Forecasting power output of photovoltaic systems using machine learning techniques. Πρόβλεψη παραγόμενης ενέργειας σε φωτοβολταϊκά συστήματα με τη χρήση τεχνικών μαχανικής μάθησης

Περίληψη

The subject of this master thesis is the development of machine learning techniques from meteorological data, in order to accurately predict the value of the power generated by a photovoltaic park. To achieve this goal, various techniques such as clustering and classification will be tested to detect current meteorological conditions and to derive through appropriate correlations the prediction of the generated energy at a specific time. Our development consists of the following steps: data pre-processing, application of advanced techniques, and finally evaluation to identify those parameters that affect the quality of the forecast. Accurate power output forecasting is a critical credibility factor for both conventional and renewable modern power systems. Renewable power systems, like photovoltaic (PV) systems, could be severely affected by alternating weather conditions, which have an important impact the forecast accuracy. In this thesis a comparative analysis between contemporary linear and non-linear methods for power output forecasting is provided. In particular, the Autoregressive Integrated Moving Average (ARIMA) model is used as a linear method and an Artificial Neural Network (ANN) as a non-linear one. Moreover, enhanced models that incorporate, apart from energy, meteorological variables as explanatory variables in both linear and non-linear models are presented. Preliminary results, through experimentation on real data from a photovoltaic park in Crete, Greece have shown that the proposed enhanced methods result in increased forecasting accuracy to the base models.

Αντικείμενο της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη τεχνικών μηχανικής μάθησης από μετεωρολογικά δεδομένα, με σκοπό την ακριβή πρόβλεψη της ενέργειας που παράγει ένα φωτοβολταϊκό πάρκο. Για την επίτευξη του στόχου αυτού στα πλαίσια αυτής της διπλωματικής εργασίας έχουν δοκιμαστεί διάφορες τεχνικές όπως αυτές της μηχανικής μάθησης, αλλά και τεχνικές μοντελοποίησης χρονοσειρών. Γίνεται ανίχνευση των τρεχουσών μετεωρολογικών συνθηκών και από αυτές να προκύψει, μέσω κατάλληλων συσχετίσεων, η πρόβλεψη της παραγόμενης ενέργειας σε συγκεκριμένο χρονικό ορίζοντα. Η ανάπτυξη περιλαμβάνει τη φάση της προ-επεξεργασίας των δεδομένων, της εφαρμογής των ανεπτυγμένων τεχνικών αλλά και της δοκιμαστικής σύγκρισης με σκοπό τον εντοπισμό των σημαντικών παραμέτρων που επηρεάζουν την ποιότητα της πρόβλεψης. Η ακριβής πρόβλεψη της εξερχόμενης ενέργειας είναι ένας κρίσιμος συντελεστής αξιοπιστίας τόσο για συμβατικά όσο και για ανανεώσιμα σύγχρονα συστήματα ενέργειας. Τα συστήματα ανανεώσιμων πηγών ενέργειας, όπως τα φωτοβολταϊκά συστήματα, επηρεάζονται σοβαρά από τις εναλλασσόμενες καιρικές συνθήκες, και αυτό είναι ένα ζήτημα που επηρεάζει την ακρίβεια των προβλέψεων. Στην παρούσα διπλωματική εργασία παρέχεται μια συγκριτική ανάλυση μεταξύ σύγχρονων γραμμικών και μη γραμμικών μεθόδων για την πρόβλεψη της ενέργειας. Συγκεκριμένα, το αυτοπαλινδρομούμενο μοντέλο κινούμενου μέσου χρησιμοποιείται ως γραμμική μέθοδος και ένα τεχνητό νευρωνικό δίκτυο ως ένα μη γραμμικό. Επιπλέον, παρουσιάζονται βελτιωμένα μοντέλα που ενσωματώνουν, εκτός από την ενέργεια, τις μετεωρολογικές μεταβλητές ως ανεξάρτητες μεταβλητές τόσο στην περίπτωση των γραμμικών όσο και στην περίπτωση των μη γραμμικών μοντέλων. Τα προκαταρκτικά αποτελέσματα, μέσω πειραμάτων που διεξήχθησαν πάνω σε πραγματικά δεδομένα από ένα φωτοβολταϊκό πάρκο στην Κρήτη, δείχνουν αυξημένη ακρίβεια πρόβλεψης των βελτιωμένων μεθόδων σε σύγκριση με τα βασικά μοντέλα.