Πρόβλεψη της αιολικής και της ηλιακής παραγωγής του ηλεκτρικού συστήματος της Ρόδου με χρήση νευρωνικών δικτύων

Παπά, Μαρία; Papa, Maria

dc.contributor.author	Παπά, Μαρία	el
dc.contributor.author	Papa, Maria	en
dc.date.accessioned	2017-05-22T12:28:37Z
dc.date.available	2017-05-22T12:28:37Z
dc.date.issued	2017-05-22
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/44906
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.13117
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Ηλιακή ισχύς	el
dc.subject	Αιολική ισχύς	el
dc.subject	Προβλέψεις	el
dc.subject	Αριθμητικές προβλέψεις καιρού	el
dc.subject	Υπολογιστικά εργαλεία πρόβλεψης	el
dc.subject	Neural networks	en
dc.subject	Solar power	en
dc.subject	Wind power	en
dc.subject	Forecasting	en
dc.subject	Numerical weather predictions	en
dc.subject	Computational prediction tools	en
dc.title	Πρόβλεψη της αιολικής και της ηλιακής παραγωγής του ηλεκτρικού συστήματος της Ρόδου με χρήση νευρωνικών δικτύων	el
dc.title	Wind and solar power forecasting for Rhodes' power system with the use of neural networks	en
heal.type	bachelorThesis
heal.classification	Μαθηματικές μέθοδοι	el
heal.classification	Μαθηματικά και άλλα μοντέλα	el
heal.classification	Ανανεώσιμες πηγές ενέργειας	el
heal.classification	Αλγοριθμικές τεχνικές	el
heal.classification	Προχωρημένη μηχανική μάθηση	el
heal.classification	Μοντέλα προγραμματισμού	el
heal.classification	Μαθηματικά μοντέλα και μοντέλα προσομοίωσης	el
heal.classificationURI	http://data.seab.gr/concepts/6ca5fa29c7950767cbdff3b3c2db129576fe533a
heal.classificationURI	http://data.seab.gr/concepts/574f487f82939479b3ea067f3ef3ab91d83e620b
heal.classificationURI	http://data.seab.gr/concepts/76bd627c768a0797183e5ea93400e2e461e24985
heal.classificationURI	http://data.seab.gr/concepts/7c49f6117c3f09ee90548ad70960b7a9b716deb8
heal.classificationURI	http://data.seab.gr/concepts/d5cf140063d31fceb414be6c8dcb4654ffd3efcf
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2017-03-20
heal.abstract	Η αιολική και η ηλιακή ενέργεια είναι οι δύο ευρέως χρησιμοποιούμενες εναλλακτικές μορφές ενέργειας, γεγονός που επαληθεύεται από την ολοένα αυξανόμενη εγκατεστημένη ισχύ τους τόσο σε ευρωπαϊκό όσο και σε παγκόσμιο επίπεδο. Η επίτευξη των στόχων ενεργειακής πολιτικής της Ευρωπαϊκής Ένωσης απαιτεί την ενσωμάτωση των ανανεώσιμων πηγών ενέργειας σε μεγάλη κλίμακα στα δίκτυα διανομής, ενώ την ίδια στιγμή η αναδιάρθρωση των αγορών ηλεκτρικής ενέργειας αξιώνει μεγαλύτερη ευελιξία και πιο αποτελεσματική διαχείριση και απόδοση της ενέργειας. Ωστόσο η διακοπτόμενη φύση και η έντονη μεταβλητότητα τόσο της ηλιακής όσο και της αιολικής παραγωγής καθιστούν δύσκολη την ενσωμάτωσή τους στα συστήματα ηλεκτρικής ενέργειας. Επομένως η πρόβλεψη της ηλιακής και της αιολικής ισχύος αποτελεί ουσιαστική προϋπόθεση για την ασφαλή λειτουργία του συστήματος, τη διαχείριση των ΑΠΕ και την παροχή ενέργειας υψηλής ποιότητας με το χαμηλότερο δυνατό κόστος. Οι προβλέψεις της αιολικής και της ηλιακής ισχύος παρέχονται συνήθως σε μορφή προβλέψεων σημείου, οι οποίες αντιστοιχούν στην πιο πιθανή τιμή της μελλοντικής παραγόμενης ισχύος για ένα δεδομένο χρονικό ορίζοντα. Πιο συγκεκριμένα, τα περισσότερα μοντέλα πρόβλεψης της αιολικής και ηλιακής παραγωγής χρησιμοποιούν ως είσοδο δεδομένα από αριθμητικές προβλέψεις καιρού, τα οποία παρέχουν εκτιμήσεις των μελλοντικών τιμών καιρικών και ατμοσφαιρικών μεταβλητών στο επίπεδο του εκάστοτε αιολικού (ΑΠ) ή φωτοβολταϊκού (Φ/Β) πάρκου. Οι κύριες μεταβλητές που λαμβάνονται υπόψη στην περίπτωση της αιολικής ισχύος είναι η ταχύτητα και η διεύθυνση του ανέμου και η θερμοκρασία, ενώ για την ηλιακή ισχύ είναι επίσης η θερμοκρασία, καθώς και η επί τοις εκατό κάλυψη των νεφών, η ηλιακή ακτινοβολία και η υγρασία. Άλλα δεδομένα εισόδου αποτελούν τιμές από παλαιότερες χρονοσειρές της αιολικής/ ηλιακής παραγωγής, καθώς και ημερολογιακά δεδομένα (μέρα, μήνας, έτος, ειδικές ημέρες κλπ). Πολλά από τα υπάρχοντα μοντέλα πρόβλεψης φαίνεται να αδυνατούν να εκτιμήσουν με ακρίβεια τόσο την αιολική όσο και την ηλιακή παραγωγή και εμφανίζουν μία σχετικά μεγάλη αβεβαιότητα ως προς τις προβλέψεις τους. Για αυτό το λόγο, στα πλαίσια αυτής της διπλωματικής εργασίας, έγινε μία προσπάθεια για την προσαρμογή του τρόπου που επιλέγονται τα δεδομένα εισόδου, καθώς και του χρόνου που απαιτείται για την εκτέλεση των μοντέλων πρόβλεψης, ώστε να ικανοποιούνται οι απαιτήσεις των Διαχειριστών των Δικτύων Διανομής. Στόχος της προσπάθειας αυτής υπήρξε η εκπαίδευση και εφαρμογή δύο συστημάτων πρόβλεψης, ενός μεσοπρόθεσμου με χρονικό ορίζοντα 48 ωρών και ενός βραχυπρόθεσμου, με χρονικό ορίζονται 8 ωρών για κάθε μια από τις περιπτώσεις της αιολικής και της ηλιακής ισχύος του ηλεκτρικού συστήματος της Ρόδου. Σκοπός της εργασίας υπήρξε η προσαρμογή των παραμέτρων των μοντέλων αυτών, καθώς και η επικύρωσή τους με τα δεδομένα του ΣΗΕ της Ρόδου. Έγινε, ακόμη, χρήση των προηγμένων εργαλείων που χρησιμοποιούν τα μοντέλα πρόβλεψης, όπως επίσης και στατιστικών εργαλείων επεξεργασίας δεδομένων και γενικά των διαδικασιών που πραγματοποιούνται κατά την online πρόβλεψη της αιολικής και της ηλιακής ισχύος. Τα δεδομένα της παραγωγής των ΑΠΕ ελήφθησαν από το ΔΕΔΔΗΕ και οι αριθμητικές προβλέψεις καιρού προέρχονται από το μετεωρολογικό μοντέλο υψηλής κλίμακας SKIRON. Στην κατάθεση αυτήν αρχικά περιγράφεται συνοπτικά η γενική θεωρία των νευρωνικών δικτύων με ιδιαίτερη έμφαση σε αυτή των Πολυεπίπεδων Αναγνωριστών (MLP) και των προηγμένων εργαλείων πρόβλεψης που ολοκλήρωσαν τα μοντέλα. Ακολουθεί η αναλυτική περιγραφή των μοντέλων που χρησιμοποιήθηκαν στα συστήματα πρόβλεψης που αναπτύχθηκαν για τη διεσπαρμένη παραγωγή της νήσου της Ρόδου και τέλος γίνεται μία παρουσίαση των σφαλμάτων που έδωσε μία πρώιμη εφαρμογή αυτών, καθώς και των συμπερασμάτων που εξάγονται από αυτά.	el
heal.abstract	Wind and solar power are two widely used alternative forms of energy, a fact verified by the increase of their installed capacity at both a European and a global level. The achievement of the EU energy policy requires the integration of renewable energy sources on a large scale in distribution networks, while at the same time the restructuring of electricity markets requires more flexible management of the energy as well as energy efficiency. However the intermittent nature and volatility of both solar and wind production make it difficult to incorporate them into the electrical power systems. Therefore the forecast of both solar and wind power is essential for the safe operation of the system, the RES management and the supply of high quality energy at the lowest possible cost. Wind and solar power forecast are usually provided in the form of point estimates(predictions), which correspond to the most likely value of future output power for a given time horizon. Specifically, most wind and solar forecasting models use as inputs data from numerical weather predictions, which provide estimates of future climatic and atmospheric variables at the level of each wind (WP) or photovoltaic (PV) park. The main variables taken into account in the case of wind power is the speed and direction of the wind as well as the temperature, while for solar power the temperature and the cloud cover percentage, solar radiation and humidity are used. Other inputs are values of past time series of wind / pv production, and calendar data (day, month, year, special days etc.). Many of the existing forecasting models seem unable to accurately assess both the wind and solar production and have a relatively large uncertainty in their predictions. For this reason, as part of this thesis, an attempt was made to adjust the way that the input data are selected, and the time required for the performance of the forecasting models, to meet the requirements of Operators of Distribution Networks. The objective of this effort was the training and application of two forecasting systems, a medium-term system with a time horizon of 48 hours and a short-term, with a horizon of 8 hours for each of the cases of wind and solar power of electrical system of Rhodes. The main goal was the adaptation of the parameters of these models and their validation with data from the Power System of Rhodes. What is more, the advanced tools used in the forecasting models, as well as statistical data processing tools and general procedures that are carried out in the online forecasting of wind and solar power were used extensively for the purposes of this thesis. The RES production data were obtained from HEDNO and the numerical weather predictions were received from the high scale meteorological model SKIRON. In this filing the general theory of neural networks is firstly described briefly with particular emphasis on the case of Multilayer Perceptrons (MLP) and the advanced forecasting tools that completed the models. A detailed description of the models used in the forecasting system developed for the dispersed production of Rhodes island follows. Finally in this current diploma thesis, we have a presentation of the errors excluded by an early implementation of these models and conclusions are drawn from them for the evaluation of these forecasting models.	en
heal.advisorName	Χατζηαργυρίου, Νικόλαος	el
heal.committeeMemberName	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	135 σ.
heal.fullTextAvailability	true