Ανάπτυξη μοντέλων πρόβλεψης παραγωγής αιολικής ισχύος με χρήση νευρωνικών δικτύων και τεχνικών ασαφούς λογικής

Abstract

In the present doctoral thesis, two advanced wind power forecasting methodologies are developed. The methodologies are based on techniques of artificial intelligence. The two wind power prediction models that were developed, give precise forecasts of a wind farm production for the next two or three days, based on the numerical weather predictions that are provided by meteorological models with high resolution. Beforehand, the processes that they follow the meteorological models are analyzed and the factors that influence the relations of numerical weather predictions with the wind farm production. These relations compose the problem of wind power forecasting. The structure of the first wind power forecasting model that will be presented in the present thesis is based on the quality of the numerical weather predictions. Firstly, the weather forecasts' reliability are estimated with a fuzzy inference module and depended on the numerical weather predictions quality, one of the radial base neural networks of the model are activated. The structure of the second proposed wind power forecasting model is based on the atmospheric conditions at the prediction time. The atmospheric conditions are first classified via a self-organized map. Then radial base function networks provide a first estimation of the wind power production. In the following step the uncertainty of the numerical weather predictions is estimated. At the end, radial base neural networks correct the initial wind power estimation base on the uncertainty of the numerical weather predictions. At the second wind power forecasting model a methodology was integrated that modifies the wind power point predictions to predicted wind power densities. The validation of the proposed wind power forecasting models is done in off-line and in on-line mode in real wind farms with different characteristics. Moreover, the online performance of the models is compared with the respective performance of two different state-of-art wind power forecasting models in five wind farms on the same evaluation period.

Στην παρούσα διδακτορική διατριβή, αναπτύσσονται δύο προηγμένες μεθοδολογίες για την πρόβλεψη της παραγωγής ενός αιολικού πάρκου που βασίζονται σε τεχνικές τεχνητής νοημοσύνης. Με βάση τις αριθμητικές προβλέψεις καιρού που παρέχονται από μετεωρολογικά μοντέλα υψηλής κλίμακας, αναπτύχθηκαν δύο μοντέλα πρόβλεψης τα οποία αφού εξετάσουν την αξιοπιστία αυτών των προβλέψεων, δίνουν ακριβείς προβλέψεις της παραγωγής ενός αιολικού πάρκου για τις επόμενες δύο ή τρεις ημέρες. Εκ των προτέρων, αναλύονται οι διαδικασίες που ακολουθούν τα μετεωρολογικά μοντέλα υψηλής κλίμακας και οι παράγοντες που επηρεάζουν τις σχέσεις των αριθμητικών προβλέψεων καιρού με την παραγωγή ενός αιολικού πάρκου, οι οποίες συνθέτουν και το πρόβλημα της πρόβλεψης της αιολικής ισχύος. Η δομή του πρώτου μοντέλου πρόβλεψης της αιολικής ισχύος που θα παρουσιαστεί στην παρούσα διατριβή βασίζεται στην ποιότητα των αριθμητικών προβλέψεων καιρού. Δηλαδή, με χρήση τεχνικών ασαφούς λογικής αξιολογούνται οι καιρικές προβλέψεις και με βάση αυτήν την αξιολόγηση ενεργοποιείται ένα από τα νευρωνικά δίκτυα ακτινωτής βάσης του μοντέλου. Η δομή του δεύτερου μοντέλου πρόβλεψης της αιολικής ισχύος στηρίζεται στην κατάσταση της ατμόσφαιρας την χρονική στιγμή που γίνεται η πρόβλεψη. Η ατμοσφαιρική κατάσταση πρώτα κατηγοριοποιείται μέσω έναν αυτο-οργανούμενο χάρτη. Στην συνέχεια νευρωνικά δίκτυα ακτινωτής βάσης παρέχουν μία πρώτη εκτίμηση της αιολικής ισχύος. Στο επόμενο βήμα αξιολογούνται οι αριθμητικές προβλέψεις καιρού και τέλος νευρωνικά δίκτυα ακτινωτής βάσης διορθώνουν την αρχική πρόβλεψη της αιολικής ισχύος με βάση την παραπάνω αξιολόγηση. Στο δεύτερο μοντέλο πρόβλεψης της αιολικής ισχύος ενσωματώθηκε μία μεθοδολογία που μετατρέπει τις προβλέψεις σημείου σε προβλεπόμενες συναρτήσεις πυκνότητας πιθανότητας της αιολικής ισχύος. Η επικύρωση των προτεινόμενων μοντέλων πρόβλεψης της αιολικής ισχύος έγινε σε off-line και σε on-line κατάσταση σε πραγματικά αιολικά πάρκα με διαφορετικά χαρακτηριστικά. Επιπλέον, η απόδοση των μοντέλων πρόβλεψης της αιολικής ισχύος συγκρίνεται με την απόδοση άλλων προηγμένων μοντέλων πρόβλεψης κατά την on-line λειτουργία τους σε πέντε διαφορετικά αιολικά πάρκα την ίδια χρονική περίοδο.