Improving photovoltaic energy yield forecasting accuracy using neural networks

Καββαδίας, Σπυρίδων; Cavadias, Spyridon

dc.contributor.author	Καββαδίας, Σπυρίδων	el
dc.contributor.author	Cavadias, Spyridon	en
dc.date.accessioned	2018-02-14T11:36:22Z
dc.date.available	2018-02-14T11:36:22Z
dc.date.issued	2018-02-14
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/46487
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.15316
dc.rights	Default License
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	PV energy yield forecasting	en
dc.subject	Neural networks	en
dc.subject	Nowcasting	en
dc.subject	Short-term forecasting	en
dc.subject	Sky imager	en
dc.subject	Ενέργεια	el
dc.subject	Φωτοβολταϊκά	el
dc.subject	Πρόβλεψη απόδοσης φωτοβολταικού	el
dc.subject	Σύστημα απεικόνισης ουρανού	el
dc.title	Improving photovoltaic energy yield forecasting accuracy using neural networks	en
heal.type	bachelorThesis
heal.classification	Νευρωνικά δίκτυα	el
heal.classification	Φωτοβολταϊκά	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2017-10-25
heal.abstract	Η συνεχιζόμενη ανάπτυξη εγκαταστάσεων ανανεώσιμων πηγών ενέργειας μετατοπίζει το ενεργειακό μείγμα για τέτοια δίκτυα παγκοσμίως. Ειδικότερα, οι φωτοβολταϊκές εγκαταστάσεις (PV) αυξάνουν συνεχώς το μερίδιό τους και σύμφωνα με την ΙΕΑ (International Energy Agency) θα μπορούσαν να αντιπροσωπεύουν περίπου το 11% της παγκόσμιας ηλεκτρικής ενέργειας στο εγγύς μέλλον. Μία από τις μεγαλύτερες προκλήσεις είναι η διακύμανση της παρεχόμενης ηλιακής ενέργειας στο δίκτυο λόγω της στοχαστικής φύσης των μετεωρολογικών φαινομένων, ιδίως της ηλιακής ακτινοβολίας. Η δυνατότητα πρόβλεψης τέτοιων αλλαγών καθίσταται ολοένα και πιο σημαντική, τόσο για διασυνδεδεμένα όσο και για μεμονωμένα δίκτυα. Ειδικά σε βραχυπρόθεσμους ορίζοντες (<30 λεπτά), η πρόβλεψη της μελλοντικής ενεργειακής απόδοσης θα συμβάλει στην αναλογική ρύθμιση του δικτύου και θα μειώσει την κατανάλωση καυσίμου για τις stand-by γεννήτριες. Για τη βραχυπρόθεσμη πρόβλεψη της διαθέσιμης ηλιακής ακτινοβολίας σε μια περιοχή ενδιαφέροντος, ενδείκνυται η χρήση ενός συστήματος απεικόνισης του ουρανού (Sky -Imager). Σε αυτή τη διπλωματική εργασία, προβλέψεις ανά δευτερόλεπτο χαρακτηριστικών εικόνας για έναν ορίζοντα 15 λεπτών με τη χρήση Sky Imager και τεχνικών επεξεργασίας εικόνας, με μετρήσεις για φωτοβολταϊκή παραγωγή και ηλιακή ακτινοβολία για τον μηδενικό ορίζοντα, χρησιμοποιούνται ως εισροές στα νευρωνικά δίκτυα NARX. Σκοπός είναι η πρόβλεψη της πραγματικής ενεργειακής απόδοσης μιας εξεταζόμενης φωτοβολταϊκής εγκατάστασης για χρονικό ορίζοντα 15 λεπτών. Όλα τα δεδομένα δόθηκαν από το Πανεπιστήμιο του Oldenburg στη Γερμανία. Επιπλέον, παρουσιάζεται μια σύγκριση μεταξύ του εφαρμοσμένου μοντέλου NARX και του State-of-Art μοντέλου βραχυπρόθεσμης πρόγνωσης ηλιακής ακτινοβολίας του Πανεπιστημίου του Oldenburg.	el
heal.abstract	The ongoing growth of renewable energy installations is slowly shifting the energy mix for grids worldwide. Photovoltaic (PV) installations in particular continuously increase their share, and according to IEA (International Energy Agency) could account for around 11% of global electricity in the near future.One of the biggest challenges is the fluctuation of the provided solar energy to the grid due to the stochastic nature of meteorological phenomena, in particular solar radiation. The ability to forecast such changes is becoming more and more relevant, for both interconnected and isolated grids. Especially in short horizons (< 30 minutes for single camera installations), forecasting of future energy output will help regulating the grid accordingly and decrease fuel consumption for the stand-by generators. For short-term forecasting of available solar radiation in an area of interest, usage of a sky-imaging system is appropriate. In this thesis, extracted sky- image information, provided by temporal-spatial resolution sky imaging forecasts for a 15 minute horizon, with measurements for PV output and solar irradiance for the zero horizon are used as inputs to NARX neural networks. The final outcome of this coupling is a forecast of the actual energy yield of the installation for horizons of typically 15 minutes. The extracted image data and all other measurements were provided by the University of Oldenburg,Germany. In addition, a comparison between the implemented NARX model and the University of Oldenburg’s state-of-art short-term irradiance forecasting model is presented.	en
heal.advisorName	Σούντρης, Δημήτριος	el
heal.committeeMemberName	Σούντρης, Δημήτριος	el
heal.committeeMemberName	Πεκμεστζή, Κιαμάλ	el
heal.committeeMemberName	Γεωργιλάκης, Παύλος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	95 σ.
heal.fullTextAvailability	true