Πιθανοτική βραχυπρόθεσμη πρόβλεψη παραγωγής από αιολικά και φωτοβολταϊκά συστήματα με τεχνικές μηχανικής μάθησης

Abstract

Η παρούσα διδακτορική διατριβή, αναπτύσσοντας πρωτότυπα μοντέλα πρόβλεψης της αιολικής και φωτοβολταϊκής παραγωγής, συμβάλλει στη διείσδυση της αιολικής και φωτοβολταϊκής παραγωγής στα συστήματα ηλεκτρικής ενέργειας. Αρχικά, παρουσιάζονται οι κατηγορίες μοντέλων πρόβλεψης που έχουν αναπτυχθεί ανά τα χρόνια για την επιτυχή και ακριβή πρόβλεψη από συστήματα αιολικής και φωτοβολταϊκής παραγωγής αλλά και οι βασικότεροι παράγοντες που επηρεάζουν την ακρίβεια της πρόβλεψης. Ιδιαίτερη έμφαση δίνεται στην ανάλυση των Τεχνητών Νευρωνικών Δικτύων, που στα πλαίσια εξέλιξης του κλάδου της μηχανικής μάθησης έχουν παίξει καθοριστικό ρόλο στη βελτίωση της απόδοσης των μοντέλων πρόβλεψης ενέργειας από Ανανεώσιμες Πηγές. Σε αυτό το πλαίσιο και εστιάζοντας στην κατανόηση της αβεβαιότητας που περιέχεται σε μια διαδικασία πρόβλεψης παραγωγής ενέργειας, προτείνεται ένα καινοτόμο, υβριδικό μοντέλο βραχυπρόθεσμης πρόβλεψης αιολικής παραγωγής, στηριζόμενο σε τεχνικές μηχανικής μάθησης. Ένας βελτιστοποιημένος αλγόριθμος σμήνους προσαρμόζεται και εφαρμόζεται στην προτεινόμενη μεθοδολογία για την βελτιστοποίηση των υπερπαραμέτρων της προτεινόμενης αρχιτεκτονικής. Το μοντέλο εφαρμόζεται σε πραγματικά δεδομένα αιολικών συστημάτων. Η αποτελεσματικότητα του μοντέλου αποδεικνύεται μέσω της σύγκρισης των αποτελεσμάτων που προκύπτουν με τελευταίας τεχνολογίας μοντέλα πιθανοτικής πρόβλεψης αιολικής παραγωγής. Στη συνέχεια, εστιάζοντας στην πρόβλεψη παραγωγής ενέργειας από φωτοβολταϊκά συστήματα, αναπτύσσεται ένα πρωτότυπο, υβριδικό μοντέλο βραχυπρόθεσμης, πιθανοτικής πρόβλεψης, κατάλληλο για την πρόβλεψη φωτοβολταϊκής παραγωγής. Ένας πολύπλοκος, βελτιωμένος αλγόριθμος τύπου σμήνους κοτόπουλων προσαρμόζεται στην αρχιτεκτονική του προτεινόμενου μοντέλου, καταφέρνοντας να βελτιώσει την απόδοσή του, αποφεύγοντας παράλληλα να επιβαρύνει το υπολογιστικό κόστος της μεθοδολογίας. Επιπλέον, ένας μηχανισμός θηράματος-θηρευτή ενσωματώνεται στο τελικό υβριδικό μοντέλο για να βελτιώσει εκ νέου τις δυνατότητες αναζήτησης του προτεινόμενου μοντέλου για τη βέλτιστη δυνατή πρόβλεψη. Το μοντέλο εφαρμόζεται σε πραγματικά δεδομένα φωτοβολταϊκών συστημάτων. Τα τελικά αποτελέσματα αναδεικνύουν, τόσο την ανωτερότητα του προτεινόμενου μοντέλου πρόβλεψης έναντι μοντέλων τελευταίας τεχνολογίας στα οποία εφαρμόστηκαν τα διαθέσιμα δεδομένα, όσο και τη δυνατότητα εφαρμογής του μοντέλου σε πραγματικά προβλήματα πρόβλεψης φωτοβολταϊκής παραγωγής. Συμπερασματικά, τα προτεινόμενα μοντέλα εισάγουν ένα καινοτόμο πλαίσιο μεθοδολογιών πιθανοτικής βραχυπρόθεσμης πρόβλεψης με υβριδικές μεθόδους μηχανικής μάθησης, που συμβάλλουν στη διείσδυση της αιολικής και φωτοβολταϊκής παραγωγής στα συστήματα ηλεκτρικής ενέργειας.