Μοντελοποίηση της αξιοποίησης των ανανεώσιμων πηγών ενέργειας με την χρήση μηχανικής μάθησης και μαθηματικών εργαλείων

Abstract

The production of electricity through renewable energy sources has increased greatly in recent years. Countries have primarily turned to this form of energy for environmental, economic and security reasons. Optimizing the efficiency of renewable energy sources and minimizing their impacts are influenced by many factors and depend mainly on the characteristics of the installation site. The literature, in particular, divides the criteria that affect the location of wind farms into three categories: environmental, economic and social. Most of the research that has been done on the particular topic aims to establish individual criteria that correspond to a weighting factor in order to achieve balance among these three categories. Such an approach can lead to incorrect conclusions or to conclusions that cannot be generalized and applied to areas with different characteristics. In this doctoral thesis, a wind farm siting methodology is proposed, according to which it is not necessary to define weighting factors for each criterion. This is achieved through machine learning techniques and methods such as clustering and neural networks. The Greek Territory as a whole is the study area, as its geomorphology and the special meteorological conditions that prevail make it one of the most suitable areas for the installation of renewable energy sources worldwide. The locations of the already installed wind turbines were retrieved and for each one nine characteristics were calculated which, according to the extensive literature review carried out, are considered the most important criteria. Initially, clustering was performed on the locations of the wind turbines, which is based on the objects of computational geometry and graph theory. The results of this process lead to important conclusions about the characteristics of the areas where wind turbines are installed, as well as how these areas were affected by the said investments. Then it was designed a neural network of radial basis functions, which is trained using the characteristics of the areas with installed wind turbines. This allows the network to assess potential new locations for wind farm installation and operation. The neural network exploits the clustering of wind turbines and classifies the new locations into the resulting clusters. Finally, the landscape fragmentation index is added in order to exclude areas that have not been affected by external interventions. Also, protected areas (wildlife refuges, wetlands, Natura areas, etc.) have been excluded from the possible locations, for environmental reasons. Through these two additions, the increase in the acceptance of public opinion regarding the installation and operation of wind turbines is achieved. According to the results, it was found that the locations of wind turbines in Greece can be separated into four groups with different characteristics. New sites were assessed for suitability and classified according to these four categories. Subsequently, all sites presenting a “Low” or “Very Low” landscape fragmentation index were removed. Therefore, potential locations for the installation of wind farms in the Greek Territory have been evaluated, drawing information from the characteristics of the already installed wind turbines. A key feature of the methodology is the ability to redefine the findings in the event of new data or new features becoming available. Finally, it is possible to apply it to different types of renewable sources, such as photovoltaic or offshore wind farms.

Η παραγωγή ηλεκτρικής ενέργειας μέσω ανανεώσιμων πηγών ενέργειας έχει αυξηθεί κατά πολύ μεγάλο βαθμό τα τελευταία χρόνια. Οι λόγοι για τους οποίους τα κράτη έχουν στραφεί προς αυτή τη μορφή ενέργειας είναι κυρίως περιβαλλοντικοί, οικονομικοί και ασφάλειας. Η βελτιστοποίηση της απόδοσης των ανανεώσιμων πηγών ενέργειας και η ελαχιστοποίηση των επιπτώσεων που αυτές επιφέρουν επηρεάζονται από πολλούς παράγοντες και εξαρτώνται κυρίως από τα χαρακτηριστικά της τοποθεσίας εγκατάστασης. Ιδιαίτερα, τα κριτήρια που επηρεάζουν τη χωροθέτηση των αιολικών πάρκων διαχωρίζονται από τη βιβλιογραφία σε τρεις κατηγορίες, περιβαλλοντικά, οικονομικά και κοινωνικά. Η πλειοψηφία των ερευνών που έχουν μελετήσει το συγκεκριμένο αντικείμενο αναζητά την ισορροπία μεταξύ των τριών αυτών κατηγοριών καθορίζοντας επιμέρους κριτήρια στα οποία αντιστοιχεί ένας συντελεστής βαρύτητας. Μία τέτοια προσέγγιση μπορεί να οδηγήσει σε λανθασμένα συμπεράσματα ή σε συμπεράσματα τα οποία δεν μπορούν να γενικευτούν και να εφαρμοστούν σε περιοχές με διαφορετικά χαρακτηριστικά. Στην παρούσα διδακτορική διατριβή προτείνεται μία μεθοδολογία χωροθέτησης αιολικών πάρκων σύμφωνα με την οποία δεν απαιτείται ο καθορισμός συντελεστών βαρύτητας για κάθε κριτήριο. Αυτό επιτυγχάνεται μέσω τεχνικών και μεθόδων της μηχανικής μάθησης, όπως είναι η συσταδοποίηση και τα τεχνητά νευρωνικά δίκτυα. Η περιοχή μελέτης είναι το σύνολο της Ελληνικής Επικράτειας, καθώς η γεωμορφολογία της και οι ιδιαίτερες μετεωρολογικές συνθήκες που επικρατούν την αναδεικνύουν σε μία από τις καταλληλότερες περιοχές για εγκατάσταση ανανεώσιμων πηγών ενέργειας παγκοσμίως. Ανακτήθηκαν οι τοποθεσίες των ήδη εγκατεστημένων ανεμογεννητριών και για κάθε μία υπολογίστηκαν εννέα χαρακτηριστικά τα οποία σύμφωνα με την εκτενή βιβλιογραφική ανασκόπηση που πραγματοποιήθηκε θεωρούνται τα πιο σημαντικά κριτήρια. Αρχικά πραγματοποιήθηκε συσταδοποίηση στις τοποθεσίες των ανεμογεννητριών, η οποία βασίζεται στα αντικείμενα της υπολογιστικής γεωμετρίας και της θεωρίας γράφων. Τα αποτελέσματα αυτής της διαδικασίας οδηγούν σε σημαντικά συμπεράσματα σχετικά με τα χαρακτηριστικά των περιοχών όπου υπάρχουν εγκατεστημένες ανεμογεννήτριες, καθώς επίσης και στον τρόπο με τον οποίο αυτές οι περιοχές έχουν επηρεαστεί από τις εν λόγω επενδύσεις. Στη συνέχεια σχεδιάστηκε ένα τεχνητό νευρωνικό δίκτυο συναρτήσεων ακτινικής βάσης, το οποίο εκπαιδεύεται μέσω των χαρακτηριστικών των περιοχών με εγκατεστημένες ανεμογεννήτριες, ώστε στη συνέχεια να αξιολογήσει νέες τοποθεσίες πιθανές για εγκατάσταση και λειτουργία αιολικών πάρκων. Το τεχνητό νευρωνικό δίκτυο εκμεταλλεύεται τη συσταδοποίηση των ανεμογεννητριών και ταξινομεί τις νέες τοποθεσίες στις συστάδες που έχουν προκύψει.Τέλος γίνεται προσθήκη του δείκτη κατακερματισμού τοπίου με σκοπό τον αποκλεισμό των περιοχών οι οποίες δεν έχουν επηρεαστεί από εξωγενείς παρεμβάσεις. Επίσης οι προστατευόμενες περιοχές (καταφύγια άγριας ζωής, υδροβιότοποι, περιοχές Natura κλπ) έχουν εξαιρεθεί από τις πιθανές τοποθεσίες, για περιβαλλοντικούς λόγους. Μέσα από τις δύο αυτές προσθήκες επιτυγχάνεται η αύξηση της αποδοχής της κοινής γνώμης σχετικά με την εγκατάσταση και τη λειτουργία των ανεμογεννητριών. Σύμφωνα με τα αποτελέσματα βρέθηκε ότι οι τοποθεσίες των ανεμογεννητριών στην Ελλάδα μπορούν να διαχωριστούν σε τέσσερις ομάδες με διαφορετικά χαρακτηριστικά. Οι νέες τοποθεσίες αξιολογήθηκαν για την καταλληλότητά τους και ταξινομήθηκαν σύμφωνα με αυτές τις τέσσερις κατηγορίες. Στη συνέχεια εξαιρέθηκαν όσες τοποθεσίες παρουσιάζουν “Χαμηλό” ή “Πολύ χαμηλό” δείκτη κατακερματισμού τοπίου. Συνεπώς έχουν αξιολογηθεί πιθανές τοποθεσίες για εγκατάσταση αιολικών πάρκων στην Ελληνική Επικράτεια, αντλώντας πληροφορίες από τα χαρακτηριστικά των ήδη εγκατεστημένων ανεμογεννητριών. Βασικό χαρακτηριστικό της μεθοδολογίας είναι η δυνατότητα επαναπροσδιορισμού των ευρημάτων σε περίπτωση διάθεσης νέων δεδομένων ή νέων χαρακτηριστικών. Τέλος, δίνεται δυνατότητα εφαρμογής σε διαφορετικού τύπου ανανεώσιμες πηγές, όπως είναι τα φωτοβολταϊκά ή τα υπεράκτια αιολικά πάρκα.