Σύγκριση Αντικειμενικών Συναρτήσεων για την Υπερβραχυπρόθεσμη Πρόβλεψη Απότομων Μεταβολών Παραγωγής από Ανανεώσιμες Πηγές Ενέργειας με χρήση Μηχανικής Μάθησης

Abstract

Σκοπός της παρούσας διπλωματικής εργασίας είναι η διερεύνηση της επίδρασης που έχουν διαφορετικές αντικειμενικές συναρτήσεις στην εκπαίδευση τεχνητών νευρωνικών δικτύων, όσον αφορά στην ικανότητά τους να ανιχνεύουν υπερβραχυπρόθεσμες απότομες μεταβολές στην παραγωγή από Ανανεώσιμες Πηγές Ενέργειας (ΑΠΕ). Συγκεκριμένα, αναπτύσσονται και συγκρίνονται μοντέλα τεχνητών νευρωνικών δικτύων, υλοποιημένων με την αρχιτεκτονική ενός πολυεπίπεδου perceptron (Multi-Layer Perceptron – MLP) και εκπαιδευμένων με πέντε διαφορετικές αντικειμενικές συναρτήσεις. Η βελτιστοποίηση σε κάθε μία εκ των πέντε δοκιμών αντικειμενικής συνάρτησης πραγματοποιείται με τον μεταευρετικό αλγόριθμο βελτιστοποίησης σμήνους σωματιδίων (Particle Swarm Optimization – PSO). Η μεθοδολογία εφαρμόζεται σε δύο σενάρια πρόβλεψης: στην υπερβραχυπρόθεσμη πρόβλεψη φωτοβολταϊκής (Φ/Β) ισχύος με επιθυμητό χρονικό ορίζοντα πρόβλεψης δέκα λεπτών και με δεδομένα χρονικής ανάλυσης ενός λεπτού, και στην υπερβραχυπρόθεσμη πρόβλεψη αιολικής παραγωγής με χρονικό ορίζοντα πρόβλεψης δέκα λεπτών και με δεδομένα χρονικής ανάλυσης δέκα λεπτών. Επίσης, για σκοπούς σύγκρισης, αναπτύσσονται δύο στατιστικά μοντέλα για την αιολική ισχύ και ένα στατιστικό μοντέλο για την Φ/Β ισχύ. Για την υλοποίηση των μοντέλων πρόβλεψης, χρησιμοποιούνται πραγματικά δεδομένα παραγωγής. Για την πρόβλεψη της αιολικής παραγωγής χρησιμοποιούνται δεδομένα για μία ανεμογεννήτρια (Α/Γ) ονομαστικής ισχύος 2500kW του αιολικού πάρκου Penmanshiel στο Ηνωμένο Βασίλειο για όλη την διάρκεια του έτους 2017, ενώ για την πρόβλεψη της Φ/Β παραγωγής χρησιμοποιούνται δεδομένα από ένα Φ/Β πάρκο στην Βοιωτία, ονομαστικής ισχύος 1200kW, για τον Νοέμβριο του 2023. Η συγγραφή του κώδικα για την κατασκευή των μοντέλων πρόβλεψης πραγματοποιείται στην γλώσσα προγραμματισμού Python. Τα αποτελέσματα των προβλέψεων για όλες τις μεθόδους πρόβλεψης συγκρίνονται μεταξύ τους με βασικό κριτήριο την ικανότητα που επιδεικνύουν στην ορθή ανίχνευση απότομων μεταβολών (ramp events) παραγωγής ισχύος, μέσω κατάλληλου μετρητικού σφάλματος. Αναδεικνύεται η σημασία της επιλογής αντικειμενικής συνάρτησης σε εφαρμογές πρόβλεψης απότομων μεταβολών παραγωγής ισχύος, και προτείνονται μερικές πιθανές μελλοντικές επεκτάσεις της παρούσας εργασίας.