Πιθανοτική πρόβλεψη στην παραγωγή αιολικής ενέργειας με τη χρήση νευρωνικών δικτύων ARTMAP

Abstract

Κατά τη διάρκεια των τελευταίων ετών έχει παρατηρηθεί σημαντική αύξηση στο βαθμό διείσδυσης των ανανεώσιμων πηγών ενέργειας για την παραγωγή ηλεκτρικής ενέργειας, με στόχο τον περιορισμό της χρήσης των συμβατικών πηγών, που ρυπαίνουν το περιβάλλον. Η αιολική ενέργεια είναι μια από τις ευρύτερα χρησιμοποιούμενες εναλλακτικές μορφές ενέργειας, γεγονός που επαληθεύεται από τη διαρκή αύξηση της εγκατεστημένης ισχύος τόσο στην Ευρώπη αλλά και παγκοσμίως. Ωστόσο, η διακοπτόμενη φύση της και η έντονη μεταβλητότητά της καθιστούν δύσκολη την ενσωμάτωσή της στα συστήματα ηλεκτρικής ενέργειας. Προς την κατεύθυνση της επίλυσης του προβλήματος αυτού συμβάλλει αποφασιστικά η πρόβλεψη της αιολικής ισχύος, έτσι ώστε να καθίσταται ευκολότερη η διαχείριση και ενσωμάτωση της αιολικής ενέργειας. Είναι άλλωστε χαρακτηριστικό ότι έχει καταβληθεί προσπάθεια και έχουν αναπτυχθεί ποικίλα μοντέλα πρόβλεψης της αιολικής παραγωγής.

Οι προβλέψεις της αιολικής ισχύος παρέχονται συνήθως σε μορφή προβλέψεων σημείου, οι οποίες αντιστοιχούν στην πιο πιθανή τιμή της μελλοντικής παραγόμενης αιολικής ισχύος, για ένα δεδομένο χρονικό ορίζοντα. Συγκεκριμένα, τα μοντέλα πρόβλεψης της αιολικής ισχύος δέχονται ως είσοδο δεδομένα από τα μοντέλα αριθμητικών προβλέψεων καιρού, τα οποία παρέχουν προβλέψεις για τις μελλοντικές τιμές των καιρικών μεταβλητών (πχ. ταχύτητα ανέμου) στην περιοχή του αιολικού πάρκου και στην έξοδό τους δίνουν την πρόβλεψη της αιολικής παραγωγής για δεδομένο χρονικό ορίζοντα. Κάθε πρόβλεψη όμως, εμπεριέχει ένα βαθμό αβεβαιότητας, με αποτέλεσμα οι προβλέψεις σημείου να είναι ανεπαρκείς. Για το λόγο αυτό, ερευνούνται τρόποι για την εκτίμηση της αβεβαιότητας των προβλέψεων της αιολικής ισχύος, με στόχο τη διευκόλυνση της διαδικασίας λήψης αποφάσεων από τους τελικούς χρήστες των προβλέψεων. Οι προβλέψεις αυτές ονομάζονται πιθανοτικές προβλέψεις της αιολικής ισχύος.

Στόχος της παρούσας διπλωματικής είναι η δημιουργία ενός μοντέλου πιθανοτικής πρόβλεψης της αιολικής ισχύος με χρήση νευρωνικών δικτύων. Αναλυτικότερα, το μοντέλο που αναπτύσσεται βασίζεται στη θεωρία των νευρωνικών δικτύων τύπου ARTMAP και των δικτύων ακτινωτής βάσης (RBF). Ως είσοδος χρησιμοποιούνται τα δεδομένα των αριθμητικών προβλέψεων καιρού, όπως αυτά προκύπτουν από το μοντέλο ECMWF και στην έξοδο παρουσιάζονται οι πιθανότητες εμφάνισης των τιμών της αιολικής ισχύος για δεδομένο χρονικό ορίζοντα.

Αρχικά πραγματοποιείται μια αναλυτική παρουσίαση του ανέμου και της αιολικής ισχύος, ενώ γίνεται ιδιαίτερη αναφορά στην αξία της πρόβλεψης και στη μελέτη της αβεβαιότητας που αυτή παρουσιάζει. Έπειτα, περιγράφονται εκτενώς τα κυριότερα μοντέλα αριθμητικών προβλέψεων καιρού και παρουσιάζονται τα χρησιμοποιούμενα πιθανοτικά μοντέλα πρόβλεψης της αιολικής παραγωγής καθώς και η μεθοδολογία αποτίμησής τους. Στη συνέχεια, περιγράφεται η γενική θεωρία των νευρωνικών δικτύων με ιδιαίτερη αναφορά στα δίκτυα ARTMAP και RBF. Ακολουθεί η ανάπτυξη του μοντέλου που χρησιμοποιήθηκε στην παρούσα διπλωματική για την πρόβλεψη της αιολικής παραγωγής σε αιολικό πάρκο της Κρήτης, με παρουσίαση αποτελεσμάτων, αποτίμηση της μεθόδου και εξαγωγή συμπερασμάτων για το συγκεκριμένο μοντέλο πρόβλεψης.

During the past years a remarkable growth of renewable energy sources for the production of electrical energy has been observed in order to limit down the use of conventional energy sources, which result in environmental pollution. Wind energy is one of the most widely used alternative forms of energy, a fact that is confirmed by the rapid increase in its installed capacities in Europe as well as all over the world. However, due to the intermittence and huge randomness of wind generation, its incorporation into a power system is rather difficult. In order to alleviate the problem decisive is the contribution of wind power forecasting, so that management and incorporation of wind energy into a power system can be achieved. Therefore, time and effort have been put into developing various models for wind power forecasting.

Wind power forecasts are traditionally provided in the form of point predictions, which correspond to the most-likely power production for a given horizon. Specifically, the models for wind power forecasting receive as input data from Numerical Weather Predictions (NWP), which provide estimations about the future value of weather variables (e.g. wind speed) concerning the region of the wind farm, and produce as output forecasts about the wind power generation for a given time horizon. Each prediction however, includes a degree of uncertainty and as a result, point predictions are insufficient. Due to this fact, investigations on possible ways of estimating the uncertainty of wind power forecasts are made, in order to accommodate end-users needs regarding the decision-making process. These forecasts are called probabilistic forecasts of wind power generation.

The goal of this diploma thesis is the development of a probabilistic forecasting model for wind power generation using Neural Networks. In more detail, the model developed is based on the theory of Artmap neural networks and Radial Basis Functions (RBF). As input, the data obtained from Numerical Weather Predictions (NWP) using the ECMWF model are used and as output, the probabilities of certain values of the wind power generation for a given time period are presented.

Initially, a thorough analysis of wind and wind power generation is presented, while the significance of the value of wind power forecasting and the estimation of its uncertainty are highlighted. After that, the most commonly numerical weather prediction models are described and the current probabilistic wind power forecasting models are presented along with their methods of evaluation. Next, the general theory of neural networks is described where great detail is given in the description of Artmap and Radial Basis Function neural networks. Moreover, a model for probabilistic wind power forecasting in a wind farm in Crete is proposed in the current diploma thesis, with presentation of results, evaluation of the method and drawing conclusions for the proposed forecasting model.