Πιθανοτική βραχυπρόθεσμη πρόβλεψη παραγωγής από αιολικά και φωτοβολταϊκά συστήματα με τεχνικές μηχανικής μάθησης

Abstract

This PhD thesis contributes to the penetration of wind and photovoltaic power generation in power systems, by developing original forecasting models of wind and photovoltaic generation. Initially, the categories of forecasting models that have been developed over the years for the successful and accurate prediction from wind and photovoltaic generation systems are presented, as well as the main factors that affect the accuracy of the forecasts. Particular emphasis is placed on the analysis of Artificial Neural Networks, which in the context of the evolution of the machine learning industry have played a decisive role in improving the performance of renewable energy forecasting models. In this context and focusing on understanding the uncertainty involved in an energy production forecasting process, an innovative, hybrid model of short-term wind generation forecasting based on machine learning techniques is proposed. An optimized swarm algorithm is adapted and applied to the proposed methodology to optimize the hyperparameters of the proposed architecture. The effectiveness of the model is proven by comparing the results obtained with state-of-the-art probabilistic wind power generation prediction models. Then, focusing on power prediction from photovoltaic systems, an innovative, hybrid model for short-term, probabilistic forecasting is developed, suitable for photovoltaic power forecasting. A complex, improved chicken swarm type algorithm was adapted to the architecture of the proposed model, managing to improve its performance, while avoiding increasing the computational cost of the methodology. In addition, a prey-predator mechanism is integrated into the final hybrid model to further improve the search capabilities of the proposed model for optimal predictive outcomes. The model is applied to real data of solar parks. The final results highlight both the superiority of the proposed forecasting model over state-of-the-art models to which the available data were applied, as well as its applicability to real-world photovoltaic power forecasting problems.In conclusion, the proposed models introduce an innovative framework of methodologies that contribute to the penetration of wind and photovoltaic power generation in electric power systems.

Η παρούσα διδακτορική διατριβή, αναπτύσσοντας πρωτότυπα μοντέλα πρόβλεψης της αιολικής και φωτοβολταϊκής παραγωγής, συμβάλλει στη διείσδυση της αιολικής και φωτοβολταϊκής παραγωγής στα συστήματα ηλεκτρικής ενέργειας. Αρχικά, παρουσιάζονται οι κατηγορίες μοντέλων πρόβλεψης που έχουν αναπτυχθεί ανά τα χρόνια για την επιτυχή και ακριβή πρόβλεψη από συστήματα αιολικής και φωτοβολταϊκής παραγωγής αλλά και οι βασικότεροι παράγοντες που επηρεάζουν την ακρίβεια της πρόβλεψης. Ιδιαίτερη έμφαση δίνεται στην ανάλυση των Τεχνητών Νευρωνικών Δικτύων, που στα πλαίσια εξέλιξης του κλάδου της μηχανικής μάθησης έχουν παίξει καθοριστικό ρόλο στη βελτίωση της απόδοσης των μοντέλων πρόβλεψης ενέργειας από Ανανεώσιμες Πηγές. Σε αυτό το πλαίσιο και εστιάζοντας στην κατανόηση της αβεβαιότητας που περιέχεται σε μια διαδικασία πρόβλεψης παραγωγής ενέργειας, προτείνεται ένα καινοτόμο, υβριδικό μοντέλο βραχυπρόθεσμης πρόβλεψης αιολικής παραγωγής, στηριζόμενο σε τεχνικές μηχανικής μάθησης. Ένας βελτιστοποιημένος αλγόριθμος σμήνους προσαρμόζεται και εφαρμόζεται στην προτεινόμενη μεθοδολογία για την βελτιστοποίηση των υπερπαραμέτρων της προτεινόμενης αρχιτεκτονικής. Το μοντέλο εφαρμόζεται σε πραγματικά δεδομένα αιολικών συστημάτων. Η αποτελεσματικότητα του μοντέλου αποδεικνύεται μέσω της σύγκρισης των αποτελεσμάτων που προκύπτουν με τελευταίας τεχνολογίας μοντέλα πιθανοτικής πρόβλεψης αιολικής παραγωγής.Στη συνέχεια, εστιάζοντας στην πρόβλεψη παραγωγής ενέργειας από φωτοβολταϊκά συστήματα, αναπτύσσεται ένα πρωτότυπο, υβριδικό μοντέλο βραχυπρόθεσμης, πιθανοτικής πρόβλεψης, κατάλληλο για την πρόβλεψη φωτοβολταϊκής παραγωγής. Ένας πολύπλοκος, βελτιωμένος αλγόριθμος τύπου σμήνους κοτόπουλων προσαρμόζεται στην αρχιτεκτονική του προτεινόμενου μοντέλου, καταφέρνοντας να βελτιώσει την απόδοσή του, αποφεύγοντας παράλληλα να επιβαρύνει το υπολογιστικό κόστος της μεθοδολογίας. Επιπλέον, ένας μηχανισμός θηράματος-θηρευτή ενσωματώνεται στο τελικό υβριδικό μοντέλο για να βελτιώσει εκ νέου τις δυνατότητες αναζήτησης του προτεινόμενου μοντέλου για τη βέλτιστη δυνατή πρόβλεψη. Το μοντέλο εφαρμόζεται σε πραγματικά δεδομένα φωτοβολταϊκών συστημάτων. Τα τελικά αποτελέσματα αναδεικνύουν, τόσο την ανωτερότητα του προτεινόμενου μοντέλου πρόβλεψης έναντι μοντέλων τελευταίας τεχνολογίας στα οποία εφαρμόστηκαν τα διαθέσιμα δεδομένα, όσο και τη δυνατότητα εφαρμογής του μοντέλου σε πραγματικά προβλήματα πρόβλεψης φωτοβολταϊκής παραγωγής.Συμπερασματικά, τα προτεινόμενα μοντέλα εισάγουν ένα καινοτόμο πλαίσιο μεθοδολογιών πιθανοτικής βραχυπρόθεσμης πρόβλεψης με υβριδικές μεθόδους μηχανικής μάθησης, που συμβάλλουν στη διείσδυση της αιολικής και φωτοβολταϊκής παραγωγής στα συστήματα ηλεκτρικής ενέργειας.