Συμβολή στις πιθανοτικές προβλέψεις παραγωγής ΑΠΕ με χρήση προηγμένων τεχνικών μηχανικής μάθησης

Abstract

The PhD thesis focuses on the development of advanced machine learning techniques for the probabilistic prediction of renewable energy production, with emphasis on wind and solar energy. The integration of RES into existing power systems presents significant difficulties for system operators and market players, mainly due to their dependence on weather conditions. To successfully integrate RES and reduce power imbalances in the market, accurate forecasting is essential along with the development of decision support tools. The first chapter introduces the scope of the thesis and describes the research objectives and the context in which the thesis is developed. The second chapter focuses on weather forecasting and discusses weather forecasting methods and their importance for accurate solar and wind energy forecasting. The third chapter presents the physical and statistical modelling techniques used to forecast renewable energy production. The forecasting methods and their importance for the integration of RES into existing power systems are analysed. Chapter four discusses the processing of numerical weather forecasts for wind speed prediction. A new method based on artificial neural networks is presented, which approximates the probability distribution functions. The fifth chapter presents the use of hybrid neural networks to estimate probability distributions in forecasting renewable energy production. The new parametric method based on artificial neural networks is analyzed, which combines the cluster forecasting and probability density estimation processes into a single multi-component architecture. In chapter six, the challenge of forecasting RES generation from geographically distributed plants over large areas is addressed. The dimensionality problem created by the large number of input data based on weather forecasts is solved by a dimensionality reduction method. This method divides the numerical weather forecasts into sub-regions and selects only the most relevant ones, which are used as inputs to the forecast models. Chapter seven investigates the accuracy, consistency and value of the probabilistic RES generation forecasts. The basic principles of energy markets are analysed. This analysis includes the use of probabilistic models to forecast total generation and manage the risks associated with price fluctuations and volatility of energy production. The final chapter summarizes the main findings of the thesis and suggests directions for future research. The main contributions of the thesis to the development of reliable probabilistic models for predicting wind speed and renewable generation, as well as the prospects for further refinement and application of these models in real-world conditions are discussed.

Η διδακτορική διατριβή επικεντρώνεται στην ανάπτυξη προηγμένων τεχνικών μηχανικής μάθησης για την πιθανοτική πρόβλεψη της παραγωγής ΑΠΕ, με έμφαση στην αιολική και ηλιακή ενέργεια. Η ενσωμάτωση των ΑΠΕ στα υφιστάμενα συστήματα ηλεκτρικής ενέργειας παρουσιάζει σημαντικές δυσκολίες για τους διαχειριστές συστημάτων και τους φορείς της αγοράς, κυρίως λόγω της εξάρτησής τους από τις καιρικές συνθήκες. Για την επιτυχή ενσωμάτωση των ΑΠΕ και τη μείωση των ανισορροπιών ισχύος στην αγορά, η ακριβής πρόβλεψη είναι απαραίτητη μαζί με την ανάπτυξη εργαλείων υποστήριξης αποφάσεων. Το πρώτο κεφάλαιο εισάγει το αντικείμενο της διατριβής και περιγράφονται οι στόχοι της έρευνας και το πλαίσιο μέσα στο οποίο αναπτύσσεται η διατριβή. Το δεύτερο κεφάλαιο επικεντρώνεται στην πρόγνωση καιρού και αναλύονται οι μέθοδοι πρόβλεψης καιρού και η σημασία τους για την ακριβή πρόβλεψη της ηλιακής και αιολικής ενέργειας. Το τρίτο κεφάλαιο παρουσιάζει τις τεχνικές φυσικής και στατιστικής μοντελοποίησης που χρησιμοποιούνται για την πρόβλεψη της παραγωγής από ΑΠΕ. Αναλύονται οι μέθοδοι πρόβλεψης και η σημασία τους για την ενσωμάτωση των ΑΠΕ στα υφιστάμενα συστήματα ηλεκτρικής ενέργειας. Στο τέταρτο κεφάλαιο εξετάζεται η επεξεργασία των αριθμητικών προβλέψεων καιρού για την πρόβλεψη της ταχύτητας του ανέμου. Παρουσιάζεται μια νέα μέθοδος βασισμένη στα τεχνητά νευρωνικά δίκτυα, η οποία προσεγγίζει τις συναρτήσεις των κατανομών πιθανοτήτων. Το πέμπτο κεφάλαιο παρουσιάζει τη χρήση υβριδικών νευρωνικών δικτύων για την εκτίμηση κατανομών πιθανότητας στην πρόβλεψη της παραγωγής ΑΠΕ. Αναλύεται η νέα παραμετρική μέθοδος που βασίζεται σε τεχνητά νευρωνικά δίκτυα, η οποία συνδυάζει τις διαδικασίες πρόβλεψης σε ομάδες και εκτίμησης πυκνότητας πιθανότητας σε μια ενιαία αρχιτεκτονική πολλαπλών συνιστωσών. Στο έκτο κεφάλαιο, αντιμετωπίζεται η πρόκληση της πρόβλεψης της παραγωγής ΑΠΕ από γεωγραφικά κατανεμημένες μονάδες σε μεγάλες περιοχές. Το πρόβλημα της διαστατικότητας που δημιουργείται από τον μεγάλο αριθμό δεδομένων εισόδου που βασίζονται στις προβλέψεις καιρού, επιλύεται με μια μέθοδο μείωσης της διαστατικότητας. Αυτή η μέθοδος χωρίζει τις αριθμητικές προβλέψεις καιρού σε υποπεριοχές και επιλέγει μόνο τις πιο σχετικές, οι οποίες χρησιμοποιούνται ως είσοδοι στα μοντέλα πρόβλεψης.Το έβδομο κεφάλαιο διερευνά την ακρίβεια, τη συνέπεια και την αξία των πιθανοτικών προβλέψεων παραγωγής ΑΠΕ. Αναλύονται οι βασικές αρχές των ενεργειακών αγορών. Η ανάλυση αυτή περιλαμβάνει τη χρήση πιθανοτικών μοντέλων για την πρόβλεψη της συνολικής παραγωγής και τη διαχείριση των κινδύνων που συνδέονται με τις διακυμάνσεις των τιμών και τη μεταβλητότητα της παραγωγής ενέργειας. Το τελευταίο κεφάλαιο συνοψίζει τα κύρια ευρήματα της διατριβής και προτείνει κατευθύνσεις για μελλοντική έρευνα. Αναλύονται οι κύριες συνεισφορές της διατριβής στην ανάπτυξη αξιόπιστων πιθανοτικών μοντέλων πρόβλεψης της ταχύτητας του ανέμου και της παραγωγής από ΑΠΕ, καθώς και οι προοπτικές για την περαιτέρω βελτίωση και εφαρμογή αυτών των μοντέλων σε πραγματικές συνθήκες.