Solar power forecast is a much needed means for grid operators, particularly in residential microgrids, to manage the produced energy in a dispatchable fashion. Deterministic methods are unable to accurately forecast the intermittent solar power generation since they depend on unique sets of inputs and outputs. Therefore, stochastic methods and artificially intelligent (AI) strategies are utilized for solar power forecast. In this work, a neural network (NN)-based numerical weather prediction (NWP) model is developed for a residential microgrid in San Diego, California considering all key weather parameters such as cloud coverage, dew point, solar zenith angle, precipitation, humidity, temperature, and pressure in the year 2016. The developed weather model is then used to predict the generated power in the residential smart microgrid. To validate the accuracy of the model, the solar irradiance and generated solar power in the residential microgrid are predicted for the year 2017 using the obtained NN-based model. The results are compared with the actual solar irradiance and power in 2017 to evaluate and validate the accuracy of the developed model. Furthermore, to showcase the effectiveness of neural networks in forecasting solar power and the accuracy of the NN-based model, the results are compared with those of two other methods including multi-variable regression (MVR) and support vector machine (SVM) approaches using mean absolute percentage error (MAPE) and mean squared error (MSE) criteria.

太阳能发电预测是电网运营商（尤其是住宅微电网）以可调度方式管理所产生的能源的急需手段。确定性方法无法准确预测间歇性太阳能发电量，因为它们依赖于唯一的一组输入和输出。因此，将随机方法和人工智能（AI）策略用于太阳能发电预测。在这项工作中，针对加利福尼亚州圣地亚哥的住宅微电网，开发了基于神经网络（NN）的数值天气预报（NWP）模型，其中考虑了所有关键天气参数，例如云层覆盖，露点，太阳天顶角，降水，湿度，温度和压力（2016年）。然后使用开发的天气模型预测住宅智能微电网中的发电量。为了验证该模型的准确性，使用获得的基于NN的模型预测了2017年住宅微电网中的太阳辐照度和太阳能发电量。将结果与2017年的实际太阳辐照度和功率进行比较，以评估和验证开发模型的准确性。此外，为了展示神经网络在预测太阳能发电方面的有效性以及基于NN的模型的准确性，将结果与其他两种方法进行了比较，包括多变量回归（MVR）和支持向量机（SVM）方法，平均绝对百分比误差（MAPE）和均方误差（MSE）标准。将结果与2017年的实际太阳辐照度和功率进行比较，以评估和验证开发模型的准确性。此外，为了展示神经网络在预测太阳能发电方面的有效性以及基于NN的模型的准确性，将结果与其他两种方法进行了比较，包括多变量回归（MVR）和支持向量机（SVM）方法，平均绝对百分比误差（MAPE）和均方误差（MSE）标准。将结果与2017年的实际太阳辐照度和功率进行比较，以评估和验证开发模型的准确性。此外，为了展示神经网络在预测太阳能发电方面的有效性以及基于NN的模型的准确性，将结果与其他两种方法进行了比较，包括多变量回归（MVR）和支持向量机（SVM）方法，平均绝对百分比误差（MAPE）和均方误差（MSE）标准。