Βραχυπρόθεσμη Πρόβλεψη Φωτοβολταϊκής Παραγωγής με Χρήση Τεχνητών Νευρωνικών Δικτύων

Abstract

Η συνεχώς αυξανόμενη διείσδυση Ανανεώσιμων Πηγών Ενέργειας στα συστήματα ηλεκτρικής ενέργειας δημιουργεί νέες προκλήσεις, οι οποίες αφορούν διαφορετικές πτυχές του εκάστοτε συστήματος. Οι προκλήσεις αυτές πηγάζουν από την εγγενή μεταβλητότητα της παραγωγής από ανανεώσιμες πηγές, όπως η αιολική και η ηλιακή φωτοβολταϊκή παραγωγή. Τα τελευταία χρόνια, η φωτοβολταϊκή παραγωγή έχει παρουσιάσει σημαντική ανάπτυξη. Ωστόσο, η παραγωγή φωτοβολταϊκής ισχύος παραμένει μια στοχαστική διαδικασία, καθώς εξαρτάται σε μεγάλο βαθμό από την ηλιακή ακτινοβολία και άλλους ευμετάβλητους μετεωρολογικούς παράγοντες. Επομένως, η ακριβής πρόβλεψη της φωτοβολταϊκής παραγωγής αποτελεί ζήτημα ύψιστης σημασίας, καθώς είναι απαραίτητη για τη μαζική ενσωμάτωση της φωτοβολταϊκής παραγωγής. Το αντικείμενο της παρούσας διπλωματικής εργασίας είναι η βραχυπρόθεσμη και η πολύ βραχυπρόθεσμη πρόβλεψη της φωτοβολταϊκής παραγωγής με χρήση τεχνητών νευρωνικών δικτύων. Η πρόβλεψη της φωτοβολταϊκής παραγωγής πραγματοποιείται μέσω της κατασκευής και της εκπαίδευσης δύο διακριτών μοντέλων πρόβλεψης· κάθε μοντέλο πρόβλεψης αποτελούμενο από ένα νευρωνικό δίκτυο εμπρόσθιας τροφοδότησης. Το πρώτο μοντέλο πρόβλεψης είναι ένα στατικό πολυστρωματικό perceptron, το οποίο εκπαιδεύεται με τον αλγόριθμο της προς τα πίσω διάδοσης του σφάλματος, ενώ το δεύτερο μοντέλο εκπαιδεύεται με τον αλγόριθμο που εφαρμόζεται στις Μηχανές Ακραίας Μάθησης. Η διαδικασία εκπαίδευσης και αξιολόγησης των συγκεκριμένων μοντέλων απαιτεί κατάλληλα ιστορικά δεδομένα. Τα ιστορικά δεδομένα που χρησιμοποιούνται στην παρούσα διπλωματική εργασία περιλαμβάνουν μετρήσεις ισχύος καθώς και μετρήσεις διάφορων μετεωρολογικών παραγόντων. Οι μετρήσεις αυτές αφορούν δύο διαφορετικούς φωτοβολταϊκούς σταθμούς παραγωγής, ενώ δίνονται και για διαφορετική χρονική ανάλυση. Τα μοντέλα πρόβλεψης που υλοποιούνται διαθέτουν πληθώρα υπερπαραμέτρων, οι οποίες καθορίζουν σε μεγάλο βαθμό την απόδοσή τους. Για να βελτιωθεί η ακρίβεια των μοντέλων πρόβλεψης, αυτές οι υπερπαράμετροι πρέπει να ρυθμιστούν, καθώς η επιλογή της βέλτιστης διαμόρφωσης υπερπαραμέτρων επηρεάζει άμεσα την απόδοση των μοντέλων. Η αναζήτηση της βέλτιστης αυτής διαμόρφωσης πραγματοποιείται μέσω της διενέργειας δοκιμών για διαφορετικές διαμορφώσεις. Η απόδοση των βελτιστοποιημένων μοντέλων πρόβλεψης αξιολογείται με τη χρήση κατάλληλων δεικτών αξιολόγησης. Οι επιλεγμένοι δείκτες αξιολόγησης χρησιμοποιούνται, επίσης, για τη σύγκριση των αποτελεσμάτων που παράγονται από τα μοντέλα πρόβλεψης. Τα αποτελέσματα αυτά συγκρίνονται με βάση το χρησιμοποιούμενο μοντέλο πρόβλεψης, αλλά και βάσει του χρονικού ορίζοντα της παραγόμενης πρόβλεψης, ώστε να εξαχθούν συμπεράσματα αναφορικά με την απόδοση των μοντέλων και την επίδραση του χρονικού ορίζοντα στην ακρίβεια της πρόβλεψης. Τέλος, προτείνονται ορισμένες επεκτάσεις της παρούσας διπλωματικής εργασίας.