Μελέτη τεχνικών πρόβλεψης για φωτοβολταϊκή ενέργεια - Σύγκριση και Αξιολόγηση

Abstract

Η µετάϐαση στις ανανεώσιµες πηγές ενέϱγειας (ΑΠΕ), ιδιαίτερα στην αιολική και ϕωτοϐολταϊκή (ΦΒ) ενέϱγεια, είναι ένα κοµβικό ϐήµα πϱος τα ϐιώσιµα ενεργειακά συστήµατα. Ωστόσο, η εγγενής µεταβλητότητα αυτών των πηγών παϱουσιάϹει σηµαντικές προκλήσεις στην ελληνική αγοϱά ενέϱγειας, τονίζοντας την ανάγκη για ακϱιϐή πρόβλεψη ενέϱγειας και ισχύος. Αυτή η διπλωµατική εργασία παϱουσιάϹει µια σύγκριση στατιστικών µεϑόδων και µεϑόδων µηχανικής µάϑησης (ML) και τεχνητής νοηµοσύνης (AI), αναλύοντας την αποτελεσµατικότητά τους στην διόρθωση και ϐελτιστοποίηση της πρόβλεψης των εξόδων ϕωτοβολταϊκής ισχύος. Υπάϱχουν πολλές συµβατικές µέϑοδοι και τεχνικές τεχνητής νοηµοσύνης που έχουν αναπτυχθεί για την επίτευξη ακριβούς πρόβλεψης ισχύος ΑΠΕ. Οι αλγόριθµοι που ϐασίζονται σε χρονοσειρές, ϐασισµένοι στην επεξεργασία των δεδοµένων που έχουν ληφθεί προηγουµένως, είναι γνωστοί ως απλοί και έχουν χρησιµοποιηθεί στο παρελθόν για πρόβλεψη µε κάποιο επίπεδο επιτυχίας. Η εταιϱεία Inaccess έχει ήδη αναπτύξει µοντέλα εκµάθησης ϐασισµένα σε "Short Term Forecast Optimizers", τα οποία παϱέχουν προβλέψεις υψηλότερης ακϱίϐειας συνδυάζοντας τις παραδοσιακές προβλέψεις παραγωγής µε πραγµατικές εισροές, µε ϐάση τα δεδοµένα του Transmission system operator (TSO) της προηγούµενης ηµέϱας ή τα δεδοµένα SCADA σε πραγµατικό χϱόνο. Η εργασία διερευνά συµβατικές τεχνικές πρόβλεψης χρονοσειρών, γνωστές για την απλότητα και την ιστορική τους επιτυχία, και τις αντιπαραβάλλει µε τεχνικές ML και µε προηγµένες µεθόδους τεχνητής νοηµοσύνης, συµπεριλαµβανοµένων των τεχνητών νευρωνικών δικτύων (ANN) και των νευρωνικών δικτύων µακϱάς ϐραχυπρόθεσµης µνήµης (LSTMs). Αυτές οι µέϑοδοι αξιολογούνται µε ϐάση την ακϱίϐεια, την αξιοπιστία και την προσαρµοστικότητά τους σε δεδοµένα του πραγµατικού κόσµου. Χϱησιµοποιούνται δεδοµένα πραγµατικού κόσµου από µία ελληνική µονάδα ΑΠΕ, εφαρµόζοντας τις προαναφερθείσες µεθόδους πρόβλεψης για την αξιολόγηση της πρακτικότητας και της απόδοσής τους. Τα ευρήµατα αναδεικνύουν τα δυνατά και τα αδύνατα σηµεία κάϑε µεθόδου, παρέχοντας µια επτή κατανόηση της δυνατότητας εφαρµογής τους στη διαχείριση των ΑΠΕ. Η συµβατική στατιστική µέϑοδος ARIMA απέτυχε να δώσει καλά αποτελέσµατα. Τα αποτελέσµατα δείχνουν ότι οι µέϑοδοι ML ξεπερνούν σε επίδοση τις µεθόδους ANN, γεγονός που οφείλεται πιθανόν στο µικϱό µέγεθος και το ϑόϱυϐο των δεδοµένων εκπαίδευσης. Ωστόσο, οι επιδόσεις των µοντέλων ΑΙ ήταν πολύ κοντά στις προβλέψεις των third party forecasters, οι οποίες χρησιµοποιούνται αυτή τη στιγµή. Η µελέτη είναι σηµαντική για τους παραγωγούς ΑΠΕ, τους εµπόρους ενέϱγειας και τους υπεύθυνους χάϱαξης πολιτικής, προσφέροντας γνώσεις για τη ϐελτιστοποίηση της ενσωµάτωσης των ΑΠΕ στο ενεργειακό δίκτυο. Υπογραµµίζει τη σηµασία της ακριβούς πρόβλεψης για τον µετριασµό των χρηµατοοικονοµικών κινδύνων, τη συµµόρφωση µε τις κανονιστικές απαιτήσεις και τη διασφάλιση της σταθερότητας του δικτύου. Η εργασία συµβάλλει στον ευρύτερο διάλογο για την αειϕόϱο ενέϱγεια, προτείνοντας µονοπάτια για ϐελτιωµένη διαχείριση των ΑΠΕ στην Ελλάδα και παρόµοιες αγοϱές ενέϱγειας.