Σύγκριση Μεθόδων Πρόβλεψης Παραγωγής από Ανανεώσιμες Πηγές Ενέργειας

Abstract

Σκοπός της παρούσας διπλωματικής εργασίας είναι η σύγκριση διαφόρων μοντέλων μηχανικής μάθησης για την βραχυπρόθεσμη πρόβλεψη της παραγωγής ισχύος από Φωτοβολταϊκά (Φ/Β) και ανεμογεννήτριες. Όλα τα μοντέλα βασίζονται σε τεχνητά νευρωνικά δίκτυα, συγκεκριμένα συγκρίνονται νευρωνικά δίκτυα εμπρόσθιας τροφοδότησης, νευρωνικά δίκτυα με ανάδραση (NARX), καθώς και νευρωνικά δίκτυα μακράς βραχύχρονης μνήμης (LSTM). Η εκπαίδευση και η αξιολόγηση των μοντέλων πραγματοποιείται με πραγματικά δεδομένα Φ/Β και αιολικής παραγωγής, καθώς και μετρήσεις μετεωρολογικών δεδομένων. Για την εκπαίδευση των μοντέλων χρησιμοποιείται αλγόριθμος βελτιστοποίησης που βασίζεται στη μείωση της κλίσης, ενώ δύο από τα μοντέλα επανεκπαιδεύονται με τον αλγόριθμο βελτιστοποίησης σμήνους σωματιδίων (particle swarm optimization). Τα μοντέλα συγκρίνονται βάσει ικανότητας πρόβλεψης Φ/Β και αιολικής παραγωγής, χρησιμοποιώντας ένα σύνολο κατάλληλων μετρητικών αξιολόγησης, καθώς και βάσει της υπολογιστικής πολυπλοκότητάς τους. Η παρούσα διπλωματική εργασία καινοτομεί στην σύγκριση μοντέλων μηχανικής μάθησης, επεκτείνοντας την διαδικασία πρόβλεψης σε δύο διαφορετικές μεταβλητές (Φ/Β παραγωγή – αιολική παραγωγή), αλλά και εισάγοντας μεταευρετικούς αλγορίθμους βελτιστοποίησης και αρχιτεκτονικές βαθιάς μάθησης. Μέσω της αξιολόγησης και σύγκρισης των μοντέλων πρόβλεψης εξάγονται σημαντικά συμπεράσματα για τις ομοιότητες και τις διαφορές της Φ/Β και της αιολικής παραγωγής, καθώς και για τις αρχιτεκτονικές των νευρωνικών δικτύων και την ικανότητά τους στην βραχυπρόθεσμη πρόβλεψη παραγωγής ισχύος.