Μέθοδοι Επαναδειγματοληψίας και Επαύξησης σε Εικόνες του Ουρανού για τη Βελτίωση της Ακρίβειας της Πολύ Βραχυπρόθεσμης Πρόβλεψης Φωτοβολταϊκής Παραγωγής

Abstract

Αντικείμενο της παρούσας διπλωματικής εργασίας αποτελεί η επαύξηση δεδομένων εικόνων του ουρανού με στόχο τη βελτίωση της ακρίβειας σε βραχυπρόθεσμες προβλέψεις φωτοβολταϊκής (Φ/Β) παραγωγής. Η πρόβλεψη βασίζεται στη χρήση Συνελικτικών Νευρωνικών Δικτύων (ΣΝΔ), τα οποία εκπαιδεύονται σε σύνολα εικόνων του ουρανού. Κίνητρο για τη μελέτη αυτή αποτελεί το γεγονός ότι, σε πραγματικά δεδομένα, ορισμένες καταστάσεις ουρανού, ιδιαίτερα εκείνες με έντονες διακυμάνσεις στην ηλιακή ακτινοβολία, υποεκπροσωπούνται, καθιστώντας το σύνολο δεδομένων ελλιπές ή μη ισορροπημένο. Σκοπός της εργασίας είναι η ανάπτυξη μιας μεθοδολογίας επεξεργασίας και ενίσχυσης τέτοιων συνόλων δεδομένων ώστε να επιτυγχάνεται ακριβής βραχυπρόθεσμη πρόβλεψη Φ/Β παραγωγής, ανεξάρτητα από την κατάσταση του ουρανού. Το προτεινόμενο μοντέλο αποτελείται από ένα ΣΝΔ, το οποίο εκπαιδεύεται πάνω σε ισορροπημένα σύνολα δεδομένων, με την υποστήριξη τεχνικών όπως η επαναδειγματοληψία και η επαύξηση. Η επιλογή των κατάλληλων τεχνικών έγινε με μια διαδικασία αξιολόγησης και βελτιστοποίησης τριών σταδίων. Το μοντέλο εφαρμόστηκε σε δύο προβλήματα πρόβλεψης Φ/Β παραγωγής με διαφορετικούς χρονικούς ορίζοντες και δεδομένα εισόδου, όπου το πρώτο πρόβλημα είναι η άμεση (nowcast) πρόβλεψη και το δεύτερο πρόβλημα είναι η πολύ βραχυπρόθεσμη πρόβλεψη (πρόβλεψη για τα επόμενα 15 λεπτά). Η εφαρμογή της προτεινόμενης μεθοδολογίας επαύξησης οδήγησε σε μείωση του μέσου σφάλματος πρόβλεψης έως και 51.78% για την άμεση πρόβλεψη και 12.23% για την πολύ βραχυπρόθεσμη πρόβλεψη, σε σύγκριση με την εκπαίδευση σε μη ισορροπημένα σύνολα δεδομένων, αναδεικνύοντας τη σημασία της κατάλληλης διαχείρισης της ανισορροπίας στο σύνολο εκπαίδευσης.