ΠΡΟΒΛΕΨΕΙΣ ΕΝΕΡΓΕΙΑΚΗΣ ΠΑΡΑΓΩΓΗΣ ΑΝΕΜΟΓΕΝΝΗΤΡΙΩΝ ΜΕ ΤΗ ΧΡΗΣΗ ΜΕΘΟΔΩΝ ΜΗΧΑΝΙΚΗΣ ΜΑΘΗΣΗΣ ΚΑΙ ΜΕΤΑ-ΕΚΠΑΙΔΕΥΣΗΣ

Abstract

Η αιολική ενέργεια αποτελεί μια από τις πιο οικονομικές και δημοφιλείς ανανεώσιμες πηγές ενέργειας. Η μεταβλητότητα των χαρακτηριστικών του ανέμου δημιουργεί δυσκολίες για την βέλτιστη ενσωμάτωσή της στα δίκτυα ισχύος καθώς και για την συνολική διαχείρισή της. Για τον περιορισμό της μη σταθερότητας και των πιθανών μεταβλητών καταστάσεων ενεργειακής παραγωγής, απαιτούνται ευέλικτα μοντέλα πρόβλεψης παραγωγής ικανά να προσφέρουν αξιόπιστα αποτελέσματα σε εύρος χρονικού ορίζοντα και να συνεισφέρουν στην βελτιστοποίηση της ενεργειακής διαχείρισης και του προγραμματισμού. Επιπλέον, στην απελευθερωμένη αγορά ενέργειας η πρόβλεψη ενεργειακής παραγωγής από τις μονάδες αιολικής ενέργειας επωφελεί όλους τους συμμετέχοντες, προσφέροντας μεγαλύτερη ασφάλεια για τις βέλτιστες τιμές εκκαθάρισης των αγορών. Στην παρούσα διπλωματική εργασία προτείνεται η χρήση μεθόδων μηχανικής μάθησης για τη δημιουργία προβλεπτικών μοντέλων, που βασίζονται σε αριθμητικές προβλέψεις καιρού. Τα μοντέλα αυτά αποσκοπούν στο να παρέχουν ακριβείς και έγκαιρες πληροφορίες σχετικά με την αναμενόμενη ενεργειακή παραγωγή ενός αιολικού πάρκου το οποίο αποτελείται από 4 ανεμογεννήτριες. Στη συγκεκριμένη προσέγγιση, μέσα από την επεξεργασία και ανάλυση ιστορικών δεδομένων, παρουσιάζονται τα αποτελέσματα δοκιμής, σε διαφορετικά χρονικά πλαίσια, από 5 βασικά μοντέλα μηχανικής μάθησης : το LSTM, το Bi-LSTM, το GRU, τον αλγόριθμο Random Forest και το XGBoost. Αυτή η μελέτη προτείνει τη βελτίωση των αποτελεσμάτων μέσω της συνδυαστικής μεθόδου μέτα-μάθησης για τη βελτίωση των προβλέψεων. Χρησιμοποιούνται δυο μέτα-εκπαιδευτές: Meta-SVR, Meta-XGBoost και τα συνολικά αποτελέσματα συγκρίνονται σε διαφορετικούς χρονικούς ορίζοντες. Τα διαφορετικά αποτελέσματα των βασικών μεθόδων συνθέτονται ώστε να υπάρξει ενίσχυση στις γενικευμένες λύσεις. Τα αποτελέσματα δείχνουν πως υπάρχει σημαντική ενίσχυση με τη χρήση των μεθόδων μέτα-εκπαίδευσης στην ικανότητα γενίκευσης και στην απόδοση των μοντέλων. Μέσω της χρήσης αριθμητικών δεδομένων καιρού μπορεί να πραγματοποιηθεί αξιόπιστη πρόβλεψη αιολικής παραγωγής με βήματα πρόβλεψης τόσο 10 λεπτών όσο και ημερησίων.