Πρόβλεψη αιολικής παραγωγής με τη χρήση πολυεπίπεδων νευρωνικών δικτύων ακτινικής συνάρτησης βάσης

Κωνσταντίνου, Θεόδωρος; Konstantinou, Theodoros

dc.contributor.author	Κωνσταντίνου, Θεόδωρος	el
dc.contributor.author	Konstantinou, Theodoros	en
dc.date.accessioned	2018-09-03T09:02:17Z
dc.date.available	2018-09-03T09:02:17Z
dc.date.issued	2018-09-03
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/47483
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.15803
dc.rights	Default License
dc.subject	Νευρωνικά δίκτυα ακτινικής βάσης	el
dc.subject	Πρόβλεψη αιολικής παραγωγής	el
dc.subject	Αυτο-οργανούμενοι χάρτες	el
dc.subject	Αριθμητικές προβλέψεις καιρού	el
dc.subject	Radial basis function neural network	en
dc.subject	Numerical weather prediction	en
dc.subject	Self-organized maps	en
dc.subject	Wind power forecasting	en
dc.subject	Αποθορυβοποίηση	el
dc.subject	Denoising	en
dc.title	Πρόβλεψη αιολικής παραγωγής με τη χρήση πολυεπίπεδων νευρωνικών δικτύων ακτινικής συνάρτησης βάσης	el
heal.type	bachelorThesis
heal.classification	Ανανεώσιμες πηγές ενέργειας και εφαρμογές	el
heal.classification	Προχωρημένη μηχανική μάθηση	el
heal.classificationURI	http://data.seab.gr/concepts/2538c0c7b1057c59f6e1f66a99ab637afe14f4c3
heal.classificationURI	http://data.seab.gr/concepts/d5cf140063d31fceb414be6c8dcb4654ffd3efcf
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2018-07-11
heal.abstract	Η ένταξη όλο και περισσότερων αιολικών πάρκων καθιστά δύσκολη την διαχείριση και τον προγραμματισμό λειτουργίας του δικτύου μεταφοράς ενέργειας από τον ανεξάρτητο διαχειριστή του δικτύου. Ο διαχειριστής του δικτύου είναι υπεύθυνος για την εξισορρόπηση της παραγωγής και της ζήτησης ηλεκτρικής ενέργειας. Υπάρχει μεγάλη εξέλιξη στον τομέα της πρόβλεψης της ζήτησης φορτίου, ενώ λόγω της ευμεταβλητότητας που χαρακτηρίζει τους σταθμούς ΑΠΕ , η πρόβλεψη παραγωγής από Ανανεώσιμες Πηγές Ενέργειας είναι υπό μελέτη. Επομένως, είναι επιτακτική η ανάγκη ενός εργαλείου πρόβλεψης της αιολικής ενέργειας μέσω της χρήσης του οποίου θα είναι εφικτή η εκτίμηση της παραγωγής των αιολικών πάρκων. Αυτό θα οδηγήσει στη μείωση της χρήσης συμβατικών σταθμών παραγωγής και στην ένταξη περισσότερων σταθμών ΑΠΕ για την επίτευξη του ενεργειακού ισοζυγίου. Σκοπός της παρούσας εργασίας είναι ο επανασχεδιασμός βασικών εργαλείων, όπως αυτά προτάθηκαν σε προηγούμενη έρευνα [6] από το περιβάλλον MATLAB σε περιβάλλον Python, καθώς και η επιλογή διαφορετικής προσέγγισης της χρήσης των εργαλείων αυτών. Τελικός σκοπός της εργασίας ήταν να εντοπισθούν τυχών περιοδικότητες στις χρονοσειρές της αιολικής παραγωγής καθώς και η προσέγγιση μιας συνολικής καμπύλης ισχύος του αιολικού πάρκου με δεδομένα την ταχύτητα και τη διεύθυνση του ανέμου. Στα πλαίσια της παρούσας εργασίας έγινε χρήση ιστορικών δεδομένων των χρονοσειρών της αιολικής παραγωγής, της ταχύτητας και της διεύθυνσης του ανέμου από αιολικά πάρκα στη Ρόδο, καθώς και αριθμητικές προβλέψεις καιρού που δίνονται από το μετεωρολογικό μοντέλο SKIRON του Πανεπιστημίου Αθηνών. Για την μελέτη των δεδομένων και την εκτίμηση της πρόβλεψης έγινε σχεδίαση και χρήση πολυεπίπεδων νευρωνικών δικτύων ακτινικής βάσης (RBF-MLP), τα οποία αποτελούν προέκταση των δικτύων ακτινικής βάσης που προτάθηκαν σε προηγούμενη εργασία [6]. Επιπλέον, έγινε χρήση αυτο-οργανούμενων νευρωνικών δικτύων (αυτο-οργανούμενοι χάρτες) καθώς και αποκωδικοποιητών αποθορυβοποίησης. Η σχεδίαση των νευρωνικών δικτύων καθώς και η απεικόνιση των αποτελεσμάτων έγινε με τη χρήση της γλώσσας Python καθώς και της βιβλιοθήκης εντολών Tensorflow της Google. Από την επεξεργασία των δεδομένων της χρονοσειράς της αιολικής παραγωγής δεν εντοπίσθηκαν σημαντικές περιοδικότητες που θα μπορούσαν να οδηγήσουν σε μια ακριβή πρόβλεψη με τη γνώση ιστορικών δεδομένων. Σε επόμενο βήμα μελετήθηκε και εντοπίσθηκε η ύπαρξη συνάρτησης που να υπολογίζει τη συνολική παραγωγή ενός αιολικού πάρκου συναρτήσει της ταχύτητας και της διεύθυνσης του ανέμου. Με τη χρήση των ιστορικών δεδομένων από τις χρονοσειρές, το μοντέλο νευρωνικών δικτύων που προσέγγιζε τη συνάρτηση αυτή ήταν ακριβές. Έπειτα, έγινε χρήση των αριθμητικών προβλέψεων καιρού, όπου εισήχθησαν στη συνολική καμπύλη ισχύος, με σκοπό τη πρόβλεψη της αιολικής παραγωγής. Από τα αποτελέσματα έγινε φανερό ότι όσα σφάλματα παρουσιάζουν οι αριθμητικές προβλέψεις καιρού υπεισέρχονται μέσω της συνάρτησης στην πρόβλεψη της αιολικής παραγωγής. Εν κατακλείδι, είναι σημαντικό να μελετηθεί εκτενέστερα η πρόβλεψη της αιολικής παραγωγής, καθώς και η βελτίωση των μετεωρολογικών μοντέλων για να εξασφαλίσουμε πιο ακριβή δεδομένα. Μέσω της χρήσης των νευρωνικών δικτύων έγινε κατανοητό ότι τα νευρωνικά δίκτυα που χρησιμοποιήθηκαν δεν ήταν ικανά να εντοπίσουν τα σφάλματα και τις περιπτώσεις ακραίων καιρικών φαινομένων. Ουσιαστικά, το μοντέλο το οποίο προτείνεται στη παρούσα εργασία κάνει μια εκτίμηση της μελλοντικής παραγωγής ενός αιολικού πάρκου, χρησιμοποιώντας αυτούσιες τις αριθμητικές προβλέψεις, αλλά δεν είναι σε θέση να διαχειριστεί πλήρως την αβεβαιότητα και τα σφάλματα που ήδη υπάρχουν στις μετεωρολογικές προβλέψεις.	el
heal.abstract	The integration of an increasing number of wind farms makes it difficult for the independent network operator to manage and plan the operation of the power transmission network. The grid operator is responsible for balancing electrical generation with demand. There are major developments in the field of load demand forecasting, and due to the variability of RES , the prediction of renewable energy production is a subject of research. Therefore, there is an imperative need for a wind forecasting tool, which will enable the production estimation of wind farms. This will lead to a reduction in the use of conventional power plants and the inclusion of more RES to achieve energy parity. The aim of this dissertation was to redesign the basic tools, which were proposed in previous research [6] from a MATLAB environment to a Python environment, and to identify a different approach in the application of these tools. The final objective of this dissertation was to identify potential periodicity in the wind production time-series and to approximate an overall wind farm power curve, using wind velocity and direction as inputs. In the context of this study, historical data of wind energy production, wind speed and wind direction were used from wind farms in Rhodes, as well as numerical weather forecasts from the SKIRON meteorological model of the University of Athens. For the analysis of data and calculation of the energy prediction, multi-layer radial basis function neural networks (RBF-MLP) were developed and used as an extension of the radial basis function networks proposed in previous research [6]. Furthermore, self-organizing neural networks (self- organizing maps) and denoising decoders were used. The design of neural networks and illustration of the results were completed using the Python programming language and the Google Tensorflow command library. No significant periodicities were identified from the processing of wind production time-series data, which would lead to an accurate forecast using a given set of historical data. The next step was to study and identify a function which would calculate the total energy output of a wind farm, as a function of wind speed and direction. Using historical time-series data, the neural network model which was used to approximate this function, was found to be accurate. Weather forecasts were then used, which were introduced to the overall power curve, in order to predict wind energy production. Based on the results, it became clear that any errors found in arithmetic weather predictions are inserted through the function into the wind energy production prediction. In conclusion, it is important to conduct more extensive research in the forecasting of wind generation and in the improvement of meteorological models to ensure more accurate data. Through the use of neural networks, it was concluded that the proposed models were not able to detect errors and extreme weather events. The model proposed in this paper estimates future production of a wind farm using the original numerical weather forecasts but is unable to fully manage the uncertainty and errors which are already present in the meteorological forecasts.	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	102 σ.
heal.fullTextAvailability	true