Βραχυπρόθεσμη πρόβλεψη αιολικού φορτίου με χρονικό βήμα ενός τετάρτου της ώρας

Abstract

Στόχος της παρούσης διπλωματικής εργασίας είναι η ανάπτυξη ενός ολοκληρωμένου μοντέλου βραχυπρόθεσμης πρόβλεψης της αιολικής ισχύος με τη χρήση νευρωνικών δικτύων. Η προσομοίωση του μοντέλου γίνεται σε προγραμματιστικό περιβάλλον MATLAB. Ιδιαίτερη έμφαση δίνεται στην βελτίωση της ποιότητας των παρεχόμενων αριθμητικών προβλέψεων καιρού , η οποία επιτυγχάνεται με τη βοήθεια ενός αλγορίθμου εκτίμησης ανεμολογικών χαρακτηριστικών στην περιοχή που μας ενδιαφέρει. Αυτός ο στόχος μας οδήγησε και στη μείωση του χρονικού βήματος πρόβλεψης στα 15 λεπτά, εφόσον λαμβάνει χώρα πρώτα μια εκτίμηση των ενδιάμεσων τιμών των ταχυτήτων του ανέμου που παρέχονται σε ωριαία βάση από το αριθμητικό μοντέλο SKIRON. Επίσης, για την απόκτηση μιας ολοκληρωμένης εικόνας αναφορικά με την πρόοδο που έχει σημειωθεί γύρω από την πρόβλεψη της αιολικής παραγωγής, κρίθηκε αναγκαία η παρουσίαση όλων των συνιστωσών που συμβάλλουν στην πρόβλεψη. Έτσι σε κάθε κεφάλαιο της παρούσης εργασίας περιλαμβάνονται συνοπτικά τα εξής: Στο Κεφάλαιο 1 γίνεται μια εισαγωγή στην πρόβλεψη της αιολικής παραγωγής, στις βασικές διαδικασίες που λαμβάνουν χώρα κατά την περαίωση της καθώς και στην συμβολή της πρόβλεψης στο πεδίο του εμπορίου ηλεκτρικής ενέργειας. Στο Κεφάλαιο 2 παρουσιάζεται το πρόγραμμα ANEMOS, ένα από τα μεγαλύτερα προγράμματα που έχουν αναπτυχθεί για λογαριασμό της πρόβλεψης της αιολικής παραγωγής. Στο Κεφάλαιο 3 καταγράφονται τα βασικά μοντέλα πρόβλεψης της αιολικής παραγωγής που έχουν αναπτυχθεί τα τελευταία χρόνια και γίνεται μια ειδικότερη αναφορά στα μοντέλα μικρής κλίμακας. Στο Κεφάλαιο 4 παρουσιάζονται τα αριθμητικά μοντέλα καιρού, τα οποία παρέχουν τα βασικά δεδομένα εισόδου στο μοντέλο μας. Στο Κεφάλαιο 5 γίνεται μια ιδιαίτερη αναφορά στους παράγοντες που καθιστούν αβέβαιη την πρόβλεψη της αιολικής ισχύος και στη συνέχεια παρουσιάζονται οι βασικές μέθοδοι αποτίμησης του σφάλματος των μοντέλων πρόβλεψης. Στο Κεφάλαιο 6 λαμβάνει χώρα μια εκτενής ανάλυση των νευρωνικών δικτύων που χρησιμοποιούνται στην εν λόγω εργασία και παρουσιάζεται η βασική μεθοδολογία που ακολουθείται κατά την ενσωμάτωση των νευρωνικών δικτύων στο αναπτυσσόμενο μοντέλο πρόβλεψης. Στο Κεφάλαιο 7 παρουσιάζονται αναλυτικά 3 εκδοχές του αλγορίθμου με τον οποίο μειώνουμε το χρονικό βήμα της πρόβλεψης στα 15 λεπτά. Στο Κεφάλαιο 8 γίνεται η παρουσίαση του τελικού μοντέλου που αναπτύξαμε, ενσωματώνονται τα αποτελέσματα της προσομοίωσης στο MATLAB και εξάγονται κάποια βασικά συμπεράσματα από την σύγκριση των διαφορετικών εκδοχών.

The aim of the present diploma thesis is to develop an integrated short-term wind power forecasting model based on neural networks. The presented model is computed using the MATLAB program. In the framework of the developed model, particular emphasis is given on the improvement of the quality of the numerical weather prediction data, which is achieved through a wind feature propagation estimation algorithm in the area of interest. Since this algorithm provides an estimation of the velocity of wind in shorter time steps than the one provided by the NWP, i.e. 15 minutes, we chose to reduce the prediction time step to 15 minutes as well. In addition, the present thesis provides all the background concerning wind power forecasting, and in particular, the most common methods developed until today, the use of numerical weather prediction models and the factors of forecasting uncertainty. The structure of the thesis is given below: Chapter 1 introduces the main procedures of wind power forecasting, as well as the contribution of forecasting to the power market. Chapter 2 presents one of the biggest projects in wind power forecasting, the ANEMOS project. Chapter 3 presents the basic wind power forecasting models and focuses particularly on the CFD models. Chapter 4 summarizes the most commonly used numerical weather prediction models which provide the meteorological input to the wind power forecasting models. Chapter 5 introduces the factors that cause uncertainty to wind forecasting and presents the main error evaluation methods and uncertainty measures used. Chapter 6 analyses the neural networks used in the developed model and presents the main aspects of methodology with regard to the implementation of neural networks in the forecasting model. Chapter 7 presents analytically three versions of the algorithm used in order to reduce the prediction time step to 15 minutes. Chapter 8 analyses the fully developed wind power forecasting model, summarizes the results of the MATLAB simulation and compares the 3 versions used with regard to their prediction efficiency.