Πρόβλεψη Παραγωγής ΦωτοβολταΪκών με χρήση τεχνητών νευρωνικών δικτύων

Abstract

Οι ΑΠΕ διαδραματίζουν ολοένα και αποφασιστικότερο ρόλο στην παραγωγή ενέργειαςκαι στην λύση του ενεργειακού ζητήματος. Τα φωτοβολταϊκά συστήματα έχουν πρωταγωνιστικό ρόλο ανάμεσα στις τεχνολογίες ΑΠΕ, με πλεονεκτήματα που τα καθιστούν ιδιαίτερα ελκυστικά στη νέα απελευθερωμένη αγορά ηλεκτρικής ενέργειας και ειδικότερα στα πλαίσια της“πράσινης” ανάπτυξης που προωθείται παγκοσμίως. Ωστόσο, η στοχαστική φύση της παραγωγής τους, μας οδηγεί στην ανάγκη για δημιουργία ασφαλών προβλέψεων σχετικά με αυτή. Η πρόοδος των τεχνητών νευρωνικών δικτύων και οι εξαιρετικές επιδόσεις τους στον εντοπισμό συσχετισέων μεταξύ παρατηρήσεων και στις προβλέψεις ακολουθιών μας οδηγούν στην εφαρμογή ορισμένων αρχιτεκτονικών στο πρόβλημα που περιγράφηκε παραπάνω. Αντικείμενο της παρούσας διπλωματικής εργασίας είναι η δημιουργία βραχυπρόθεσμων προβλέψεων για τη χρονοσειρά παραγωγής φωτοβολταϊκών πάρκων. Οι προβλέψεις έχουν ορίζοντα 24 ωρών (day-ahead) και σκοπός της εργασίας είναι η σύγκριση των αποδόσεων διαφορετικών μοντέλων. Υλοποιούνται δυο στατιστικά μοντέλα, το μοντέλο παραμένουσας τιμής(Peristence) και ολοκληρωμένο αυτοπαλινδρομικό μοντέλο κινητού μέσου όρου (ARIMA). Ακόμα σχεδιάζονται και εκπαιδεύονται τρια βαθιά νευρωνικά δίκτυα. ́Ενα αναδρομικό νευρωνικό δίκτυο, συγκεκριμένα μακράς βραχέας μνήμης (LSTM), ένα μονοδιάστατο συνελικτικό νευρωνικό δίκτυο (CNN 1d) και τέλος ο συνδυασμός των παραπάνω αρχιτεκτονικών σε ένα τρίτο δίκτυο (CNN1d-LSTM). Η σχεδίαση των στατιστικών μοντέλων, καθώς και των νευρωνικών δικτύων, έγινε σε γλώσσα Python, έκδοση 3.7.4, με χρήση Keras, ενός high-level API της TensorFlow κατάλληλου για την κατασκευή και εκπαίδευση μοντέλων βαθιάς μάθησης. Για την σύγκριση των προβλέψεων υπολογίστηκε το Κανονικοποιημένο Μέσο Απόλυτο Σφάλμα(NMAE), σε συνολική και ανά ώρα τιμή.