Συντάχθηκε 14-02-2013 14:44
από Galateia Malandraki
Email συντάκτη: gmalandraki<στο>tuc.gr
Ενημερώθηκε:
-
Ιδιότητα: υπάλληλος ΑΡΜΗΧ.
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Τμήμα Ηλεκτρονικών Μηχανικών & Μηχανικών Υπολογιστών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Θεοχάρη Μιχελογιαννάκη
με θέμα
“ Πρόβλεψη Παραγωγής Φωτοβολταϊκού Πλαισίου με χρήση Τεχνητών Νευρωνικών Δικτύων.”
“Photovoltaics (PV) Power Forecasting Using Artificial Neural Networks”
Τρίτη 19 Φεβρουαρίου 2013, 13:00 μ.μ.
Αίθουσα 145Π42, Πολυτεχνειούπολη
Εξεταστική Επιτροπή
Καθηγητής Γεώργιος Σταυρακάκης (επιβλέπων)
Καθηγητής Κωνσταντίνος Καλαϊτζάκης
Διδάσκων Π.Δ. 407/80 Αντώνιος Τσικαλάκης
Περίληψη
Η διείσδυση της Φωτοβολταϊκής (Φ/Β) παραγωγής αυξάνεται σημαντικά τα τελευταία χρόνια. Ο σκοπός της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη ενός μοντέλου βραχυπρόθεσμης πρόβλεψης παραγωγής ενός Φ/Β πλαισίου 225W και η παροχή πληροφοριών αναφορικά με το σφάλμα πρόβλεψης. Στα πλαίσια αυτά, χρησιμοποιήθηκε το εμπειρικό μοντέλο της Sandia National Laboratories και μια ομάδα Τεχνητών Νευρωνικών Δικτύων (ΤΝΔ), υλοποιημένα σε γλώσσα του περιβάλλον matlab. Το μοντέλο της Sandia National Laboratories χρησιμοποιεί ως εισόδους μετεωρολογικά δεδομένα και δεδομένα που παρέχονται από το φύλλο προδιαγραφών του κατασκευαστή και εξάγει τιμές ισχύος. Τα ΤΝΔ εκπαιδευτήκαν ώστε να κάνουν βραχυπρόθεσμη πρόβλεψη μετεωρολογικών δεδομένων.
Αρχικά, με σκοπό την ωριαία πρόβλεψη έντασης ηλιακής ακτινοβολίας, θερμοκρασίας και ταχύτητας του ανέμου επόμενου 24ωρου, εκπαιδεύονται 3 ομάδες ΤΝΔ. Η εκπαίδευση της κάθε ομάδας έγινε με τις ωριαίες τιμές του αντίστοιχου μετεωρολογικού δεδομένου, που μετρήθηκαν στην περιοχή του Πολυτεχνείου Κρήτης κατά τη διάρκεια όλου του έτους 2003. Στην πρόβλεψη της έντασης της ηλιακής ακτινοβολίας έγινε εκτενέστερη έρευνα, διότι η Φ/Β παράγωγη εξαρτάται κυρίως από αυτήν, σε αντίθεση με την θερμοκρασία και την ταχύτητα του άνεμου. Η εκπαίδευση της ομάδας ΤΝΔ που αφορά την πρόβλεψη της, δεν περιορίστηκε μόνο με ωριαίες τιμές ηλιακής ακτινοβολίας του έτους 2003, αλλά αξιοποιήθηκε ακόμα μια είσοδος, οι ωριαίες τιμές μέσης ημερήσιας έντασης ηλιακής ακτινοβολίας που προκύπτουν από τη μέση μηναία ηλιοφάνεια της περιοχής των Χανιών συμφώνα με τα στοιχειά της ΤΟΤΕΕ 20701-3/2010. Με την προσθήκη αυτή, τα ΤΝΔ επέτυχαν να προβλέψουν την έντασης της ηλιακής ακτινοβολίας με μέσο απόλυτο σφάλμα 34,52watt/m2 και μια τάση υποεκτίμησης της, 27% έναντι 20% υπερεκτίμησης. Παρουσιάζεται ξεχωριστά για κάθε μετεωρολογικό δεδομένο τα σφάλματα εκτίμησης του καθώς και τις συνέπειες που έχουν αυτά στην πρόβλεψη της παραγωγής.
Στην συνέχεια, χρησιμοποιείται το μοντέλο της Sandia National Laboratories, με εισόδους τις ωριαίες προβλέψεις των μετεωρολογικών δεδομένων, για την εξαγωγή των αποτελεσμάτων πρόβλεψης Φ/Β παραγωγής. Το μοντέλο επέτυχε να κάνει πρόβλεψη Φ/Β ισχύος με MAPE 2.8% και με ακραίο απόλυτο σφάλμα για το 95% των περιπτώσεων εντός του 14%. Επειδή υπήρξε μια τάση υποεκτίμησης της τιμής της έντασης της ηλιακής ακτινοβολίας, η αντίστοιχη υποεκτίμηση 26%, έναντι 19% υπερεκτίμησης, παρατηρήθηκε και στην πρόβλεψη παραγωγής. Παρέχεται μια συγκεντρωτική παρουσίαση των αποτελεσμάτων και διεξοδική ανάλυση του εύρους των σφαλμάτων της παραγόμενης πρόβλεψης που με αναλυτικά διαγράμματα και πίνακες, τα οποία μπορεί να είναι χρήσιμα για τους τελικούς χρήστες του μοντέλου όπως διαχωριστές ΣΗΕ.
Το μοντέλο που αναπτύχτηκε μπορεί να χρησιμοποιηθεί και για την πρόβλεψη παραγωγής διαφορετικών Φ/Β πλαισίων και επίσης για την πρόβλεψη παραγωγής Φ/Β συστοιχιών ή πάρκων. Τέλος, προτείνονται τρόποι για βελτίωση του μοντέλου και περεταίρω έρευνα.
Abstract
Photovoltaic (PV) penetration has increased significantly the past few years. The purpose of this thesis is to develop a short-term forecasting model for a 225W PV panel production and provide information about its prediction error.
For this purpose, the Sandia National Laboratories model and a group of Artificial Neural Networks (ANN) were combined in MATLAB environment. The Sandia National Laboratories model uses as inputs meteorological data and data provided by the specification sheet of the manufacturer exporting power values. The ANNs were trained to implement short-term forecasting of meteorological data.
Initially, in order to forecast solar radiation intensity, temperature and wind speed for the next 24 hours, 3 groups of ANN were trained. Hourly timeseries for meteorological data measured at TUC were used as training sets for each group of ANNs. More emphasis was put on improving solar radiation intensity prediction due to its significant impact on PV production, unlike temperature or wind speed. Apart from the meteorological measurements, the hourly average daily solar radiation intensity based on measurements in Chania was used. Such an addition, improves solar radiation intensity to an average absolute error 34,52 W/m2, more often underestimating its value 27% versus 20% overestimate. The errors on meteorological data forecasting were explicitly described.
The forecasted meteorological data combined with the Sandia National Laboratories, exports forecasted results of PV output. The model succeeded in forecasting the PV output with MAPE 2.8%. Additionally, 95% of the prediction presented lower than 14% absolute prediction error, usually underestimating PV production. A thorough presentation of the forecasting error of the model shows its efficacy under various conditions, daytime only, winter/summer period. Such table can be useful for end-users of the model such as power system operators.
The developed model can be also used to forecast production from a variety of PV panels and extrapolate predictions for PV arrays or parks.
