Υβριδικό Μοντέλο Βαθιάς Μάθησης Για Βραχυπρόθεσμη Πρόβλεψη Παραγωγής Φωτοβολταϊκών Και Εφαρμογή Στην Αγορά Ηλεκτρικής Ενέργειας

Abstract

Σκοπός της παρούσας διπλωματικής εργασίας είναι η βραχυπρόθεσμη πρόβλεψη φωτοβολταϊκής παραγωγής, μέσω της ανάπτυξης ενός υβριδικού μοντέλου βαθιάς μάθησης, και η εξέτασή του σε ένα πραγματικό πρόβλημα της αγοράς ηλεκτρικής ενέργειας. Το προτεινόμενο μοντέλο πρόβλεψης αποτελείται από μέθοδο αποσύνθεσης πακέτου κυματιδίων και αναδρομικά νευρωνικά δίκτυα μακράς βραχύχρονης μνήμης, διαθέτοντας χρονικό ορίζοντα πρόβλεψης μίας ώρας. Η εκπαίδευση και η αξιολόγηση του υβριδικού μοντέλου πραγματοποιούνται με ετήσια πραγματικά ιστορικά δεδομένα ενός φωτοβολταϊκού σταθμού στη Ροδόπη και διενεργούνται με τη μέθοδο επιτηρούμενης εκπαίδευσης. Στόχος του αναπτυσσόμενου μοντέλου πρόβλεψης αποτελεί η προσέγγιση της δοσμένης πραγματικής παραγόμενης ισχύος μέσω συσχέτισής της με μετρούμενα μετεωρολογικά μεγέθη. Η απόδοση του προτεινόμενου υβριδικού μοντέλου συγκρίνεται με αυτή άλλων κατασκευασμένων μοντέλων μέσω υπολογισμού κατάλληλων μετρητικών σφάλματος. Η ανάπτυξη του κώδικα για τη δημιουργία των μοντέλων πρόβλεψης φωτοβολταϊκής παραγωγής της παρούσας διπλωματικής εργασίας υλοποιείται στη γλώσσα προγραμματισμού Python. Για την ενδελεχή αξιολόγηση του μοντέλου πρόβλεψης διενεργείται πλήρης εποχική και μετεωρολογική ανάλυση, μέσω των οποίων διασαφηνίζονται τα ποιοτικά χαρακτηριστικά της διαδικασίας πρόβλεψης. Η παρούσα διπλωματική εργασία καινοτομεί με την εφαρμογή του προτεινόμενου υβριδικού μοντέλου σε μία ρεαλιστική διαδικασία πρόβλεψης στην αγορά ηλεκτρικής ενέργειας. Τα παραγόμενα αποτελέσματα υπόκεινται σε μηνιαία αξιολόγηση υπό το ρυθμιστικό πλαίσιο του μηχανισμού βέλτιστης ακρίβειας πρόβλεψης, μέσω της οποίας ποσοτικοποιείται η απόδοσή τους.