Διπλωματική Εργασία Πρόβλεψη Φωτοβολταϊκής Ισχύος στην Ελλάδα

Transcript

1 ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΏΝ & ΜΗΧΑΝΙΚΩΝ Η/Υ ΤΟΜΕΑΣ ΗΛΕΚΤΡΙΚΗΣ ΕΝΕΡΓΕΙΑΣ Διπλωματική Εργασία Πρόβλεψη Φωτοβολταϊκής Ισχύος στην Ελλάδα ΚΑΛΟΓΗΡΟΣ ΚΩΝΣΤΑΝΤΙΝΟΣ ΚΙΤΣΑΡΑΣ-ΝΑΣΣΗΣ ΚΩΝΣΤΑΝΤΙΝΟΣ ΕΠΙΒΛΕΠΩΝ: κ. ΜΗΝΑΣ ΑΛΕΞΙΑΔΗΣ ΛΕΚΤΟΡΑΣ Θεσσαλονίκη, 23

2 ΚΕΦΑΛΑΙΟ ΕΙΣΑΓΩΓΗ ΑΝΑΝΕΩΣΙΜΕΣ ΠΗΓΕΣ ΕΝΕΡΓΕΙΑΣ (ΑΠΕ) ΔΙΕΙΣΔΥΣΗ ΑΠΕ ΣΤΗΝ ΑΓΟΡΑ ΕΝΕΡΓΕΙΑΣ ΑΝΑΓΚΗ ΠΡΟΒΛΕΨΗΣ ΤΗΣ ΠΑΡΑΓΩΓΗΣ ΙΣΧΥΟΣ ΑΠΟ ΑΠΕ ΧΡΟΝΙΚΟΙ ΟΡΙΖΟΝΤΕΣ ΠΡΟΒΛΕΨΗΣ ΜΟΝΤΕΛΑ ΠΡΟΒΛΕΨΗΣ ΗΛΙΑΚΗ ΑΚΤΙΝΟΒΟΛΙΑ ΘΕΣΗ ΗΛΙΟΥ ΜΕΓΕΘΗ ΗΛΙΑΚΗΣ ΑΚΤΙΝΟΒΟΛΙΑΣ ΣΥΝΙΣΤΩΣΕΣ ΗΛΙΑΚΗΣ ΑΚΤΙΝΟΒΟΛΙΑΣ... 8 ΚΕΦΑΛΑΙΟ 2 ΒΙΒΛΙΟΓΡΑΦΙΚΗ ΑΝΑΣΚΟΠΗΣΗ ΦΥΣΙΚΑ ΜΟΝΤΕΛΑ ΠΡΟΒΛΕΨΗΣ ΕΙΣΑΓΩΓΗ ΑΡΙΘΜΗΤΙΚΑ ΜΟΝΤΕΛΑ ΠΡΟΒΛΕΨΗΣ (NUMERICAL WEATHER PREDICTION-NWP) ΜΟΝΤΕΛΑ ΧΑΡΤΟΓΡΑΦΗΣΗΣ ΝΕΦΩΣΕΩΝ (CLOUD IMAGERY) ΣΤΑΤΙΣΤΙΚΑ ΜΟΝΤΕΛΑ ΠΡΟΒΛΕΨΗΣ ΕΙΣΑΓΩΓΗ ΣΤΑΤΙΣΤΙΚΑ ΜΟΝΤΕΛΑ ΜΕ ΧΡΗΣΗ ΦΥΣΙΚΩΝ ΜΟΝΤΕΛΩΝ ΣΤΑΤΙΣΤΙΚΑ ΜΟΝΤΕΛΑ ΧΩΡΙΣ ΧΡΗΣΗ ΦΥΣΙΚΩΝ ΜΟΝΤΕΛΩΝ ΒΙΒΛΙΟΓΡΑΦΙΑ ΚΕΦΑΛΑΙΟ 3 ΒΡΑΧΥΠΡΟΘΕΣΜΗ ΠΡΟΒΛΕΨΗ ΦΩΤΟΒΟΛΤΑΙΚΗΣ ΙΣΧΥΟΣ ΕΙΣΑΓΩΓΗ ΠΡΟΒΛΕΨΗ ΜΕ ΤΕΧΝΗΤΑ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ ΣΧΗΜΑΤΙΣΜΟΣ ΔΕΔΟΜΕΝΩΝ ΑΝΑΠΤΥΞΗ ΚΑΝΟΝΙΚΟΥ ΜΟΝΤΕΛΟΥ ΒΡΑΧΥΠΡΟΘΕΣΜΗΣ ΠΡΟΒΛΕΨΗΣ ΕΦΑΡΜΟΓΗ ΚΑΙ ΑΠΟΤΕΛΕΣΜΑΤΑ ΔΙΑΣΠΟΡΑ ΠΡΟΒΛΕΨΕΩΝ ΑΝΑ ΠΡΑΓΜΑΤΙΚΕΣ ΤΙΜΕΣ ΔΙΑΣΠΟΡΑ ΣΦΑΛΜΑΤΩΝ ΑΝΑ ΠΡΑΓΜΑΤΙΚΕΣ ΤΙΜΕΣ

3 ΠΕΡΙΘΩΡΙΑ ΣΦΑΛΜΑΤΟΣ ΑΝΑΠΤΥΞΗ ΔΙΑΦΟΡΙΚΟΥ ΜΟΝΤΕΛΟΥ ΒΡΑΧΥΠΡΟΘΕΣΜΗΣ ΠΡΟΒΛΕΨΗΣ ΕΙΣΑΓΩΓΗ ΕΦΑΡΜΟΓΗ ΚΑΙ ΑΠΟΤΕΛΕΣΜΑΤΑ IDIF ΕΦΑΡΜΟΓΗ ΚΑΙ ΑΠΟΤΕΛΕΣΜΑΤΑ IDIF ΔΙΑΣΠΟΡΑ ΠΡΟΒΛΕΨΕΩΝ ΑΝΑ ΠΡΑΓΜΑΤΙΚΕΣ ΤΙΜΕΣ ΔΙΑΣΠΟΡΑ ΣΦΑΛΜΑΤΩΝ ΑΝΑ ΠΡΑΓΜΑΤΙΚΕΣ ΤΙΜΕΣ ΠΕΡΙΘΩΡΙΑ ΣΦΑΛΜΑΤΟΣ ΣΥΜΠΕΡΑΣΜΑΤΑ ΚΕΦΑΛΑΙΟ 4 ΜΑΚΡΟΠΡΟΘΕΣΜΗ ΠΡΟΒΛΕΨΗ ΦΩΤΟΒΟΛΤΑΪΚΗΣ ΙΣΧΥΟΣ ΕΙΣΑΓΩΓΗ ΚΑΝΟΝΙΚΟ ΜΟΝΤΕΛΟ ΜΑΚΡΟΠΡΟΘΕΣΜΗΣ ΠΡΟΒΛΕΨΗΣ ΣΤΗΝ ΕΛΛΑΔΑ ΕΦΑΡΜΟΓΗ ΚΑΙ ΑΠΟΤΕΛΕΣΜΑΤΑ ΔΙΑΣΠΟΡΑ ΠΡΟΒΛΕΨΕΩΝ ΑΝΑ ΠΡΑΓΜΑΤΙΚΕΣ ΤΙΜΕΣ ΔΙΑΣΠΟΡΑ ΣΦΑΛΜΑΤΩΝ ΑΝΑ ΠΡΑΓΜΑΤΙΚΕΣ ΤΙΜΕΣ ΜΕΣΟ ΩΡΙΑΙΟ ΣΦΑΛΜΑ ΠΡΙΝ ΚΑΙ ΜΕΤΑ ΤΗ ΧΡΗΣΗ ΦΙΛΤΡΟΥ ΔΙΑΦΟΡΙΚΟ ΜΟΝΤΕΛΟ ΜΑΚΡΟΠΡΟΘΕΣΜΗΣ ΠΡΟΒΛΕΨΗΣ ΣΤΗΝ ΕΛΛΑΔΑ ΕΦΑΡΜΟΓΗ ΚΑΙ ΑΠΟΤΕΛΕΣΜΑΤΑ ΔΙΑΣΠΟΡΑ ΠΡΟΒΛΕΨΕΩΝ ΑΝΑ ΠΡΑΓΜΑΤΙΚΕΣ ΤΙΜΕΣ ΔΙΑΣΠΟΡΑ ΣΦΑΛΜΑΤΩΝ ΑΝΑ ΠΡΑΓΜΑΤΙΚΕΣ ΤΙΜΕΣ ΜΕΣΟ ΩΡΙΑΙΟ ΣΦΑΛΜΑ ΣΤΟ ΚΑΝΟΝΙΚΟ ΚΑΙ ΔΙΑΦΟΡΙΚΟ ΜΟΝΤΕΛΟ ΜΑΚΡΟΠΡΟΘΕΣΜΗ ΠΡΟΒΛΕΨΗ ΣΕ Φ/Β ΠΑΡΚΑ ΕΙΣΑΓΩΓΗ ΜΑΚΡΟΠΡΟΘΕΣΜΗ ΠΡΟΒΛΕΨΗ ΣΤΟ Φ/Β ΠΑΡΚΟ ΤΗΣ ΑΜΦΙΚΛΕΙΑΣ ΜΑΚΡΟΠΡΟΘΕΣΜΗ ΠΡΟΒΛΕΨΗ ΣΤΟ Φ/Β ΠΑΡΚΟ ΤΗΣ ΔΡΑΜΑΣ ΜΑΚΡΟΠΡΟΘΕΣΜΗ ΠΡΟΒΛΕΨΗ ΣΤΟ Φ/Β ΠΑΡΚΟ ΤΗΣ ΑΡΤΑΣ ΜΑΚΡΟΠΡΟΘΕΣΜΗ ΠΡΟΒΛΕΨΗ ΣΤΟ Φ/Β ΠΑΡΚΟ ΣΤΑ ΣΠΑΤΑ ΑΠΟΤΕΛΕΣΜΑΤΑ ΠΡΟΒΛΕΨΗΣ ΣΤΑ 4 Φ/Β ΠΑΡΚΑ ΣΥΝΟΨΗ- ΣΥΜΠΕΡΑΣΜΑΤΑ

4 ΚΕΦΑΛΑΙΟ ΕΙΣΑΓΩΓΗ. ΑΝΑΝΕΩΣΙΜΕΣ ΠΗΓΕΣ ΕΝΕΡΓΕΙΑΣ (ΑΠΕ) Ως Ανανεώσιμες Πηγές Ενέργειας (ΑΠΕ) έχουν οριστεί οι ενεργειακές πηγές, οι οποίες υπάρχουν εν αφθονία στο φυσικό μας περιβάλλον. Είναι η πρώτη μορφή ενέργειας που χρησιμοποίησε ο άνθρωπος πριν στραφεί έντονα στη χρήση των ορυκτών καυσίμων. Οι βασικές μορφές ανανεώσιμων πηγών ενέργειας ή πράσινης ενέργειας είναι οι εξής: Την αιολική ή ηλιακή ενέργεια ή βιομάζας ή βιοαερίου Τη γεωθερμική ενέργεια Την ενέργεια της θάλασσας Το υδάτινο δυναμικό με μικρούς υδροηλεκτρικούς σταθμούς Μεγάλο πλεονέκτημα των ΑΠΕ είναι η φιλικότητα τους προς το περιβάλλον, δεν αποδεσμεύουν υδρογονάνθρακες, διοξείδιο του άνθρακα και ραδιενεργά απόβλητα. Επίσης, για την λειτουργία τους δεν απαιτείται εξόρυξη ή καύση όπως συμβαίνει με τους συμβατικούς σταθμούς παραγωγής ηλεκτρικής ενέργειας. Επιπλέον είναι εγχώριες πηγές ενέργειας και συνεισφέρουν στην ενίσχυση της ενεργειακής ανεξαρτησίας. Το βασικό μειονέκτημά τους είναι η μη ελεγχόμενη παραγωγή τους. Η χαμηλή προβλεψιμότητα της πρωτογενής πηγής ενέργειας (πχ. άνεμος, ήλιος) και η υψηλή της μεταβλητότητα έχει δημιουργήσει μεγάλη πρόκληση για την ενσωμάτωσή τους στο δίκτυο ηλεκτρικής ενέργειας..2 ΔΙΕΙΣΔΥΣΗ ΑΠΕ ΣΤΗΝ ΑΓΟΡΑ ΕΝΕΡΓΕΙΑΣ Η επιδίωξη από την παγκόσμια κοινότητα να μειωθεί η καταπόνηση του περιβάλλοντος που προέρχεται απο συμβατικούς σταθμούς παραγωγής ηλεκτρικής ενέργειας (λιγνιτικοί, πετρελαϊκοί, φυσικού αερίου κλπ.), καθώς και η αυξανόμενη μείωση των αποθεμάτων των φυσικών ενεργειακών πόρων (λιγνίτης, γαιάνθρακας κ.α.) έκαναν απαραίτητη την εισαγωγή των Ανανεώσιμων Πηγών Ενέργειας (ΑΠΕ) στην ενεργειακή παραγωγή. Η Ευρωπαϊκή Ένωση (ΕΕ) έχει θεσπίσει ένα κοινό πλαίσιο μεταξύ όλων των κρατών-μελών στοχεύοντας στην καταπολέμηση της κλιματικής αλλαγής, την αύξηση της ενεργειακής ασφάλειας της ΕΕ και την παράλληλη ενίσχυση της ανταγωνιστικότητάς της. Ο ευρωπαϊκός στόχος "2-2-2" ώθησε τις χώρες της ΕΕ να παράσχουν ισχυρά κίνητρα για την αύξηση της εγκατεστημένης ισχύος μονάδων παραγωγής ηλεκτρικής ενέργειας (ΗΕ) από ΑΠΕ, με ιδιαίτερη έμφαση στην παραγωγή ΗΕ από τον άνεμο (αιολική ενέργεια) και πιο πρόσφατα από τον ήλιο (φωτοβολταϊκά συστήματα). Μεγάλες μονάδες ΑΠΕ έχουν ήδη κατασκευαστεί και λειτουργούν σε όλη την Ευρώπη, ενώ η ένταξη νέων μικρών και μεγάλων έργων ΑΠΕ βρίσκεται ήδη σε εξέλιξη και αναμένεται να ολοκληρωθεί στο άμεσο μέλλον. Το 4

5 μερίδιο των ΑΠΕ στην παραγωγή ΗΕ αναμένεται να αυξηθεί σε 3-35% έως το 22,όπως φαίνεται στο παρακάτω σχήμα:.3 ΑΝΑΓΚΗ ΠΡΟΒΛΕΨΗΣ ΤΗΣ ΠΑΡΑΓΩΓΗΣ ΙΣΧΥΟΣ ΑΠΟ ΑΠΕ.3. ΧΡΟΝΙΚΟΙ ΟΡΙΖΟΝΤΕΣ ΠΡΟΒΛΕΨΗΣ Η ραγδαία διείσδυση των ΑΠΕ συναρτήσει με τη μεγάλη εξάρτησή τους από τα καιρικά φαινόμενα ιδιαίτερα στα φωτοβολταϊκά (Φ/Β) και στις ανεμογεννήτριες (Α/Γ) έχει κάνει επιτακτική την ανάγκη ανάπτυξης και χρήσης μοντέλων πρόβλεψης της παραγόμενης τους ενέργειας. Οι υφιστάμενοι χρονικοί ορίζοντες όπως είναι διαμορφωμένοι από την υπάρχουσα βιβλιογραφία είναι:\ Πολύ βραχυπρόθεσμη πρόβλεψη, όπου το εύρος του χρονικού ορίζοντα κυμαίνεται από 4 έως 9 ώρες, Βραχυπρόθεσμη πρόβλεψη, όπου ο χρονικός ορίζοντας εκτείνεται από το άνω όριο της πολύ βραχυπρόθεσμης πρόβλεψης μέχρι 48 ή 72 ώρες με τα περισσότερα μοντέλα πρόβλεψης αυτής της κατηγορίας να αναφέρονται σε ορίζοντες 24 ή 48 ωρών. Μεσοπρόθεσμη πρόβλεψη, όπου ο χρονικός ορίζοντας εκτείνεται από το όριο της βραχυπρόθεσμης πρόβλεψης μέχρι το όριο των 7 ημερών. Στόχος της παρούσας διπλωματικής εργασίας είναι να παρουσιάσει τις υπάρχουσες μεθόδους πρόβλεψης της φωτοβολταϊκής παραγωγής αλλά και να βελτιώσει τη πρόβλεψη προτείνοντας προσθήκες και παραλλαγές. 5

6 .3.2. ΜΟΝΤΕΛΑ ΠΡΟΒΛΕΨΗΣ Τα μοντέλα πρόβλεψης της ηλιακής ακτινοβολίας και της ηλεκτρικής ισχύος των φωτοβολταϊκών πάρκων διαχωρίζονται σε δύο γενικές κατηγορίες: τα φυσικά μοντέλα πρόβλεψης, τα οποία χρησιμοποιούν αριθμητικά μοντέλα NWP, όπως και μοντέλα χαρτογράφησης των νεφώσεων (cloud imagery models) τα στατιστικά μοντέλα πρόβλεψης, τα οποία στηρίζονται στη στατιστική επεξεργασία των ιστορικών τιμών της ηλιακής ακτινοβολίας ή της ηλεκτρικής ισχύος των Φ/Β. Τα φυσικά μοντέλα βρίσκουν ευρεία εφαρμογή στη βραχυπρόθεσμη και μεσοπρόθεσμη πρόβλεψη, εκεί όπου η αποδοτικότητα των αμιγώς στατιστικών μοντέλων φθίνει. Η έξοδος των μοντέλων είναι η εκτιμώμενη ηλιακή ακτινοβολία (κάθετη προσπίπτουσα ολική ηλιακή ακτινοβολία). Το βασικό μειονέκτημά τους είναι ότι η γεωγραφική διακριτοποίηση τους καλύπτει εκτενή γεωγραφική περιοχή και δεν μπορούν να χαρτογραφήσουν με ακρίβεια την εξέλιξη της τοπικής νέφωσης σε ακρίβεια φωτοβολταϊκού πάρκου. Επίσης, ανανεώνονται με αργό ρυθμό, γι αυτό και η έξοδος των μοντέλων περιορίζεται στην καλύτερη περίπτωση σε ωριαία ή τρίωρη πρόβλεψη, χωρίς να έχουν τη δυνατότητα να καλύψουν μεταβολές χρονικής κλίμακας μικρότερης της μίας ώρας. Συνήθως η χρήση στατιστικών μοντέλων εξόδου (Model Output Statistics, MOS) μπορεί να βελτιώσει τις προβλέψεις ηλιακής ακτινοβολίας που παρέχονται από τα φυσικά μοντέλα. Τα μοντέλα χαρτογράφησης νεφώσεων είναι φυσικά μοντέλα τα οποία προσπαθούν να χαρτογραφήσουν τη νέφωση και το οπτικό βάθος νέφωσης (cloud optical depth) με παρατηρήσεις είτε από δορυφόρους είτε από επίγειους σταθμούς. Τα μοντέλα αυτά είναι χρήσιμα για ορίζοντες πρόβλεψης έως 6 ώρες στο μέλλον Κατ' αντιστοιχία με τα στατιστικά μοντέλα πρόβλεψης της ανεμοπαραγωγής, παρόμοια στατιστικά μοντέλα χρονοσειρών, τεχνητής νοημοσύνης ή υβριδικά μοντέλα έχουν αναπτυχθεί και για την πρόβλεψη της φωτοβολταϊκής παραγωγής. Ομοίως, τα μοντέλα αυτά είτε βασίζονται αποκλειστικά στη στατιστική επεξεργασία ιστορικών δεδομένων παραγωγής (με ικανοποιητικά αποτελέσματα για βραχυπρόθεσμες προβλέψεις) είτε συνδυάζουν και τις εξόδους των αντίστοιχων μοντέλων NWP, βελτιώνοντας σημαντικά την ακρίβεια της πρόβλεψης για μακροπρόθεσμους χρονικούς ορίζοντες (μεγαλύτερους των 2 ωρών στο μέλλον). 6

7 .4 ΗΛΙΑΚΗ ΑΚΤΙΝΟΒΟΛΙΑ.4. ΘΕΣΗ ΗΛΙΟΥ Γενικά την θέση του Ηλίου στον ουρανό μπορούμε να την προσδιορίσουμε παραθέτοντας δύο γωνίες: Το ύψος του ήλιου (EL): είναι η γωνία μεταξύ της ευθείας από τον τόπο προς τον Ήλιο. Ισούται με την συμπληρωματική γωνία της ζενίθιας απόστασης του ήλιου (z), δηλαδή της γωνίας μεταξύ του κάθετου άξονα και της κατεύθυνσης της ακτινοβολίας του Ήλιου. Το αζιμούθιο του Ήλιου (Α): είναι η γωνία μεταξύ της νότιας διεύθυνσης και της προβολής της ακτινοβολίας του Ήλιου στο οριζόντιο επίπεδο. Μετριέται κατά την φορά κίνησης των δεικτών του ρολογιού με αναφορά στην κατεύθυνση του βορρά (από -36 ). Το EL και το Α προσδιορίζονται από τις σχέσεις: όπου: λ: το γεωμετρικό πλάτος του τόπου δ: η γωνία απόκλισης του Ήλιου την συγκεκριμένη ημέρα και ω: η ωριαία γωνία του Ήλιου τη χρονική στιγμή t A (ηλιακός χρόνος), όταν το ύψος και το αζιμούθιο του Ήλιου είναι EL και Α. Αυτή δίνεται από την σχέση: ω Ύψος ήλιου (EL), αζιμούθιο (Α), ζενίθια απόσταση (z) 7

8 Το φως του Ήλιου, με την ευρύτερη έννοια, είναι το συνολικό φάσμα συχνοτήτων της ηλεκτρομαγνητικής ακτινοβολίας που εκπέμπεται από τον Ήλιο. Στη Γη, το φως του Ήλιου φιλτράρεται μέσω της γήινης ατμόσφαιρας, και η ηλιακή ακτινοβολία είναι εμφανής ως φως της ημέρας όταν ο Ήλιος είναι επάνω από τον ορίζοντα..4.2 ΜΕΓΕΘΗ ΗΛΙΑΚΗΣ ΑΚΤΙΝΟΒΟΛΙΑΣ Ροή ή ισχύς ακτινοβολίας P (Watt): ροή της ηλιακής ακτινοβολίας P εκφράζει την μεταβολή της ενέργειας E στην μονάδα του χρόνου, σε ένα διάστημα Δt= t 2 -t. Πυκνότητα ισχύος ακτινοβολίας G (W/m 2 ): Eίναι ο ρυθμός με τον οποίο η ακτινοβολία προσπίπτει σε μία επιφάνεια, ανά μονάδα επιφάνειας. Το σύμβολο G χρησιμοποιείται για να εκφράσει την πυκνότητα ισχύος της ηλιακή ακτινοβολία, με τους κατάλληλους δείκτες για την άμεση, τη διάχυτη ή τη συνολική ακτινοβολία. Ένταση ακτινοβολίας J (W/m 2 ) Πρόκειται για την ισχύ ακτινοβολίας που προσπίπτει κάθετα προς μια επιφάνεια, διαιρούµενη με το εµβαδόν της επιφάνειας. Ηλιακή σταθερά J O :.4.3 ΣΥΝΙΣΤΩΣΕΣ ΗΛΙΑΚΗΣ ΑΚΤΙΝΟΒΟΛΙΑΣ Η ηλιακή ακτινοβολία εξασθενεί τόσο λόγω της απόστασης που διανύει μέχρι να φτάσει στην ατμόσφαιρα αλλά και λόγω των εμποδίων που συναντά όταν εισχωρήσει στην γήινη ατμόσφαιρα. Καθώς ηλιακή ακτινοβολία εισέρχεται στην ατμόσφαιρα, η έντασή της ελαττώνεται κάτω από την επίδραση τριών μηχανισμών: 8

9 Μηχανισμός απορρόφησης: η ακτινοβολία απορροφάται από τις διάφορες ενώσεις που βρίσκονται στην ατμόσφαιρα και μετατρέπεται σε θερμότητα. Πιο συγκεκριμένα το όζον απορροφά την υπεριώδη ακτινοβολία ενώ το διοξείδιο του άνθρακα και οι υδρατμοί απορροφούν την υπέρυθρη. Μηχανισμός σκέδασης: σύμφωνα με αυτόν τον μηχανισμό η ακτινοβολία εμποδίζεται να διέλθει λόγω των υδρατμών, της σκόνης και των διάφορων σωματιδίων της ατμόσφαιρας και έτσι αυτή αλλάζει κατεύθυνση διάδοσης. Μηχανισμός ανάκλασης: η ακτινοβολία ανακλάται λόγω της μορφολογίας του εδάφους ή της επικάλυψής του (γρασίδι ή χιόνι) και λόγω της πυκνότητας των νεφών. Επομένως σε κάθε τόπο της επιφάνειας της Γης φθάνουν τρείς συνιστώσες του ηλιακού φωτός: η απευθείας ή άμεση Β (Beam) ακτινοβολία η διάχυτη D (Diffuse) ακτινοβολία, η οποία σκεδάζεται στα μόρια του αέρα. Αυτή σε οριζόντια επιφάνεια προέρχεται απ όλο τον ουράνιο θόλο (πάνω από τον φυσικό ορίζοντα). Η ανακλώμενη ακτινοβολία στην επιφάνεια του εδάφους ή στα σύννεφα. Επομένως σε ένα φωτοβολταϊκό σύστημα η προσπίπτουσα ή ολική ακτινοβολία G (Global Irradiation) προέρχεται από την απευθείας, την διάχυτη και την ανακλώμενη ακτινοβολία από το έδαφος. Η ανακλώμενη ακτινοβολία όπως προανέφερα εξαρτάται απο την μορφολογία του εδάφους και από την πυκνότητα των νεφών ενώ η απευθείας και η διάχυτη ακτινοβολία εξαρτώνται από: τη σύσταση της ατμόσφαιρας την συγκεκριμένη χρονική στιγμή την ημέρα του έτους τη γωνία πρόπτωσης των ηλιακών ακτινών στην συλλεκτήρια επιφάνεια του Φ/Β πλαισίου, η οποία εξαρτάται από το ύψος του ηλίου κατά τη διάρκεια της ημέρας. Συνιστώσες ηλιακής ακτινοβολίας 9

10 Μεταβολή της πυκνότητας ισχύος της ακτινοβολίας σε μία μέρα Με βάση τις ωριαίες τιμές των συνιστωσών G, B και D, προκύπτουν οι ημερήσιες μέσες τιμές, οι μηνιαίες μέσες τιμές, καθώς και οι ετήσιες μέσες τιμές των μεγεθών αυτών.

11 ΚΕΦΑΛΑΙΟ 2 ΒΙΒΛΙΟΓΡΑΦΙΚΗ ΑΝΑΣΚΟΠΗΣΗ Στο παρόν κεφάλαιο θα προχωρήσουμε σε μια διεξοδική βιβλιογραφική ανασκόπηση των παραπάνω μοντέλων. 2.. ΦΥΣΙΚΑ ΜΟΝΤΕΛΑ ΠΡΟΒΛΕΨΗΣ 2.. ΕΙΣΑΓΩΓΗ Τα φυσικά μοντέλα πρόβλεψης, που χρησιμοποιούνται για την εκτίμηση της ηλιακής ακτινοβολίας διαχωρίζονται στα αριθμητικά μοντέλα NWP και στα μοντέλα χαρτογράφησης νεφώσεων. Τα πρώτα βρίσκουν ευρεία εφαρμογή και στην πρόβλεψη της αιολικής ηλεκτροπαραγωγής, ενώ τα δεύτερα έχουν εφαρμογή μόνο στη εκτίμηση της φωτοβολταϊκής παραγωγής ΑΡΙΘΜΗΤΙΚΑ ΜΟΝΤΕΛΑ ΠΡΟΒΛΕΨΗΣ (NUMERICAL WEATHER PREDICTION- NWP) Τα μοντέλα αυτά βρίσκουν ευρεία εφαρμογή σε βραχυπρόθεσμες και μεσοπρόθεσμες εκτιμήσεις, όπου τα στατιστικά μοντέλα δεν είναι τόσο αποδοτικά. Ως έξοδο έχουν την προβλεπόμενη ηλιακή ακτινοβολία (κάθετη προσπίπτουσα ολική ηλιακή ακτινοβολία). Βασικό τους μειονέκτημα είναι ότι επειδή γεωγραφικά καλύπτουν μεγάλες περιοχές δεν μπορούν να υπολογίσουν σωστά τοπικά φαινόμενα, όπως π.χ. τοπικές νεφώσεις για συγκεκριμένα φωτοβολταϊκά πάρκα. Για αυτό το λόγο σε περιπτώσεις τοπικών νεφώσεων εμφανίζουν μεγάλη απόκλιση και το σφάλμα πρόβλεψης αυξάνει σημαντικά. Επιπλέον τα μεσοατμοσφαιρικά μοντέλα, τα οποία χρησιμοποιούν τα NWP έχουν αργή ανανέωση με αποτέλεσμα η έξοδός τους να περιορίζεται σε ωριαία εκτίμηση (μοντέλο NAP) ή σε τρίωρη (μοντέλα GFS και ECMWF). Συνεπώς μεταβολές χρονικής διάρκειας μικρότερης της μίας ώρας δεν μπορούν να συνυπολογισθούν στην πρόβλεψη. Έτσι κοιτώντας τη βιβλιογραφία των αριθμητικών μοντέλων παρατηρούμε ότι οι περισσότεροι συγγραφείς καταλήγουν στο συμπέρασμα πως με τα στατιστικά μοντέλα καταλήγουμε σε καλύτερες προβλέψεις ηλιακής ακτινοβολίας. Συγκεκριμένα οι Lorenz et al [] χρησιμοποιούν το αριθμητικό μοντέλο του Ευρωπαϊκού Κέντρου Μεσοπρόθεσμης Μετεωρολογικής Πρόβλεψης (European Centre for Medium-Range Weather Forecasts ECMWF) και αναπτύσσουν μία μεθοδολογία εκτίμησης της ηλιακής ακτινοβολίας βασισμένη στη μετεωρολογική πρόβλεψη 72 ωρών στο μέλλον. Η επισκόπηση του σχεδίου πρόβλεψης που χρησιμοποιούν παρατίθεται παρακάτω:

12 Η τετραγωνική ρίζα του ανηγμένου στη μέση τιμή των μετρήσεων ακτινοβολίας μέσου τετραγωνικού σφάλματος (RMSE) ορίζεται ως: Για την πρώτη μέρα πρόβλεψης σε επίπεδο σταθμού στη Γερμανία η RMSE υπολογίζεται ίση με 36,9% και για το σύνολο της χώρας 3,4%, ενώ παρατηρείται αυτό που αναφέραμε και παραπάνω δηλαδή μια σημαντική διαφορά στο σφάλμα μεταξύ περιόδων έντονων νεφώσεων και περιόδων με καθαρό ουρανό. Έτσι, ενώ τον Απρίλιο (έντονη νέφωση) το ΝRMSE υπολογίζεται σε επίπεδο σταθμού 49%, τον Ιούλιο (έντονη ηλιοφάνεια) υποχωρεί στο 3%. Ακόμη, υπολογίζουν ότι το ΝRMSE από 37% για την πρώτη μέρα πρόβλεψης αυξάνεται στο 46% για την τρίτη μέρα (ώρες 48-72). Τέλος, με χρήση στατιστικών μοντέλων εξόδου (forth order polynomial regression) επιτυγχάνουν να μειώσουν το ΝRMSE κατά 5% για 24ωρη πρόβλεψη. Οι Perez et al. [2] βασιζόμενοι στο NWP μοντέλο του US National Digital Forecast Database εξετάζουν την αποτελεσματικότητα της πρόβλεψης. Υπολογίζουν το μέσο ωραίο RMSE ίσο με 32% για μελλοντικό διάστημα μικρότερο των 4 ωρών, 34% για 4-8 ώρες στο μέλλον, 38% για 8-26 ώρες στο μέλλον και 4% για ώρες στο μέλλον. Οι Zamora et al. [3] συγκρίνουν τις προβλέψεις που παρέχονται από το μεσαίας κλίμακας μετεωρολογικό μοντέλο πέμπτης γενιάς (fifth-generation mesoscale model) MM5 με καταγεγραμμένες παρατηρήσεις ακτινοβολίας και παρουσιάζουν την εξάρτηση που έχει η ακρίβεια της πρόβλεψης με το μοντέλο aerosol optical depth-aod. Για μικρά βάθη νέφωσης η πρόβλεψη είναι καλή αλλά για μεγάλα βάθη νέφωσης καταγράφονται μεγαλύτερα σφάλματα και γι αυτό καταλήγουν στην ιδιαίτερη αξία της ενσωμάτωσης μοντέλων εκτίμησης AOD στα NWP μοντέλα. 2

13 Οι Mathiesen et al. [4] εξετάζουν την εφαρμογή στατιστικών μοντέλων εξόδου σε διάφορα μοντέλα NWP (North American Model NAM, Global Forecast System GFS και ECMWF), όπου υπολογίζονται οι αποκλίσεις στην πρόβλεψη της ηλιακής ακτινοβολίας, ανάλογα με τις συνθήκες νέφωσης και με χρήση διορθωτικών συναρτήσεων προσπαθούν να μειώσουν αυτή την απόκλιση. Επίσης, στην εργασία αυτή αξιολογείται και συγκρίνεται η ακρίβεια των παραπάνω μοντέλων NWP ΜΟΝΤΕΛΑ ΧΑΡΤΟΓΡΑΦΗΣΗΣ ΝΕΦΩΣΕΩΝ (CLOUD IMAGERY) Όπως παρατηρούμε παραπάνω είναι σαφής η ευαισθησία που παρουσιάζουν τα NWP στις τοπικές νεφώσεις, όπου σε συνθήκες καθαρού ουρανού καταγράφουν μικρότερα σφάλματα. Τα μοντέλα χαρτογράφησης νεφώσεων προσπαθούν να συνυπολογίσουν τη νέφωση και το οπτικό της βάθος (cloud optical depth) με μετρήσεις είτε από δορυφόρους είτε από επίγειους σταθμούς. Τα μοντέλα αυτά έχουν χρησιμότητα για ορίζοντα πρόβλεψης έως 6 ώρες. Οι Lorenz et al. [5] χρησιμοποίησαν δεδομένα από δορυφόρο για να εκτιμήσουν την κίνηση των νεφών για χρονικό ορίζοντα από 3 λεπτά έως και 6 ώρες στο μέλλον στηριζόμενοι στην ημι-εμπειρική μέθοδο eliosat. Το σχηματικό διάγραμμα της διαδικασίας πρόβλεψης που ακολουθούν παρατίθεται παρακάτω: Σχηματικό διάγραμμα της διαδικασίας πρόβλεψης Οι συγγραφείς συγκρίνουν την πρόβλεψη της ακτινοβολίας σε κλίμακα ενός σταθμού και αυτής σε μια αρκετά μεγαλύτερη περιοχή, με τη δεύτερη να παρουσιάζει μικρότερο σφάλμα. Παρατηρούν ότι η πρόβλεψη είναι πολύ ακριβής σε περιπτώσεις υψηλής ακτινοβολίας (ηλιοφάνειας) με μικρή χωρική διακύμανση της νέφωσης και γωνίες ανύψωσης του ηλίου μεγαλύτερες από 2. Αντίθετα, όταν η γωνία ανύψωσης είναι μικρή και η χωρική διακύμανση της νέφωσης σημαντική, το σφάλμα της πρόβλεψης ξεπερνά το 4% για όλους τους χρονικούς ορίζοντες πρόβλεψης όπως φαίνεται και στο παρακάτω σχήμα: 3

14 Εξάρτηση του σφάλματος από τη χωρική διακύμανση της νέφωσης Τέλος, επισημαίνουν ότι η επικείμενη βελτίωση των αλγορίθμων επεξεργασίας των δορυφορικών εικόνων θα βελτιώσει σημαντικά την πρόβλεψη. Οι Hammer et al. [6] χρησιμοποίησαν και αυτοί δεδομένα από δορυφόρο για να εκτιμήσουν την κατεύθυνση κίνησης της νέφωσης, του καθοριστικότερου κατ αυτούς παράγοντα επιρροής της ηλιακής ακτινοβολίας. Με την τεχνική τους κατάφεραν να πάρουν προβλέψεις ηλιακής ακτινοβολίας από 3 λεπτά έως 2 ώρες στο μέλλον με σαφώς μικρότερα σφάλματα έναντι της μεθόδου παραμένουσας τιμής, ενώ για ορίζοντα πρόβλεψης μιας ώρας σε ένα σύνολο διασπαρμένων φωτοβολταϊκών πάρκων περιόρισαν το σφάλμα της πρόβλεψης στο 5%. Τέλος επισημαίνουν πως θα υπάρξουν περαιτέρω βελτιώσεις στα σφάλματα πρόβλεψης εάν εκτός από την κίνηση των νεφών ληφθεί υπόψη και ο σχηματισμός τους. Οι Chow et al. [7] από την άλλη προσπαθούν να χαρτογραφήσουν δισδιάστατα τη νέφωση πάνω από την περιοχή ενδιαφέροντος με χρήση φωτογραφιών από επίγεια κάμερα, συχνότητας λήψης 3 sec. Ο ορίζοντας πρόβλεψης είναι πολύ βραχυπρόθεσμος, εκτεινόμενος από 3 sec έως 5 λεπτά. 4

15 Επίγεια κάμερα συχνότητας λήψης 3 sec Η τεχνική τους αποδίδει καλύτερα από το μοντέλο παραμένουσας τιμής και θεωρούν ότι η βελτίωση της ποιότητας των εικόνων καθώς και η καταγραφή περισσότερων χαρακτηριστικών νέφωσης (π.χ. ύψος νέφωσης) θα οδηγούσε σε ακόμη μεγαλύτερη μείωση του σφάλματος πρόβλεψης. Οι Perez et al. [8] τέλος, αξιολόγησαν και τα 2 φυσικά μοντέλα που αναλύθηκαν παραπάνω, παρουσιάζοντας μια επαλήθευση των βραχυπρόθεσμων και μεσοπρόθεσμων προβλέψεων της παγκόσμιας ακτινοβολίας που παράγονται ως μέρος της αμερικανικής βάσης δεδομένων Solar-Anywhere (2). Οι βραχυπρόθεσμες προβλέψεις που εκτείνονται μέχρι και 6-ώρες στο μέλλον βασίζονται στην κίνηση των νεφών, η οποία προέρχεται από διαδοχικές εικόνες ενός δορυφόρου γεωστατικής τροχιάς. Οι μεσοπρόθεσμες προβλέψεις εκτείνονται μέχρι και 6-ημέρες στο μέλλον και διαμορφώνονται με βάση τις προβλέψεις νεφοκάλυψης του πλέγματος (gridded cloud cover forecasts) οι οποίες προέρχονται από την Εθνική Βάση Δεδομένων Ψηφιακής Πρόγνωσης των Η.Π.Α. (US National Digital Forecast Database). Η λειτουργία των αλγορίθμων πρόβλεψης αξιολογήθηκε συγκρίνοντας τα αποτελέσματά τους με επίγειες μετρήσεις από επτά κλιματολογικά διαφορετικές περιοχές των Η.Π.Α. για ένα έτος. Τα αποτελέσματα από τη σύγκριση οδήγησαν σε αποτελέσματα που ήταν συνεπή με τις προηγούμενες περιορισμένες εκτιμήσεις τους. Επίσης, η μελέτη περιλαμβάνει ένα πιο εκτεταμένο σύνολο κλιματολογικών περιβαλλόντων καθώς επίσης και αποτελέσματα για χειμερινούς μήνες, όπου η αποτελεσματικότητα των μοντέλων τείνει να είναι μικρότερη από ότι κατά τους καλοκαιρινούς μήνες. Τέλος, τόσο οι βραχυπρόθεσμες όσο και οι μακροπρόθεσμες προβλέψεις είχαν σημαντικά καλύτερες επιδόσεις από την παραμένουσα τιμή όπως αυτή προέκυπτε από τις πραγματικές μετρήσεις υψηλής ακρίβειας. 5

16 2.2 ΣΤΑΤΙΣΤΙΚΑ ΜΟΝΤΕΛΑ ΠΡΟΒΛΕΨΗΣ 2.2. ΕΙΣΑΓΩΓΗ Τα στατιστικά μοντέλα πρόβλεψης της φωτοβολταϊκής παραγωγής διακρίνονται σε δύο κατηγορίες: Τα στατιστικά μοντέλα με χρήση αριθμητικών μοντέλων (NWP) και μοντέλων χαρτογράφησης νεφώσεων Τα στατιστικά μοντέλα χωρίς χρήση αριθμητικών μοντέλων, τα οποία βασίζονται πλήρως στη στατιστική ανάλυση ιστορικών δεδομένων παραγωγής ΣΤΑΤΙΣΤΙΚΑ ΜΟΝΤΕΛΑ ΜΕ ΧΡΗΣΗ ΦΥΣΙΚΩΝ ΜΟΝΤΕΛΩΝ Αυτά είναι τα στατιστικά μοντέλα, τα οποία λαμβάνουν υπόψη τα αποτελέσματα των μετεωρολογικών μοντέλων NWP,δίνουν δηλαδή έμφαση σε δεδομένα όπως η ταχύτητα του ανέμου, η ηλιακή ακτινοβολία κ.α. Ο χρονικός ορίζοντας της εκτίμησης είναι εκτενής (πέραν του 2ωρου) εκεί όπου οι μετεωρολογικές προβλέψεις επηρεάζουν ιδιαίτερα θετικά τα αποτελέσματά. Οι Bacher et al. [9] περιγράφουν μια νέα προσέγγιση για την on-line πρόβλεψη της παραγόμενης ηλεκτρικής ενέργειας από ένα φωτοβολταϊκό σύστημα. Η μέθοδος είναι κατάλληλη για on-line προβλέψεις σε πολλές εφαρμογές και σε αυτή την εργασία χρησιμοποιήθηκε για την πρόβλεψη των ωριαίων τιμών της ηλιακής ενέργειας για χρονικούς ορίζοντες έως 36 ώρες στο μέλλον. Η προτεινόμενη μέθοδος είναι μια διαδικασία δύο σταδίων, όπου αρχικά λαμβάνει χώρα μια στατιστική αναγωγή της ηλιακής ενέργειας με χρήση ενός μοντέλου καθαρού ουρανού (clear sky model). Αυτό το μοντέλο του καθαρού ουρανού βρίσκεται χρησιμοποιώντας στατιστικές τεχνικές εξομάλυνσης. Στη συνέχεια, οι προβλέψεις της ανηγμένης ηλιακής ενέργειας υπολογίζονται με τη χρήση προσαρμοστικών γραμμικών μοντέλων χρονοσειρών (adaptive linear time series models). Αξιολογούνται τόσο τα μοντέλα αυτοπαλινδρόμησης (AR) όσο και τα μοντέλα με συμβολή εξωγενών παραγόντων (ARX), οι οποίοι λαμβάνονται από αριθμητικά μοντέλα μετεωρολογικών προβλέψεων (NWPs). Και τα δύο μοντέλα αξιολογήθηκαν χρησιμοποιώντας ως δεδομένα 5-λεπτές παρατηρήσεις της ηλιακής ενέργειας από 2 Φ/Β συστήματα σε στέγες σπιτιών σε ένα μικρό χωριό στη Δανία. Τα αποτελέσματα έδειξαν ότι για τις προβλέψεις μέχρι και 2 ώρες στο μέλλον, η πιο σημαντική μεταβλητή εισόδου για τα μοντέλα είναι οι διαθέσιμες παρατηρήσεις της ηλιακής ενέργειας, ενώ για μεγαλύτερο χρονικό ορίζοντα πρόβλεψης, οι προβλέψεις που λαμβάνονται από τα μοντέλα NWP γίνονται οι πιο σημαντικές είσοδοι. Τέλος, ως κριτήριο σύγκρισης θεωρήθηκε η τετραγωνική ρίζα του μέσου τετραγωνικού σφάλματος (RMSE), μέσω του οποίου αποδείχθηκε ότι με το μοντέλο ARX επιτυγχάνεται μείωση του σφάλματος κατά 35% σε σύγκριση με ένα προτεινόμενο μοντέλο αναφοράς. 6

17 Οι Huang et.al. [] για να υπολογίσουν την ακρίβεια ενός μοντέλου NWP μετατρέπουν την πρόβλεψης της ηλιακής ακτινοβολίας σε πρόβλεψη φωτοβολταϊκής ηλεκτροπαραγωγής χρησιμοποιώντας το ηλεκτρικό ισοδύναμο που παρατίθεται παρακάτω: Ισοδύναμο κύκλωμα της Φ/Β κυψέλης Το αποτέλεσμα που εξάγουν είναι ότι το κύριο μέρος του σφάλματος της πρόβλεψης προέρχεται από τα σφάλματα των μοντέλων NWP και ως εκ τούτου υποδεικνύουν την ανάγκη της βελτίωσης των NWP. Οι Bofinger et al. [] χρησιμοποιώντας στατιστικά μοντέλα εξόδου προσπαθούν να βελτιώσουν την έξοδο του μοντέλου ECMWF (μοντέλο NWP). Ακολούθως μετατρέπουν την πρόβλεψη ηλιακής ακτινοβολίας σε πρόβλεψη φωτοβολταϊκής παραγωγής με χρήση μοντέλων για τον υπολογισμό της θέσης του ηλίου, της κατανομής της ολικής ακτινοβολίας στην άμεση και διαχεόμενη συνιστώσα και το μετασχηματισμό της ακτινοβολίας στην κατεύθυνση των Φ/Β πάνελ και τελικά προσδιορίζουν το RMSE της μεθόδου τους για πρόβλεψη 24 ωρών σε 24.5%. Οι Jimenez et al. [2] αναπτύσσουν ένα στατιστικό μοντέλο για διασυνδεδεμένα φωτοβολταϊκά συστήματα. Το μοντέλο βασίζεται στην ανάπτυξη ενός νευρωνικού δικτύου που παίρνει ως είσοδο τα αποτελέσματα δύο μοντέλων NWPs (GFS, ΜΜ5) και προβλέπει την ωριαία παραγωγή για χρονικό ορίζοντα από έως 39 ώρες στο μέλλον, όπως φαίνεται και στο παρακάτω σχήμα. Για χρονικούς ορίζοντες από 6 έως 39 ώρες, το ΝRMSE υπολογίστηκε ίσο με το.79% της ονομαστικής ισχύος του πάρκου. 7

18 Προτεινόμενο μοντέλο πρόβλεψης Οι Chen et al. [3] προτείνουν μια απλουστευμένη προσέγγιση για την πρόβλεψη της παραγόμενης ισχύος ενός Φ/Β στέγης για χρονικό ορίζοντα 24 ωρών, χρησιμοποιώντας ένα ΝΔ ακτινωτών συναρτήσεων βάσης (radial basis function neural network, RBFNN). Η προτεινόμενη τεχνική μπορεί να πραγματοποιήσει μια άμεση πρόβλεψη της ισχύος ενός Φ/Β χρησιμοποιώντας ιστορικά δεδομένα σε συνδυασμό με μετεωρολογικές προβλέψεις της ηλιακής ακτινοβολίας, της σχετικής υγρασίας και της θερμοκρασίας στο χώρο του Φ/Β. Επιπλέον, χρησιμοποιείται και ένας χάρτης αυτοοργάνωσης (self-organized map) για την ταξινόμηση των μεταβλητών εισόδου που προέρχονται από τα αριθμητικά μοντέλα μετεωρολογικών προβλέψεων NWP, βελτιώνοντας με αυτό τον τρόπο σημαντικά την ακρίβεια της πρόβλεψης. Τα αποτελέσματα από την εφαρμογή της προτεινόμενης μεθόδου σε ένα πραγματικό Φ/Β σύστημα μελετήθηκαν με κριτήριο αξιολόγησης το μέσο απόλυτο ποσοστιαίο σφάλμα πρόβλεψης (MAPE) και έδειξαν ότι μπορεί να χρησιμοποιηθεί για την πρόβλεψη της ημερήσιας ισχύος εξόδου του Φ/Β με πολύ καλή ακρίβεια ΣΤΑΤΙΣΤΙΚΑ ΜΟΝΤΕΛΑ ΧΩΡΙΣ ΧΡΗΣΗ ΦΥΣΙΚΩΝ ΜΟΝΤΕΛΩΝ Η κατηγορία αυτή περιλαμβάνει στατιστικά μοντέλα πρόβλεψης ηλιακής ακτινοβολίας και ηλεκτρικής ισχύος σε Φ/Β πάρκα χωρίς την χρήση εξόδων από μοντέλα NWP.Η πρόβλεψη της ηλεκτροπαραγωγής γίνεται είτε απευθείας, είτε εκτιμάται πρώτα η ηλιακή ακτινοβολία και στη συνέχεια με στατιστικές μεθόδους υπολογίζεται η παραγόμενη ηλεκτρική ισχύς του φωτοβολταϊκού πάρκου. Οι Moreno-Munoz et al. [4] χρησιμοποιούν μοντέλα ARMA για την πρόβλεψη ηλιακής ακτινοβολίας με χρονικό ορίζοντα 5 λεπτών. Η αξιολόγησή τους καταλήγει στο ότι για τόσο μικρό χρονικό ορίζοντα, η χρήση ενός μοντέλου AR είναι αποδοτική. Οι Huang et al. [5] συγκρίνουν την αποδοτικότητα των μοντέλων ARMA και του μοντέλου παραμένουσας τιμής σε μικρό χρονικό ορίζοντα έως 5 ώρες. Συμπεραίνουν ότι το μοντέλο ARMA είναι πιο αποδοτικό σε σχέση με της 8

19 παραμένουσας τιμής αν και το τελευταίο είναι ιδιαίτερα χρήσιμο για την πρόβλεψη της επόμενης ώρας. Παρακάτω παρατίθενται τρία διαγράμματα για επαλήθευση των παραπάνω. Το πρώτο απεικονίζει το μέσο ωριαίο σφάλμα των δύο μοντέλων για όλο το χρόνο και τα άλλα δύο προβλέψεις με χρονικό ορίζοντα μιας ώρας. Το μέσο ωριαίο σφάλμα ορίζεται: Μέσο απόλυτο σφάλμα μοντέλου ARMA και μοντέλου παραμένουσας τιμής Πρόβλεψη μοντέλου ARMA και μοντέλου παραμένουσας τιμής για χρονικό ορίζοντα μιας ώρας την η Ιανουαρίου 2 9

20 Πρόβλεψη μοντέλου ARMA και μοντέλου παραμένουσας τιμής για χρονικό ορίζοντα μιας ώρας την η Ιουλίου 2 Οι Dazhi et al. [6] εφάρμοσαν ένα μοντέλο ανάλυσης χρονοσειρών για την πρόβλεψη της ηλιακής ακτινοβολίας για την επόμενη ώρα, λαμβάνοντας υπόψη και τις συνέπειες της κάλυψης των νεφών (cloud effect) στην πρόβλεψη. Προτείνουν τρείς μεθόδους πρόβλεψης που χρησιμοποιούν διαφορετικούς τύπους μετεωρολογικών ιστορικών δεδομένων ως παραμέτρους εισόδου, συγκεκριμένα, την παγκόσμια οριζόντια ακτινοβολία (global horizontal irradiance (G I)), την οριζόντια διάχυτη ακτινοβολία (diffuse horizontal irradiance (D I)), την άμεση κανονική ακτινοβολία (direct normal irradiance (DNI) και τη νεφοκάλυψη (cloud cover). Η πρώτη μέθοδος χρησιμοποιεί άμεσα τα ιστορικά δεδομένα της παγκόσμιας οριζόντιας ακτινοβολίας (G I) για την πρόβλεψή της για την επόμενη ώρα, χρησιμοποιώντας ένα μοντέλο ARIMA, αφού πρώτα απομακρυνθεί η πιθανή εποχιακή συνιστώσα που μπορεί να περιέχει η χρονοσειρά της ηλιακής ακτινοβολίας. Η δεύτερη μέθοδος προβλέπει την οριζόντια διάχυτη ακτινοβολία (D I) και την άμεση κανονική ακτινοβολία (DNI), ξεχωριστά, χρησιμοποιώντας και πάλι ένα μοντέλο ARIMA, αφού πρώτα απομακρυνθούν πιθανές εποχιακές συνιστώσες που μπορεί να περιέχονται στις χρονοσειρές των δύο ηλιακών ακτινοβολιών, και στη συνέχεια συνδυάζει τις δύο αυτές προβλέψεις προκειμένου να προβλέψει την παγκόσμια οριζόντια ακτινοβολία (G I) χρησιμοποιώντας ένα ατμοσφαιρικό μοντέλο. Αυτά τα δύο μοντέλα δείχνουν βελτιωμένη ακρίβεια σε σύγκριση με ένα συμβατικό μοντέλο ARIMA. Η τρίτη μέθοδος λαμβάνει υπόψη τις συνέπειες της νεφοκάλυψης. Συγκεκριμένα χρησιμοποιείται ένα μοντέλο ARIMA για την πρόβλεψη των κινήσεων των σύννεφων και ακολούθως υπολογίζεται η παγκόσμια οριζόντια ακτινοβολία (G I) σε διαφορετικές γωνίες ζενίθ και κάτω από διαφορετικές συνθήκες νεφοκάλυψης με χρήση μη γραμμικών μοντέλων παλινδρόμησης. Δηλαδή αυτή η μέθοδος δημιουργεί έναν πίνακα αναζήτησης δεδομένων για τα μοντέλα παλινδρόμησης της παγκόσμιας οριζόντιας ακτινοβολίας για τις διάφορες συνθήκες νεφοκάλυψης. Το πλεονέκτημα της τρίτης μεθόδου είναι ότι απαιτεί μόνο δεδομένα νεφοκάλυψης χαμηλής ανάλυσης για την πρόβλεψη της 2

21 ηλιακής ακτινοβολίας κατά την επόμενη ώρα. Η τρίτη μέθοδος φαίνεται να είναι πολύ χρήσιμη χάρη στην ακρίβειά της, ιδιαίτερα για καταστάσεις όπου υπάρχει έλλειψη σε μετρήσεις ηλιακής ακτινοβολίας. Και οι τρείς μέθοδοι αξιολογήθηκαν χρησιμοποιώντας δεδομένα από δύο μετεωρολογικούς σταθμούς στις ΗΠΑ, συγκεκριμένα του Μαϊάμι και του Ορλάντο. Τα αποτελέσματα έδειξαν ότι και οι τρεις μέθοδοι έχουν πολύ καλύτερη ακρίβεια σε σχέση με το μοντέλο της παραμένουσας τιμής, χρησιμοποιώντας ως κριτήριο σύγκρισης την τετραγωνική ρίζα του μέσου τετραγωνικού σφάλματος (RMSE). Τέλος, μεταξύ των τριών μεθόδων, η τρίτη είχε το μικρότερο RMSE και ακολούθησε η δεύτερη. Ωστόσο η διαφορά μεταξύ των δύο πρώτων μεθόδων δεν ήταν ιδιαίτερα σημαντική. Οι προβλέψεις και των τριών μοντέλων μια τυπική ημέρα Δεκεμβρίου. Φαίνεται ότι η Τρίτη μέθοδος υπερτερεί των άλλων δύο Οι Wu et al. [7] κατασκευάζουν ένα μοντέλο πρόβλεψης με 2 φάσεις, όπου στην πρώτη φάση χρησιμοποιούν τη μέθοδο Dickey-Fuller για να αξιολογήσουν διάφορα μοντέλα εξαγωγής τάσης (detrending) από τη μη στάσιμη χρονοσειρά της ηλιακής ακτινοβολίας. Στη συνέχεια στη δεύτερη φάση υλοποιούν το μοντέλο πρόβλεψης χρησιμοποιώντας ένα μοντέλο ARMA, ένα νευρωνικό δίκτυο με χρονική καθυστέρηση και τέλος ένα υβριδικό μοντέλο για τον συνδυασμό των δύο παραπάνω. Τα αποτελέσματα με βάση το μέσο τετραγωνικό σφάλμα NMRSE υποδεικνύουν ότι το υβριδικό είναι καλύτερο μοντέλο γιατί συνδυάζει τα πλεονεκτήματα των άλλων δύο και έτσι μας δίνει μικρότερο σφάλμα. 2

22 Το μέσο τετραγωνικό σφάλμα των τριών μοντέλων για διάφορα επίπεδα ημερήσιας ηλιοφάνειας. Οι Mihalakakou et al. [8] δημιούργησαν ένα ΝΔ για βραχυπρόθεσμη ωριαία πρόβλεψη της χρονοσειράς της ηλιακής ακτινοβολίας. Για να γίνουν προβλέψεις περαιτέρω της μιας ώρας χρησιμοποίησαν ιστορικά δεδομένα (πραγματικές μετρήσεις ηλιακής ακτινοβολίας) και για τις εισόδους όπου δεν υπάρχουν μετρήσεις χρησιμοποίησαν τις ήδη ληφθείσες προβλέψεις. Επίσης, αναπτύχθηκε ένα μοντέλο AR για την ανάλυση και την αναπαράσταση της χρονοσειράς της ολικής ηλιακής ακτινοβολίας. Η ωριαία βραχυπρόθεσμη πρόβλεψη του ΝΔ κρίθηκε ιδιαίτερα καλή, ενώ για την πρόβλεψη περισσοτέρων ωρών στο μέλλον τα αποτελέσματα ήταν ικανοποιητικά για χρονικό διάστημα με 2 ημέρες στο μέλλον το καλοκαίρι. Πρόβλεψη για 4 μέρες στο μέλλον τον μήνα Ιούλιο 22

23 Το χειμώνα,επειδή τα καιρικά φαινόμενα είναι αρκετά ασταθή το χρονικό διάστημα ακριβούς πρόβλεψης μειώνεται αισθητά. Πρόβλεψη για 8 μέρες στο μέλλον τον μήνα Ιανουάριο Από τη σύγκριση των δύο προτεινόμενων μοντέλων (ΝΔ και AR) βρέθηκε ότι το προτεινόμενο μοντέλο ΝΔ οδηγεί σε καλύτερες προβλέψεις σε σύγκριση με το μοντέλο AR. Συντελεστής συσχέτισης μεταξύ πραγματικών τιμών και προβλέψεων ηλιακής ακτινοβολίας για το ΝΔ και το μοντέλο AR Οι Wang et al. [9] παρουσιάζουν ένα μοντέλο πρόβλεψης, το οποίο βασίζεται στην εκπαίδευση ενός νευρωνικού δικτύου με εισόδους προερχόμενες από τη θερμοκρασία του περιβάλλοντος και κάποιες στατιστικές ιδιότητες της ηλιακής ακτινοβολίας (όπως διερεύνηση της σχέσης ανάμεσα στην 23

24 εξωατμοσφαιρική (extraterrestrial) ηλιακή ακτινοβολία και αυτή στο επίπεδο του εδάφους). Το μοντέλο τους εμφανίζει μειωμένα σφάλματα σε σχέση με άλλα γνωστά μοντέλα ιδιαίτερα σε συνθήκες νέφωσης. Μετρήσεις και προβλέψεις ηλιακής ακτινοβολίας σε ημέρα συννεφιάς. Παρατηρούμε ότι το τεχνητό ΝΔ στατιστικών ιδιοτήτων (ANN-SFP) παρουσιάζει καλύτερη απόκριση σε σχέση με το τεχνητό ΝΔ ιστορικών δεδομένων (ANN-HDS) Ο Cococcioni [2] προτείνει ένα υβριδικό μοντέλο για την πρόβλεψη της παραγωγής της ηλεκτρικής ενέργειας μίας φωτοβολταϊκής εγκατάστασης (πάρκο), το οποίο βασίζεται στη χρήση της ανάλυσης χρονοσειρών σε συνδυασμό με τα ΝΔ. Ο στόχος του είναι η ανάπτυξη ενός μοντέλου πρόβλεψης με χρονικό ορίζοντα την επόμενη ημέρα, το οποίο βασίζεται σε ένα τεχνητό ΝΔ με γραμμές καθυστέρησης με εξόδους (neural network with tapped delay lines). Πιο συγκεκριμένα υλοποιεί το μοντέλο μη γραμμικής αυτοπαλινδρόμησης με εξωγενή παράγοντα (Nonlinear Autoregressive with Exogenous Input model, NARX) μέσω ενός νευρωνικού δικτύου (feed-forward neural network). Κατά τη διαδικασία εκπαίδευσης χρησιμοποιήθηκαν τα δεδομένα ηλιακής ακτινοβολίας και η ώρα ως εξωγενείς είσοδοι στο μοντέλο, και τα δεδομένα παραγωγής ηλεκτρικής ενέργειας του φωτοβολταϊκού πάρκου ως ενδογενής είσοδος. Το μοντέλο της μη γραμμικής αυτοπαλινδρόμησης με εξωγενή παράγοντα (NARX) είναι το πιο γενικό από τα μοντέλα ανάλυσης χρονοσειρών. Αυτό το μοντέλο επιτρέπει την πρόβλεψη των μελλοντικών τιμών της χρονοσειράς y(t), γνωρίζοντας τις προηγούμενες τιμές της ίδιας χρονοσειράς y(t) και τις προηγούμενες τιμές της εξωγενούς χρονοσειράς x(t). Τα αποτελέσματα έδειξαν ότι το προτεινόμενο μοντέλο ΝΔ μπορεί να αναπαράγει πιστά την καμπύλη της ημερήσιας παραγόμενης ηλεκτρικής ενέργειας, έτσι ώστε να προβλεφθεί η συνολική ημερήσια ενέργεια με σφάλμα μικρότερο του 5%. Επίσης, το μέσο εποχιακό σφάλμα που επιτυγχάνεται για την άνοιξη και το καλοκαίρι συγκρίνεται ευνοϊκά με αυτά που έχουν αναφερθεί στη βιβλιογραφία. 24

25 Μέσο τετραγωνικό σφάλμα έως 5% για τους 2 μήνες του χρόνου Οι Pedro et al. [2] επέλεξαν να συγκρίνουν πέντε διαφορετικές τεχνικές για την πρόβλεψη της μέσης ηλεκτροπαραγωγής ενός Φ/Β πάρκου MWp για την επόμενη και για τις 2 επόμενες ώρες στο μέλλον. Πουθενά δεν λήφθηκαν υπόψη εξωγενή δεδομένα, όπως η ηλιακή ακτινοβολία, η θερμοκρασία περιβάλλοντος κ.α. κάτι που σημαίνει ότι οι Φ/Β συλλέκτες ήταν τα μόνα εργαλεία,που χρησιμοποιήθηκαν για τη δημιουργία δεδομένων εισόδου. Οι μέθοδοι που μελετήθηκαν είναι: η μέθοδος της παραμένουσας τιμής τα μοντέλα ARIMA τα μοντέλα k-πλησιέστερων Γειτόνων (k-nearest-neighbors, knns) τα Τεχνητά ΝΔ (ANNs) τα Τεχνητά ΝΔ με Γενετικούς Αλγόριθμους (GAs/ANN) Για τη διαδικασία της σύγκρισης υπολογίστηκαν στατιστικά σφάλματος, όπως του μέσου απόλυτου σφάλματος (ΜΑΕ), του μέσου σφάλματος πόλωσης (ΜΒΕ), και του συντελεστή συσχέτισης (R2) για τις διαφορές μεταξύ των προβλεπόμενων και των πραγματικών τιμών. Από την ανάλυση του σφάλματος μεταξύ των μετρούμενων και των προβλεπόμενων τιμών διαπιστώθηκε ότι τα μοντέλα ΝΔ υπερέχουν των μοντέλων παραμένουσας τιμής, ARIMA και k-nn. Επιπλέον, αποδείχθηκε ότι η επιλογή εισόδου και η αρχιτεκτονική του ΝΔ μπορούν να βελτιστοποιηθούν μέσω των γενετικών αλγορίθμων προκειμένου να βελτιωθεί η ακρίβεια του μοντέλου πρόβλεψης. Τέλος, διαπιστώθηκε ότι η ακρίβεια όλων των μοντέλων εξαρτάται σε μεγάλο βαθμό από τα εποχιακά χαρακτηριστικά της ηλιακής μεταβλητότητας. Ο Reikard [22] μελέτησε έξι διαφορετικά μοντέλα πρόβλεψης: 25

26 ένα απλό μοντέλο λογαριθμικής παλινδρόμησης με χρονομεταβαλλόμενους συντελεστές πρόβλεψης (Regression in Logs with Time Varying Coefficients), το οποίο χρησιμεύει ως μοντέλο αναφοράς ένα μοντέλο που έχει τη δυνατότητα να διαμορφώσει τον ημερήσιο κύκλο τριγωνομετρικά, όπως είναι το μοντέλο μη παρατηρούμενων συνιστωσών (Unobserved Components model, UCM) ένα μοντέλο ARIMA ένα μοντέλο ARIMA με χρήση συναρτήσεων μεταφοράς με αιτιατές εισόδους (Transfer Function with Causal Inputs), ένα μοντέλο ΝΔ ένα Υβριδικό μοντέλο Οι πειραματικές προβλέψεις έγιναν για διάφορους χρονικούς ορίζοντες πρόβλεψης, 5, 5, 3 και 6 λεπτών στο μέλλον, ενώ ως χρονοσειρά μελέτης χρησιμοποιήθηκε η παγκόσμια οριζόντια ακτινοβολία. Η εκτίμηση των μοντέλων έγινε με βάση τις ιστορικές τιμές της ακτινοβολίας μέχρι πριν από την έναρξη του χρονικού ορίζοντα πρόβλεψης. Το κριτήριο το οποίο χρησιμοποιήθηκε για την αξιολόγηση των μοντέλων ήταν το ποσοστιαίο μέσο απόλυτο σφάλμα. Σε όλα σχεδόν τα πειράματα, τα καλύτερα αποτελέσματα επιτυγχάνονταν χρησιμοποιώντας τα μοντέλα ARIMA. εκτός από ορισμένες περιπτώσεις (κυρίως σε υψηλές χρονικές αναλύσεις π.χ. της τάξεως των 5 λεπτών) όπου τα Νευρωνικά Δίκτυα ή τα Yβριδικά μοντέλα μπορούν να επιτύχουν εξίσου καλές ή καλύτερες προβλέψεις. Γενικά, η επιτυχία του μοντέλου ARIMA στις χαμηλότερες αναλύσεις (π.χ. 24ωρος ορίζοντας) οφείλεται κυρίως στην ικανότητά του να συλλαμβάνει τον ημερήσιο κύκλο πιο αποτελεσματικά από ό, τι οι υπόλοιπες μέθοδοι. Οι Mellit et al. [23] χρησιμοποίησαν την αρχιτεκτονική του προσαρμοστικού δικτύου κυματιδίων (adaptive wavelet-network architecture) για την ανάπτυξη ενός κατάλληλου μοντέλου πρόβλεψης της ημερήσιας ολικής ηλιακής ακτινοβολίας. Η ολική ηλιακή ακτινοβολία θεωρείται ως η πιο σημαντική παράμετρος για την αποδοτική πρόβλεψη της παραγωγής των φωτοβολταϊκών συστημάτων. Ο συνδυασμός της θεωρίας των κυματιδίων και των νευρωνικών δικτύων οδήγησε στην ανάπτυξη των δικτύων κυματιδίων (Wavelet networks). Τα δίκτυα κυματιδίων είναι εμπροσθοτροφοδοτούμενα δίκτυα που χρησιμοποιούν κυματίδια ως συναρτήσεις ενεργοποίησης. Για την εξέταση της αποτελεσματικότητας του προτεινόμενου μοντέλου χρησιμοποιήθηκαν ως δεδομένα η ημερήσια ολική ηλιακή ακτινοβολία που έχει καταγραφεί κατά το χρονικό διάστημα 98 με 2 από ένα μετεωρολογικό σταθμό στην Αλγερία. Το μοντέλο εκπαιδεύτηκε είτε χρησιμοποιώντας τα δεδομένα των 9 πρώτων χρόνων, είτε τα δεδομένα ενός μόνο έτους. Και στις δύο περιπτώσεις χρησιμοποιήθηκαν για τη δοκιμή του μοντέλου τα δεδομένα της ολικής ηλιακής ακτινοβολίας του έτους 2. Τα αποτελέσματα έδειξαν ότι το μοντέλο μπορεί να προβλέπει την ημερήσια ολική ηλιακή ακτινοβολία με πολύ καλή ακρίβεια περίπου 97% και με μέσο απόλυτο ποσοστιαίο σφάλμα που δεν ξεπερνά το 6%. Επιπλέον, εξετάστηκε η απόδοση του προτεινόμενου μοντέλου σε σύγκριση με διαφορετικές δομές ΝΔ και κάποια κλασικά μοντέλα πρόβλεψης και αποδείχθηκε ότι οι αλγόριθμοι εκπαίδευσης για τα μοντέλα δικτύων κυματιδίων απαιτούν μικρότερο αριθμό επαναλήψεων σε σύγκριση με άλλα ΝΔ. 26

27 Οι Mellit et al. [24] ανέπτυξαν ένα υβριδικό μοντέλο για την πρόβλεψη της ημερήσιας παγκόσμιας ηλιακής ακτινοβολίας, το οποίο συνδυάζει ένα τεχνητό ΝΔ και μια βιβλιοθήκη των πινάκων μετάβασης Markov (Markov transition matrices, MTM). Το προτεινόμενο μοντέλο είναι σε θέση να δημιουργήσει μια ακολουθία από δεδομένα ηλιακής ακτινοβολίας χρησιμοποιώντας έναν ελάχιστο αριθμό δεδομένων εισόδου (γεωγραφικό πλάτος, γεωγραφικό μήκος και υψόμετρο), ειδικά σε απομονωμένες περιοχές. Μπλοκ διάγραμμα του υβριδικού μοντέλου με εισόδους γεωγραφικό πλάτος (latidute), γεωγραφικό μήκος (longitude) και υψόμετρο (altidute) Για τη μελέτη του μοντέλου αναπτύχθηκε μια βάση δεδομένων της ημερήσιας παγκόσμιας ηλιακής ακτινοβολίας με δεδομένα που συλλέχτηκαν από 6 μετεωρολογικούς σταθμούς στην Αλγερία κατά το χρονικό διάστημα Η αξιολόγηση του μοντέλου έδωσε μέγιστο σφάλμα RMSE 8% και συντελεστή συσχέτισης που κυμαινόταν από 9% μέχρι 92%. Επίσης έγινε σύγκριση του μοντέλου με άλλα μοντέλα πρόβλεψης όπως τα AR, ARMA, Markov chain και τα MTM, χρησιμοποιώντας ως κριτήρια σύγκρισης το σφάλμα πρόβλεψης και το χρόνο εκπαίδευσης του μοντέλου, η οποία ανέδειξε το προτεινόμενο μοντέλο ως το βέλτιστο εργαλείο πρόβλεψης. Οι Mellit et al. Error! Reference source not found. προτείνουν μια πρακτική μέθοδο για την πρόβλεψη της ηλιακής ακτινοβολίας που βασίζεται στη χρήση τεχνητών ΝΔ. Το προτεινόμενο μοντέλο Πολυστρωματικών Αισθητήρων (Multilayer Perceptron, MLP) καθιστά δυνατή την πρόβλεψη της ηλιακής ακτινοβολίας σε μια βάση 24 ωρών χρησιμοποιώντας τις παρούσες τιμές της μέσης ημερήσιας ηλιακής ακτινοβολίας και της θερμοκρασίας του αέρα. Τα αποτελέσματα των πειραματικών προβλέψεων έδειξαν ότι το προτεινόμενο μοντέλο είναι ικανοποιητικό, ενώ ο συντελεστής συσχέτισης ήταν της τάξης 98-99% για τις ηλιόλουστες μέρες και 94-96% για συννεφιασμένες μέρες. Το μοντέλο μπορεί εύκολα να βελτιωθεί με την προσθήκη περισσότερων παραμέτρων εισόδου, όπως είναι π.χ. η νεφοκάλυψη, η πίεση, η ταχύτητα του ανέμου, η διάρκεια ηλιοφάνειας, οι γεωγραφικές συντεταγμένες κ.λπ. 27

28 Ηλιόλουστη μέρα Συννεφιασμένη μέρα Βάσει της παραπάνω εκτεταμένης ανάλυσης, στο παρακάτω σχήμα απεικονίζονται συνοπτικά οι βασικές κατηγορίες στις οποίες ταξινομούνται τα μοντέλα βραχυπρόθεσμης πρόβλεψης της παραγωγής των Φ/Β σταθμών και οι χρονικοί ορίζοντες εφαρμογής τους. Μοντέλα Παρακολούθησης & Χαρτογράφησης Νεφώσεων Αριθμητικές Μετεωρολογικές Προβλέψεις Ηλιακής Ακτινοβολίας Ατμοσφαιρικές Μεταβλητές (βήμα h) Δεδομένα SCADA Μοντέλα Χρονοσειρών με βάση την ημερήσια περιοδικότητα (βήμα h) Προσαρμογή στα δεδομένα του Φ/Β Πάρκου (Πρόβλεψη Ισχύος) Προσανατολισμός Πλαισίων, Ιστορικά Στοιχεία, Εισαγωγή Σφαλμάτων & Δυσλειτουργιών Διόρθωση βάσει των πιο πρόσφατων καταγραφών ισχύος από SCADA (βήμα 5 min) Στατιστικά Μοντέλα Διόρθωσης Προσαρμογή στις πραγματικές Χρονοσειρές Ισχύος, Απαλοιφή Συστηματικών Σφαλμάτων, Υστέρησης, Πόλωσης κλπ -h -4h 4-24h h t Μοντέλα Πρόβλεψης Φωτοβολταϊκής παραγωγής 28

29 2.3 ΒΙΒΛΙΟΓΡΑΦΙΑ [] Lorenz et al. (29) Irradiance Forecasting for the Power Prediction of Grid PV 29 [2] Perez et al. (27) Forecasting Solar Radiation, Preliminary Evaluation of an Appr. based upon the NFD [3] Zamora et al. (25) The Accuracy of Solar Irradiance Calculations used in Mesoscale Numerical Weather Prediction [4] Mathiesen et al. (2) Evaluation of NWP for Intra-day Solar Forecasting in the Continental US [5] Lorenz et al. Short Term Forecasting of Solar Radiation based on Satellite Data [6] Hammer et al. (999) Short-term forecasting of solar radiation, A statistical Approach Using Satellite Data [7] Chow et al. (2) Intra-hour Forecasting with a Total Sky Imager a the UC San Diego Solar Energy Test bed [8] Perez et al. (2) Validation of short and medium term operational solar radiation forecasts in the US [9] Bacher et al. (29) Online short-term solar power forecasting [] Huang et al. (2) Comparative Study of Power Forecasting Methods for PV Stations [] Bofinger et al. (26) Solar Electricity Forecasting Approaches and First Results [2] Jimenez et al. (22) Short-Term Power Forecasting for PV. [3] Chen et al. (2) Online 24-h solar power forecasting based on weather type classification using artificial neural network [4] Moreno-Munoz et al. (28) Very Short Term Forecasting of Solar Radiation [5] Huang et al. Solar Generation Prediction using ARMA Model [6] Dazhi (22) Hourly solar irradiance time series forecasting using cloud cover index [7] Wu et al. (2) Prediction of Hourly Solar Radiation Using a Novel Hybrid Model of ARMA and TDNN [8] Mihalakakou et al. (2) The total solar radiation time series simulation in Athens, using neural networks [9] Wang et al. (22) Short-Term Solar Irradiance Forecasting Model Based on Artificial Neural Network Using Statistical Feature Parameters [2] Cococcioni (2) 24-hour-ahead forecasting of energy production in solar PV systems [2] Pedro et al. (22) Assessment of forecasting techniques for solar power production with no exogenous inputs [22] Reikard (29) Predicting solar radiation at high resolutions A comparison of time series forecasts [23] Mellit et al. (26) An adaptive wavelet-network model for forecasting daily total solar-radiation [24] Mellit et al. (25) A simplified model for generating sequences of global solar radiation data for isolated sites [25] Mellit et al. (2) A 24-h forecast of solar irradiance using artificial neural network 29

30 ΚΕΦΑΛΑΙΟ 3 ΒΡΑΧΥΠΡΟΘΕΣΜΗ ΠΡΟΒΛΕΨΗ ΦΩΤΟΒΟΛΤΑΙΚΗΣ ΙΣΧΥΟΣ 3.. ΕΙΣΑΓΩΓΗ Με τον όρο βραχυπρόθεσμη εννοούμε όλες τις προβλέψεις που έχουν χρονικό ορίζοντα κάποιων λίγων ωρών στο μέλλον. Όπως συμπεραίνουμε από τη βιβλιογραφική ανασκόπηση τα δεδομένα που έχουν μεγαλύτερη βαρύτητα σε τέτοιου είδους προβλέψεις είναι τα πρόσφατα δεδομένα φωτοβολταϊκής παραγωγής, π.χ. η φωτοβολταϊκή παραγωγή της προηγούμενης ώρας. Αυτό βέβαια δεν σημαίνει ότι οι υπόλοιποι τύποι δεδομένων (π.χ. καιρικά φαινόμενα) δεν έχουν μεγάλη αξία. Στην παρούσα διπλωματική ο χρονικός ορίζοντας της βραχυπρόθεσμης πρόβλεψης Φ/Β ισχύος εκτείνεται σε χρονικό διάστημα 4 ωρών στο μέλλον. Οι προβλέψεις μας θα εκφράζονται από την εξής ιδιαιτερότητα: Για τις 2 πρώτες ώρες θα λαμβάνουμε προβλέψεις ανά 5λεπτο (συνολικά 24 5λεπτα) Για τις ώρες -3 θα λαμβάνουμε προβλέψεις ανά τέταρτο (συνολικά 8 5λεπτα) Για τις ώρες 2-4 θα λαμβάνουμε προβλέψεις ανά μισάωρο (συνολικά 4 3λεπτα) Ο διαχωρισμός των διαστημάτων πρόβλεψης παρατίθεται στο παρακάτω σχήμα: Διαστήματα βραχυπρόθεσμης πρόβλεψης 3

31 3.2. ΠΡΟΒΛΕΨΗ ΜΕ ΤΕΧΝΗΤΑ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ Η ηλιακή ακτινοβολία ακολουθεί ένα πολύ συγκεκριμένο ημερήσιο και εποχικό προφίλ και δεν παρουσιάζει έντονες τοπικές διαφοροποιήσεις. Η ύπαρξη πολύ ισχυρής ημερήσιας περιοδικότητας επιβάλλει αντίστοιχα μοντέλα πρόβλεψης. Τα Τεχνητά Νευρωνικά Δίκτυα (ΝΔ) έχουν αποδειχθεί ως εξαιρετικό εργαλείο πρόβλεψης- προσομοίωσης και έχουν χρησιμοποιηθεί με επιτυχία σε πολλά παρόμοια προβλήματα κατά τα τελευταία 25 χρόνια. Ένα Νευρωνικό Δίκτυο έχει την ευχέρεια να χρησιμοποιεί εισόδους με μη ομοειδή μεγέθη και να προσαρμόζεται σε οποιαδήποτε σετ προτύπων διαμορφώνοντας μια περίπλοκη συνάρτηση εισόδων-εξόδων. Αποτελείται από «νευρώνες» διατεταγμένους σε στρώματα, το στρώμα εισόδου, το στρώμα εξόδου και μεταξύ τους ένα ή περισσότερα κρυφά ή μεσαία στρώματα. Σε κάθε νευρώνα εισάγεται η τιμή εισόδου, σε αυτή προστίθεται μια σταθερή τιμή (όρος πόλωσης), που χαρακτηρίζει τη μνήμη του νευρωνίου και στη συνέχεια φιλτράρεται συνήθως μέσω μιας σιγμοειδούς συναρτήσεως παράγοντας έτσι την έξοδο του νευρώνα. Σε ένα τυπικό, ολικά διασυνδεδεμένο ΝΔ, κάθε νευρώνιο συνδέεται με όλα τα νευρώνια του προηγούμενου και του επόμενου στρώματος με «συνδέσμους» καθένας εκ των οποίων έχει το δικό του «συντελεστή βάρους». Οι παράμετροι του ΝΔ (βάρη και όροι πόλωσης) αρχικά παίρνουν τυχαίες τιμές και στη συνέχεια βελτιστοποιούνται βάσει ενός αλγορίθμου που συνδυάζει τις μεθόδους της κλίσης και της προς τα πίσω διάδοσης (backpropagation). Στην παρούσα διπλωματική εργασία θα αναπτύξουμε δύο τύπους μοντέλων βραχυπρόθεσμης πρόβλεψης: Το κανονικό μοντέλο πρόβλεψης, όπου οι είσοδοι-έξοδοι εισάγονται στο ΝΔ ως έχουν σε pu Το διαφορικό μοντέλο πρόβλεψης, όπου οι είσοδοι-έξοδοι εισάγονται στο ΝΔ ως διαφορές με κάποιο μέγεθος (π.χ. χθεσινή αντίστοιχη Φ/Β ισχύς σε pu) Τα παραπάνω μοντέλα θα εξάγουν πρόβλεψη της συνολικής φωτοβολταϊκής ισχύος στην ηπειρωτική Ελλάδα (του διασυνδεδεμένου συστήματος) για τις επόμενες 4 ώρες σε pu (όλες οι τιμές διαιρέθηκαν με την συνολική εγκατεστημένη στη μέση τάση φωτοβολταϊκή ισχύ στην ηπειρωτική Ελλάδα). Στο προγραμματιστικό περιβάλλον της FORTRAN αναπτύξαμε το πρόγραμμα Interface, μέσω του οποίου ορίζουμε κάθε φορά τις εισόδους του ΝΔ και τις διαχωρίζουμε για κάθε μήνα σε 2 ημέρες για εκπαίδευση και ημέρες για ενθύμηση του μοντέλου μας. 3

32 3.3. ΣΧΗΜΑΤΙΣΜΟΣ ΔΕΔΟΜΕΝΩΝ Η ανάπτυξη και διαμόρφωση των μοντέλων πρόβλεψης βασίζεται σε μεγάλο βαθμό στα διαθέσιμα δεδομένα. Ανάλογα με τον τύπο και τον όγκο των διαθέσιμων δεδομένων γίνεται η διαμόρφωση και η ανάπτυξη των εργαλείων πρόβλεψης ΑΠΕ. Από τη βιβλιογραφική ανασκόπηση αυτό που συμπεραίνουμε είναι ότι για τη βελτιστοποίηση των προβλέψεων θα χρειαστούμε και δεδομένα πρόσφατων τιμών ηλιακής ακτινοβολίας ή ηλεκτρικής ισχύος, αλλά και δεδομένα προγνώσεως καιρού (π.χ. προβλέψεις ηλιακής ακτινοβολίας για την ώρα πρόβλεψης, θερμοκρασία κ.α.) Τα δεδομένα που έχουμε διαθέσιμα για την ανάπτυξη των μοντέλων μας είναι: Χρονοσειρά συνολικής Φωτοβολταϊκής Παραγωγής στο Ελληνικό Διασυνδεδεμένο Σύστημα Ηλεκτρικής Ενέργειας (ΕΔΣΗΕ) με βήμα h για 22 μήνες (από //2 έως 3//22). Χρονοσειρές παραγωγής ηλεκτρικής ενέργειας (σε pu) με βήμα h από περίπου 3 συνδεδεμένους στη μέση τάση Φ/Β σταθμούς διεσπαρμένους στο ΕΔΣΗΕ για 22 μήνες. Χρονοσειρά αστρονομικής ακτινοβολίας (σε pu) με βήμα h για 22 μήνες (μέγιστη ακτινοβολία, αντιστοιχεί σε καθαρό ουρανό). Στο παρακάτω διάγραμμα παρατίθεται η συνάρτηση αυτοσυσχέτισης της κάθε ωριαίας συνολικής παραγωγής Φ/Β ισχύος με τις προηγούμενες ώρες, ούτως ώστε να δούμε ποιες άλλες ώρες έχουν μεγάλη συνάφεια μαζί της. Παρατηρούμε πως κάθε ωριαία συνολική παραγωγή έχει μεγάλη σχέση με την συνολική παραγωγή της προηγούμενης ώρας, όπως και με την αντίστοιχη χθεσινή Φ/Β παραγωγή αλλά και με την αντίστοιχη χθεσινή Φ/Β παραγωγή της προηγούμενης ώρας Αστρονομική ακτινοβολία είναι η ηλιακή ακτινοβολία που φτάνει στο επίπεδο της γης σε κατάσταση πλήρους ηλιοφάνειας. Εξαρτάται από την ημέρα του 32

33 Ηλιακή Ακτινοβολία (pu) έτους, τις συντεταγμένες της θέσης μας και τη θέση του ηλίου (αζιμουθιακή γωνία και ύψος). Είναι δηλαδή η μέγιστη δυνατή ηλιακή ακτινοβολία, που μπορεί να ληφθεί τη συγκεκριμένη ημέρα του έτους και ώρα της ημέρας. Τα δεδομένα της αστρονομικής ακτινοβολίας τα λάβαμε από το λογισμικό Meteonorm, για στίγμα ίσο με το μέσο της ελληνικής επικράτειας και για επιφάνεια φωτοβολταϊκού συλλέκτη με προσανατολισμό νότιο και κλίση 3 ο δηλ. τις βέλτιστες επιλογές εγκατάστασης που ακολουθούνται ευρέως στην Ελλάδα για σταθερούς (μη μετακινούμενους) Φ/Β συλλέκτες. Μια τυπική ημέρα του μήνα Ιανουαρίου η αστρονομική ακτινοβολία έχει τη παρακάτω μορφή:,2 Αστρονομική ακτινοβολία,8,6,4, Χρόνος (Hours) Η χρησιμότητα της αστρονομικής ακτινοβολίας ως δεδομένο εισόδου στο νευρωνικό μας δίκτυο είναι ότι δίνει τη σωστή μορφή που πρέπει να έχει η Φ/Β ισχύς (είναι ευθέως ανάλογη της ηλιακής ακτινοβολίας) και επιπλέον είναι και το άνω όριο της πρόβλεψής μας. Από τα διαθέσιμα δεδομένα συνειδητοποιούμε ότι δεν έχουμε καθόλου δεδομένα μετεωρολογικών προβλέψεων. Για να λύσουμε αυτό το πρόβλημα θα δοκιμάσουμε να χρησιμοποιήσουμε κάποια από τα διαθέσιμα δεδομένα ως μετεωρολογικές προγνώσεις ηλιακής ακτινοβολίας. Από τη σύγκριση των δεδομένων ισχύος στους Φ/Β σταθμούς ανά την Ελλάδα διαπιστώνεται ότι υπάρχει μεγάλη συνάφεια σε ευρείες γεωγραφικές περιοχές. Συνεπώς θα χωρίσουμε την Ελλάδα σε 7 περιφέρειες και αξιοποιώντας τον πίνακα ετεροσυσχετίσεων των δεδομένων παραγωγής ή ακτινοβολίας θα οδηγηθούμε στην επιλογή ενός χαρακτηριστικού Φ/Β σταθμού που να είναι αντιπροσωπευτικός για κάθε περιφέρεια. Με αυτόν τον τρόπο βασιζόμενοι στην αρχή ότι η ηλιακή ακτινοβολία είναι ευθέως ανάλογη της φωτοβολταϊκής παραγωγής σε ένα πάρκο (π.χ. μια ηλιόλουστη μέρα θα έχουμε υψηλή ηλιακή ακτινοβολία και φωτοβολταϊκή παραγωγή, ενώ μια 33

34 συννεφιασμένη μέρα το αντίστροφο) θα αξιοποιήσουμε τη παραγωγή των 7 επιλεγμένων πάρκων ως «ψευτοπρογνώσεις» ηλιακής ακτινοβολίας. Ο πίνακας ετεροσυσχετίσεων των δεδομένων παραγωγής των 3 πάρκων παρατίθεται παρακάτω: 34

35 Τα εφτά διαφορετικά χρώματα του πίνακα ετεροσυσχετίσεων αντιστοιχούν στις εφτά περιφέρειες της Ελλάδας. Έτσι λοιπόν ανά περιφέρεια έχουμε:. Περιφέρεια Ανατολικής Μακεδονίας-Θράκη ΔΡΑΜΑ ΕΒΡΟΣ ΞΑΝΘΗ ΡΟΔΟΠΗ MO ΔΡΑΜΑ,936,935,8559,897 ΕΒΡΟΣ,937,928,8895,97 ΞΑΝΘΗ,935,928,8853,949 ΡΟΔΟΠΗ,8559,8895,8853,8769 Επιλέγουμε σαν πιο αντιπροσωπευτικό πάρκο την Ξάνθη, καθώς έχει το μεγαλύτερο μέσο όρο ετεροσυσχετίσεων με τα υπόλοιπα. 2. Περιφέρεια Κεντρικής Μακεδονίας ΧΑΛΚΙΔΙΚΗ ΗΜΑΘΙΑ ΚΙΛΚΙΣ ΠΙΕΡΙΑ ΣΕΡΡΕΣ ΘΕΣ/ΝΙΚΗ MO ΧΑΛΚΙΔΙΚΗ,8988,975,928,9228,8685,92 ΗΜΑΘΙΑ,8988,936,949,976,9548,9287 ΚΙΛΚΙΣ,975,936,946,9442,94,9249 ΠΙΕΡΙΑ,928,949,946,9333,8966,9252 ΣΕΡΡΕΣ,9228,97,9442,9333,8855,927 ΘΕΣ/ΝΙΚΗ,8685,9548,94,8966,8855,92 Διαλέγουμε την Ημαθία. 3. Περιφέρεια Δυτικής Μακεδονίας ΦΛΩΡΙΝΑ ΓΡΕΒΕΝΑ ΚΟΖΑΝΗ ΠΕΛΛΑ MO ΦΛΩΡΙΝΑ,89,944,928,984 ΓΡΕΒΕΝΑ,89,9222,94,987 ΚΟΖΑΝΗ,944,9222,9253,927 ΠΕΛΛΑ,928,94,9253,92 Επιλέγουμε την Κοζάνη. 4. Περιφέρεια Δυτικής Ελλάδας ΑΙΤΩΛΟΑΚΑΡΝΑΝΙΑ ΑΡΤΑ ΠΡΕΒΕΖΑ MO ΑΙΤΟΛΟΑΚΑΡΝΑΝΙΑ,8764,958,896 ΑΡΤΑ,8764,93,8897 ΠΡΕΒΕΖΑ,958,93,994 35

36 Επιλέγουμε την Πρέβεζα. 5. Περιφέρεια Θεσσαλίας ΚΑΡΔΙΤΣΑ ΛΑΡΙΣΑ ΜΑΓΝΗΣΙΑ ΤΡΙΚΑΛΑ ΜΟ ΚΑΡΔΙΤΣΑ,9272,9,9642,9342 ΛΑΡΙΣΑ,9272,9443,9228,934 ΜΑΓΝΗΣΙΑ,9,9443,926,993 ΤΡΙΚΑΛΑ,9642,9228,926,9299 Διαλέγουμε το Φ/Β πάρκο της Καρδίτσας. 6. Περιφέρεια Αττικής-Βοιωτίας-Κορινθίας ΒΟΙΩΤΙΑ ΚΟΡΙΝΘΙΑ ΑΛΠΗ ΧΑΛΑΡΗΣ MO ΒΟΙΩΤΙΑ,925,94,927,966 ΚΟΡΙΝΘΙΑ,925,9,93,99 ΑΛΠΗ,94,9,96,962 ΧΑΛΑΡΗΣ,927,93,96,978 Επιλέγουμε το Φ/Β πάρκο ΧΑΛΑΡΗΣ. 7. Περιφέρεια Πελοποννήσου ΑΡΓΟΛΙΔΑ ΑΡΚΑΔΙΑ ΑΧΑΙΑ ΗΛΕΙΑ ΛΑΚΩΝΙΑ ΜΕΣΣΗΝΙΑ MO ΑΡΓΟΛΙΔΑ,9455,895,8545,9288,932,967 ΑΡΚΑΔΙΑ,9455,8925,843,97,943,95 ΑΧΑΙΑ,895,8925,8786,8598,8663,8778 ΗΛΕΙΑ,8545,843,8786,843,869,857 ΛΑΚΩΝΙΑ,9288,97,8598,843,939,89 ΜΕΣΣΗΝΙΑ,932,943,8663,869,939,893 Επιλέγουμε το Φ/Β πάρκο του νομού Αργολίδος. Στη συνέχεια παραθέτουμε και το χάρτη της Ελλάδας χωρισμένη στις 7 περιφέρειες και με βούλες η τοποθεσία των 7 επιλεγμένων φωτοβολταϊκών πάρκων, που θα χρησιμοποιηθούν ως προγνώσεις ηλιακής ακτινοβολίας: 36

37 37

38 3.4. ΑΝΑΠΤΥΞΗ ΚΑΝΟΝΙΚΟΥ ΜΟΝΤΕΛΟΥ ΒΡΑΧΥΠΡΟΘΕΣΜΗΣ ΠΡΟΒΛΕΨΗΣ ΕΦΑΡΜΟΓΗ ΚΑΙ ΑΠΟΤΕΛΕΣΜΑΤΑ Το μοντέλο, που θα αναπτύξουμε είναι ένα τεχνητό νευρωνικό δίκτυο, το οποίο θα έχει χρονικό ορίζοντα 4 ώρες, οι οποίες θα χωρίζονται σε 5λεπτα,5λεπτα και 3λεπτα. Ο διαχωρισμός αυτός θα επιτευχθεί με τη μέθοδο της γραμμικής παρεμβολής στις προβλέψεις μας. Θεωρούμε ότι η κάθε πρόβλεψη αναφέρεται στο μέσο της ώρας (π.χ. 9.3 και.3) και με τη μέθοδο της γραμμικής παρεμβολής παίρνουμε μια τιμή ανά 5λεπτο. Έτσι π.χ. για ηλεκτροπαραγωγή 5kW και 2kW,όπως φαίνεται στο σχήμα θα έχουμε την ώρα 9.45: Η αποτελεσματικότητα των μοντέλων, που θα παρουσιάσουμε στη συνέχεια, θα εξεταστεί μέσω του μέσου απόλυτου σφάλματος (ΜΑΣ), το οποίο υπολογίζεται ως εξής: Όπου Ν είναι το σύνολο των ωρών. Έπειτα το ΜΑΣ θα προσπαθήσουμε να το μειώσουμε και άλλο περνώντας τις προβλέψεις μας μέσα από ένα φίλτρο. Για αυτό το σκοπό αναπτύξαμε στο προγραμματιστικό περιβάλλον της FORTRAN το πρόγραμμα FILTRE. Το φίλτρο έχει ως άνω όριο το μέγεθος της αστρονομικής ακτινοβολίας (εξ ορισμού η αστρονομική είναι η μέγιστη δυνατή ηλιακή ακτινοβολία) και ως κάτω όριο το.έτσι όσες από τις προβλέψεις μας ξεπερνάνε την αστρονομική ακτινοβολία τις κάνουμε ίσες με αυτή και όσες βγαίνουν αρνητικές τις μηδενίζουμε. 38