0,05 -0,13 -0,08 0,15 0,14 0,20 -0,05 0,26 0,30 0,21 0,21 0,22 0,03 0,07 0,04 0,15 0,14 0,13 -0,07 -0,14 -0,06 0,30 0,29 0,28 -0,03 -0,07 -0,04 0,24 0,23 0,22 -0,05 -0,09 -0,04 0,19 0,18 0,97 -0,05 0,81 0,82 0,99 0,41 0,71 -1,43 -0,40 0,43 1,04 0,15 0,32 -6,16 -2,30 0,54 0,21 0,55 0,54 0,61 0,60 -0,02 0,49 0,45 0,04 -0,11 -11,15 -9,96 0,87 1,05 1,00 0,17 0,13 -0,05 0,03 0,21 1,16 0,88 0,98 0,82 0,16 1,36 0,65 0,88 0,75 -1,11 1,05 0,21 0,92 -3,99 -0,14 0,77 0,11 0,17 0,00 0,34 -33,85 -51,64 0,05 0,04 0,02 -0,28 -1,20 -0,72 0,21 0,14 0,15 -0,57 -0,46 0,07 0,26 0,57 0,13 0,54 -0,98 -3,29 0,16 0,21 1,04 0,26 0,85 0,79 0,39 0,75 0,46 0,48 0,16 -0,62 0,25 0,24 0,22 -0,07 -0,18 -0,10 0,08 0,06 0,04 -0,35 -1,10 -0,56 0,06 0,04 0,02 -0,52 -2,29 -1,16 0,20 0,18 0,16 -0,12 -0,27 -0,14 0,09 0,06 0,04 -0,35 -1,04 -0,51 0,06 0,04 0,42 -0,52 0,85 0,90 0,11 0,01 0,06 -10,53 -0,75 0,85 0,82 0,34 0,25 -1,37 -2,27 -0,38 0,06 0,11 0,40 0,49 0,86 0,72 0,28 0,37 0,34 0,24 0,17 -0,09 0,23 0,08 0,09 -1,66 -1,65 0,01 0,24 0,15 0,16 -0,61 -0,55 0,03 131 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 0,11 0,09 0,05 -0,23 -1,05 -0,66 0,39 0,53 0,15 0,26 -1,55 -2,47 0,08 0,04 0,43 -1,01 0,82 0,91 0,55 0,40 0,36 -0,40 -0,53 -0,09 0,21 0,18 0,15 -0,17 -0,43 -0,22 0,04 0,07 0,10 0,44 0,60 0,29 0,08 0,11 0,15 0,27 0,44 0,23 0,04 0,07 0,96 0,49 0,96 0,93 0,23 0,11 0,16 -1,08 -0,44 0,31 0,95 0,34 0,38 -1,76 -1,49 0,10 1,07 0,09 0,52 -11,50 -1,08 0,83 0,65 0,26 0,13 -1,49 -4,02 -1,02 0,13 0,11 0,15 -0,19 0,12 0,26 0,73 0,38 0,47 -0,94 -0,54 0,20 0,26 0,16 1,23 -0,69 0,79 0,87 0,33 1,21 0,09 0,72 -2,54 -11,83 0,19 1,20 1,49 0,84 0,87 0,19 0,06 0,21 0,17 0,74 0,67 -0,26 0,03 0,07 0,12 0,58 0,74 0,37 0,06 0,10 0,32 0,43 0,81 0,68 0,25 0,20 0,11 -0,22 -1,31 -0,90 1,05 0,56 0,60 -0,86 -0,74 0,06 0,34 0,26 1,64 -0,33 0,79 0,84 0,55 0,57 0,63 0,03 0,12 0,10 0,38 0,36 2,79 -0,05 0,86 0,87 0,25 2,69 2,53 0,91 0,90 -0,06 1,77 1,80 2,01 0,01 0,12 0,11 2,19 2,21 0,23 0,01 -8,65 -8,76 2,17 0,28 0,11 -6,84 -19,47 -1,61 0,14 0,21 1,71 0,31 0,92 0,88 0,79 1,77 3,17 0,56 0,75 0,44 2,45 2,19 1,22 -0,12 -1,01 -0,79 0,32 1,22 0,32 0,74 0,00 -2,88 1,59 0,27 1,65 -4,99 0,03 0,84 0,46 0,91 0,54 0,50 0,16 -0,67 1,79 0,37 3,39 -3,89 0,47 0,89 132 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 0,68 1,99 0,21 0,66 -2,25 -8,56 1,35 0,82 1,00 -0,64 -0,34 0,18 1,36 0,54 0,50 -1,52 -1,72 -0,08 0,12 0,30 1,20 0,61 0,90 0,75 0,50 2,46 1,16 0,80 0,57 -1,11 1,16 1,76 1,86 0,34 0,38 0,06 1,74 1,66 0,23 -0,05 -6,48 -6,14 1,55 0,72 3,22 -1,15 0,52 0,78 0,46 4,15 0,58 0,89 0,22 -6,15 1,90 1,42 1,78 -0,34 -0,07 0,20 0,59 1,21 1,37 0,51 0,57 0,12 1,06 1,44 0,87 0,27 -0,22 -0,66 0,74 0,76 0,32 0,03 -1,32 -1,38 2,14 1,06 2,20 -1,01 0,02 0,52 1,13 1,80 1,22 0,37 0,07 -0,48 0,85 2,13 1,67 0,60 0,49 -0,28 1,38 1,56 1,00 0,12 -0,38 -0,56 2,03 0,29 0,20 -6,06 -9,04 -0,42 0,47 0,42 0,25 -0,11 -0,89 -0,70 0,28 0,33 0,58 0,14 0,52 0,44 0,19 0,14 0,22 -0,34 0,15 0,36 0,22 0,07 0,56 -1,88 0,62 0,87 0,21 0,49 0,62 0,57 0,66 0,22 0,23 0,92 0,86 0,75 0,73 -0,07 1,17 0,90 1,06 -0,30 -0,10 0,16 1,29 2,03 4,21 0,37 0,69 0,52 0,23 3,22 0,91 0,93 0,74 -2,56 0,49 0,64 0,41 0,23 -0,20 -0,56 1,02 1,14 0,71 0,11 -0,43 -0,60 0,32 1,63 2,24 0,80 0,86 0,27 0,48 0,19 1,61 -1,60 0,70 0,88 1,11 0,95 0,56 -0,17 -0,99 -0,70 1,56 0,53 0,87 -1,94 -0,79 0,39 0,10 0,04 0,43 -1,33 0,77 0,90 0,44 1,35 0,05 0,68 -8,43 -28,17 1,30 0,61 0,30 -1,12 -3,35 -1,05 0,24 1,62 0,41 0,85 0,42 -2,99 0,36 0,47 0,03 0,24 -10,07 -13,55 0,05 1,64 0,02 0,97 -1,68 -83,84 0,29 0,47 1,44 0,38 0,80 0,68 0,35 3,30 2,51 0,89 0,86 -0,31 0,21 1,38 0,75 0,85 0,72 -0,82 0,49 0,47 1,00 -0,05 0,50 0,53 2,10 2,47 0,30 0,15 -6,08 -7,30 1,38 1,08 0,02 -0,27 -72,02 -56,29 133 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 0,07 0,86 1,16 0,92 0,94 0,26 0,25 0,62 0,48 0,60 0,47 -0,30 0,49 0,50 0,72 0,00 0,31 0,31 0,16 1,14 1,68 0,86 0,91 0,32 0,58 1,88 0,04 0,69 -12,41 -42,10 1,36 0,01 1,42 -102,57 0,04 0,99 0,45 0,70 1,05 0,36 0,57 0,33 0,28 0,73 0,64 0,61 0,56 -0,13 0,42 0,22 0,06 -0,90 -5,49 -2,41 0,16 0,03 0,13 -4,03 -0,25 0,75 0,16 0,12 0,12 -0,31 -0,39 -0,06 0,09 0,25 0,13 0,65 0,31 -0,99 0,15 0,08 0,03 -0,92 -4,31 -1,77 0,01 0,33 0,85 0,96 0,99 0,62 0,10 0,70 2,24 0,86 0,95 0,69 0,80 0,98 1,62 0,18 0,50 0,39 0,02 0,61 0,69 0,97 0,97 0,12 0,64 0,02 1,77 -41,48 0,64 0,99 0,06 0,96 0,25 0,93 0,74 -2,85 0,62 0,01 0,01 -118,39 -45,02 0,61 0,85 0,72 1,83 -0,19 0,54 0,61 1,72 0,52 0,71 -2,28 -1,42 0,26 0,14 0,16 0,05 0,14 -1,78 -2,25 0,07 0,04 1,25 -0,96 0,94 0,97 0,28 2,08 0,37 0,87 0,25 -4,68 0,22 0,80 1,34 0,72 0,83 0,41 0,76 0,75 2,07 -0,01 0,63 0,64 0,10 0,21 0,92 0,50 0,89 0,77 1,02 1,07 0,67 0,04 -0,54 -0,60 1,00 0,77 1,19 -0,30 0,16 0,35 1,42 0,33 1,43 -3,35 0,00 0,77 0,41 1,46 1,91 0,72 0,79 0,24 1,41 1,41 1,40 0,00 0,00 0,00 2,77 2,77 2,77 0,00 0,00 0,00 1,69 1,69 1,69 0,00 0,00 0,00 1,92 1,92 1,85 0,00 -0,04 -0,04 0,12 2,11 1,86 0,94 0,93 -0,13 0,18 0,11 0,23 -0,66 0,22 0,53 0,53 0,05 1,27 -9,09 0,58 0,96 134 Performance Evaluation of Short-Term Solar Radiation Forecasting Tool “HRForecast” 0,19 1,10 1,62 0,83 0,88 0,32 1,18 1,00 0,17 -0,18 -5,86 -4,83 0,49 0,60 1,68 0,19 0,71 0,64 0,10 2,03 0,57 0,95 0,83 -2,58 1,08 0,14 0,71 -6,73 -0,52 0,80 0,05 0,87 0,58 0,95 0,92 -0,50