Περιφερειακή πρόβλεψη ηλιακής και αιολικής ισχύος στην Κρήτη

Μαυρίδης, Ιωάννης; Τσίντζουρας, Δημήτριος; Mavridis, Ioannis; Tsintzouras, Dimitrios

dc.contributor.author	Μαυρίδης, Ιωάννης	el
dc.contributor.author	Τσίντζουρας, Δημήτριος	el
dc.contributor.author	Mavridis, Ioannis	en
dc.contributor.author	Tsintzouras, Dimitrios	en
dc.date.accessioned	2014-10-23T07:51:57Z
dc.date.available	2014-10-23T07:51:57Z
dc.date.issued	2014-10-23
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/39363
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.11937
dc.rights	Default License
dc.subject	Περιφερειακή πρόβλεψη	el
dc.subject	Αριθμητικές προβλέψεις καιρού	el
dc.subject	Αιολική ισχύς	el
dc.subject	Ηλιακή ισχύς	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Regional forecast	en
dc.subject	Wind power	en
dc.subject	Solar power	en
dc.subject	Neural networks	en
dc.subject	Numerical weather predictions	en
dc.title	Περιφερειακή πρόβλεψη ηλιακής και αιολικής ισχύος στην Κρήτη	el
heal.type	bachelorThesis
heal.classification	Πρόβλεψη ισχύος	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2014-10-06
heal.abstract	Τις τελευταίες δεκαετίες έχει παρατηρηθεί σημαντική ανάπτυξη στην τεχνολογία των ανανεώσιμων πηγών ενέργειας (ΑΠΕ), καθώς και στο βαθμό διείσδυσής τους στην παραγωγή ηλεκτρικής ενέργειας, με σκοπό τον περιορισμό της χρήσης συμβατικών πηγών και της ρύπανσης του περιβάλλοντος. Η ηλιακή και η αιολική ενέργεια είναι οι ευρύτερα χρησιμοποιούμενες εναλλακτικές μορφές ενέργειας, κάτι που επιβεβαιώνεται από τη διαρκή αύξηση της εγκατεστημένης τους ισχύος σε Ελλάδα και Ευρώπη, αλλά και παγκοσμίως. Ωστόσο, η διακοπτόμενη φύση και η έντονη μεταβλητότητα της ηλιακής και αιολικής παραγωγής καθιστούν δύσκολη την ενσωμάτωσή τους στα συστήματα ηλεκτρικής ενέργειας. Επομένως, η πρόβλεψη της ισχύος τους κρίνεται ως ένα ιδιαίτερα σημαντικό εργαλείο για τη διαχείριση και την ενσωμάτωσή τους στο δίκτυο. Στο πλαίσιο αυτό, έχει καταβληθεί ιδιαίτερη προσπάθεια για την ανάπτυξη μοντέλων πρόβλεψης και για τα δύο είδη ισχύος, απασχολώντας έντονα πολλούς επιστημονικούς κλάδους. Η πλειοψηφία των μοντέλων πρόβλεψης ισχύος δέχονται ως είσοδο δεδομένα από μοντέλα αριθμητικών προβλέψεων καιρού, τα οποία παρέχουν εκτιμήσεις για τις μελλοντικές τιμές των καιρικών μεταβλητών στο επίπεδο του ηλιακού ή αιολικού πάρκου. Αντίστοιχα, στην έξοδό τους εξάγουν προβλέψεις της ηλιακής ή της αιολικής παραγωγής για δεδομένο χρονικό ορίζοντα. Ωστόσο, δεδομένου ότι συνήθως η περιοχή ενδιαφέροντος σε ένα μοντέλο είναι μια ευρύτερη περιφέρεια και όχι ένα μεμονωμένο πάρκο, επιχειρείται η πραγματοποίηση προβλέψεων για όλα τα πάρκα της περιφέρειας συνδυαστικά. Με τον τρόπο αυτό, προκύπτει η περιφερειακή πρόβλεψη της ηλιακής ή της αιολικής ισχύος. Στην παρούσα διπλωματική εργασία ελέγχονται δύο μοντέλα περιφερειακής πρόβλεψης ηλιακής και αιολικής ισχύος με χρήση νευρωνικών δικτύων. Συγκεκριμένα, τα μοντέλα βασίζονται στη θεωρία των νευρωνικών δικτύων συναρτήσεων ακτινικής βάσης (RBF) και των αυτό-οργανούμενων χαρτών (SOM). Για την είσοδό τους χρησιμοποιούνται δεδομένα αριθμητικών προβλέψεων καιρού από το μοντέλο SKIRON, ενώ στην έξοδό τους παρέχεται η περιφερειακή πρόβλεψη. Στην κατεύθυνση αυτή, γίνεται αρχικά περιγραφή της ηλιακής και της αιολικής ενέργειας, καθώς και της ηλιακής ακτινοβολίας και του ανέμου αντίστοιχα. Παρουσιάζονται τα κυριότερα μοντέλα αριθμητικών προβλέψεων καιρού, όπως επίσης τα πιο διαδεδομένα μοντέλα πρόβλεψης ηλιακής και αιολικής ισχύος τεχνολογίας αιχμής. Έπειτα, γίνεται μια αναφορά στα χαρακτηριστικά των σφαλμάτων πρόβλεψης, ενώ ακολουθεί η θεωρία των νευρωνικών δικτύων και η περαιτέρω περιγραφή των RBF και SOM. Τέλος, περιγράφεται αναλυτικά η ανάπτυξη των μοντέλων που χρησιμοποιήθηκαν στην παρούσα εργασία, για την περιφερειακή πρόβλεψη της ηλιακής και αιολικής ισχύος στην περιοχή της Κρήτης, ενώ γίνεται ανασκόπηση του ελέγχου του αριθμού των πάρκων με τον οποίο αυτή γίνεται βέλτιστη μέσω ενός προσαρμοστικού αλγορίθμου. Ακολουθεί η παρουσίαση των αποτελεσμάτων και η τελική αποτίμηση των προτεινόμενων μεθόδων.	el
heal.abstract	Recent decades have witnessed a significant development of the technology of renewable energy sources (RES) and their percentage of participation in power production, in order to limit the use of conventional energy sources and the pollution of the environment. Solar and wind energy are the most widely used forms of alternative energy, and this is confirmed by the continuous increase of their installed capacity not only in Greece and in Europe, but worldwide as well. However, the intermittent nature and the strong variability of solar and wind power render their integration in power systems difficult. Therefore, power forecasting is seen as a very important tool for managing and integrating them into the grid. In this context, a great effort has been made, in order to develop prediction models for both types of power. The majority of power forecasting models use as input data from numerical weather prediction models, which provide estimates of the future values of weather variables at the region of the solar or wind farm. Their output produces forecasts of solar or wind power for a given time horizon. However, since the model is usually interested in a wider area and not a single park, combined forecasts for all parks of a region are attempted, resulting in regional forecasting of solar or wind power. This diploma thesis develops two regional forecasting models for solar and wind power, using neural networks. These models are based on the theory of radial basis function neural networks (RBFNN) and self-organizing maps (SOM). Their input uses numerical weather prediction data from the model SKIRON, while their output gives the regional forecast. In this respect, the main features of solar and wind energy are described, in addition to solar radiation and wind respectively. The most used numerical weather prediction models are presented, as well as the most important prediction models of solar and wind power. A reference is made to the prediction error, followed by the theory of neural networks and further analysis of RBF and SOM. Finally, details are given for the development of the models being used in this diploma thesis, concerning regional forecasting of solar and wind power in the area of Crete, with the eventual presentation of the corresponding results and the final assessment of the proposed methods. Keywords: wind power, solar power, regional forecasting, numerical weather predictions, genetic algorithms, radial basis function neural networks, self-organizing maps, prediction error.	en
heal.advisorName	Χατζηαργυρίου, Νικόλαος	el
heal.committeeMemberName	Παπαθανασίου, Σταύρος	el
heal.committeeMemberName	Γεωργιλάκης, Παύλος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικής Ισχύος	el
heal.academicPublisherID	ntua
heal.numberOfPages	176 σ.
heal.fullTextAvailability	true