ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΠΕΙΡΑΙΑ ΤΜΗΜΑ ΜΗΧΑΝΟΛΟΓΙΑΣ ΕΡΓΑΣΤΗΡΙΟ ΗΠΙΩΝ ΜΟΡΦΩΝ ΕΝΕΡΓΕΙΑΣ & ΠΡΟΣΤΑΣΙΑΣ ΠΕΡΙΒΑΛΛΟΝΤΟΣ Πρόβλεψη παραγωγής ΑΠΕ και ηλεκτρικού φορτίου με τεχνητά νευρωνικά δίκτυα Δρ. Κωνσταντίνος Μουστρής Α.Ε.Ι. Πειραιά Τ.Τ.; Τμήμα Μηχανολόγων Μηχανικών Τ.Ε.; kmoustris@yahoo.gr Εθνικό Συμπόσιο «Εφαρμογή Υβριδικών Σχημάτων Ανανεώσιμων Πηγών Ενέργειας για την Ικανοποίηση των Αναγκών σε Ενέργεια και Νερό στα Μικρής και Μεσαίας Κλίμακας Νησιά του Αιγαίου» 29 Οκτωβρίου 2015, Συνεδριακό Κέντρο ΑΕΙ Πειραιά Τ.Τ. Ερευνητικό Έργο PHAROS Πρόγραμμα Αριστεία ΙΙ - ΓΓΕΤ ΕΙΣΑΓΩΓΗ : Τεχνητά Νευρωνικά Δίκτυα Πρόκειται για την προσέγγιση της περιγραφής της λειτουργίας του ανθρώπινου νευρικού συστήματος μέσω μαθηματικών συναρτήσεων. Τα συνήθη ΤΝΔ χρησιμοποιούν πολύ απλά μοντέλα νευρώνων τέτοια ώστε να διατηρούν μόνο τα πολύ αδρά χαρακτηριστικά των νευρώνων του ανθρώπινου εγκεφάλου. W.S. McCulloh & W. Pitts, A logical calculus of ideas immanent in Nervous activity, Bull. Mathematical Biophysics, Vol. 5, 1943, pp.115-133. Ιδιαιτερότητες: Παράλληλη κατανεμημένη επεξεργασία Λειτουργούν ακόμη με θορυβώδη, ασαφή και εν μέρει εσφαλμένα δεδομένα Εκπαιδεύονται και αποκτούν «εμπειρία» Συσχετίζουν 1
ΕΙΣΑΓΩΓΗ : Τεχνητά Νευρωνικά Δίκτυα Δομή βιολογικού νευρώνα του ανθρώπινου εγκέφαλου Δομή νευρώνα του τεχνητού νευρωνικού δικτύου ΕΙΣΑΓΩΓΗ :Ο βασικός Τεχνητός Νευρώνας Δεδομένα x i1 w i1 Συνάρτηση Ενεργοποίησης Σw ij x ij u Συνάρτηση Μεταφοράς y=f(u) y f(u) Αποτελέσματα x in w in κατώφλι (Θ) Συνθήκη Ενεργοποίησης 4 2
ΕΙΣΑΓΩΓΗ :Συναρτήσεις Μεταφοράς Βηματική (1/1 step function) 1 f(u)=-1, αν u 0 f(u)= 1, αν u>0-1 Σιγμοειδής (sigmoid) f(u)=1/(1+e -u ) Υπερβολική εφαπτομένη (hyperbolic tangent) f (u)=tanh(u)=(1-e -u )/(1+e -u ) ΕΙΣΑΓΩΓΗ : Τεχνητά Νευρωνικά Δίκτυα Βασικά Χαρακτηριστικά Αρχιτεκτονική Καθορίζει τον αριθμό των τεχνητών νευρώνων Καθορίζει την διάταξη και την αλληλοσύνδεση των τεχνητών νευρώνων Χαρακτηριστικά νευρώνων: Σήματα εισόδου Συντελεστές βάρους Ενεργοποίηση Σήματα εξόδου x 1 x 2 x 3 w 1 w 2 w 3 w N Σ h Πόλωση g( ) O Εξοδος x Ν 3
ΕΙΣΑΓΩΓΗ : Τεχνητά Νευρωνικά Δίκτυα Βασικά Χαρακτηριστικά Νευροδυναμικά Χαρακτηριστικά Καθορίζουν πώς το ΤΝΔ: Εκπαιδεύεται Ανακαλεί από την μνήμη του Συσχετίζει Συγκρίνει την νέα πληροφορία με την ήδη υπάρχουσα γνώση Ταξινομεί την νέα πληροφορία Δημιουργεί νέες κατηγορίες όταν πρέπει ΕΙΣΑΓΩΓΗ : ΤΝΔ πολυστρωματικής αντίληψης-νόησης (Multi Layer Perceptron-MLP) Απλούστερη Μορφή Αποτελείται από επίπεδα-στρώματα και τις μεταξύ τους συνδέσεις. Μπορεί να έχει ένα ή και περισσότερα ενδιάμεσα (κρυφά) στρώματα Κατηγορίες Στρωμάτων: Εισόδου Κρυφά Εξόδου 4
Τεχνητών Νευρωνικών Δικτύων Για την ομαλή και αποδοτική λειτουργία των ΑΠΕ, είναι απαραίτητη η εκ των προτέρων γνώση κάποιων παραμέτρων. Για παράδειγμα, η γνώση της διαθέσιμης ηλιακής ακτινοβολίας-ενέργειας, μερικές ώρες πριν ή ακόμα και ένα 24ωρο πριν, είναι πολύ καθοριστική για την παραγόμενη ενέργεια από ένα φωτοβολταϊκό σύστημα. Στην περίπτωση μιας ανεμογεννήτριας, είναι πολύ σημαντική η γνώση της ταχύτητας του αέρα, λίγες ώρες πριν. Φαίνεται ότι τα ΤΝΔ μπορούν να δώσουν αξιόπιστες λύσεις στην πρόγνωση των μετεωρολογικών και όχι μόνο παραμέτρων που με τη σειρά τους επηρεάζουν και καθορίζουν την απόδοση των ΑΠΕ. ΤΝΔ-Ηλιακή Ενέργεια Μια πρώτη προσπάθεια έγινε το έτος 2008. Χρησιμοποιώντας ωριαίες τιμές μετεωρολογικών δεδομένων από το Εθνικό Αστεροσκοπείο Αθηνών και αντίστοιχες ωριαίες τιμές ολικής και διάχυτης ηλιακής ακτινοβολίας από τον ακτινομετρικό σταθμό του ΤΕΙ Πειραιά, δημιουργήθηκαν ΤΝΔ που παράγουν τυπικά 24ωρα μέσης, μέγιστης και ελάχιστης ολικής και διάχυτης ηλιακής ακτινοβολίας στο οριζόντιο επίπεδο. Σχήμα 1. Δημιουργία τυπικών 24ωρων μέσης, μέγιστης και ελάχιστης ολικής ηλιακής ακτινοβολίας για την περιοχή της Θεσσαλονίκης. 5
ΤΝΔ-Ηλιακή Ενέργεια K. Moustris, A.G. Paliatsos,, A. Bloutsos, K. Nikolaidis, I. Koronakid,, K. Kavadias, 2008. Use of neural networks for the creation of hourly global and diffuse solar irradiance data at representative locations in Greece. Renewable Energy, 33,pp. 928 932. Σχήμα 2. Δημιουργία τυπικών 24ωρων μέσης, μέγιστης και ελάχιστης διάχυτης ηλιακής ακτινοβολίας για την περιοχή της Θεσσαλονίκης. ΤΝΔ-Ηλιακή Ενέργεια R 2 =0.959 Στην περίπτωση αυτή, δημιουργήθηκαν δύο μοντέλα ΤΝΔ. Το πρώτο προβλέπει για το επόμενο 24ωρο την ηλιοφάνεια (σε ώρες) και το δεύτερο, τροφοδοτούμενο από το πρώτο, προβλέπει, για το επόμενο 24ωρο, την ολική ημερήσια ηλιακή ακτινοβολία στο οριζόντιο επίπεδο σε 5 διαφορετικές περιοχές εντός της ευρύτερης περιοχής των Αθηνών. Σχήμα 3. Πρόγνωση ημερήσιας ολικής ηλιακής ακτινοβολίας στο οριζόντιο επίπεδο. Πεντέλη, 2011. K.P. Moustris, K.A. Kavadias and A.G. Paliatsos, 2015. THE EFFICIENCY OF ARTIFICIAL NEURAL NETWORKS MODELLING IN FORECASTING DAILY GLOBAL SOLAR IRRADIATION ONE DAY AHEAD. 18 th International Symposium on Environmental Pollution and its Impact on Life in the Mediterranean Region. MESAEP Mediterranean Scientific Association of Environmental Protection, September 26 30,2015, Crete Greece.. Σχήμα 4. Προβλεπόμενη έναντι παρατηρούμενης ετήσιας ηλιακής ακτινοβολίας. Έτος, 2011. 6
ΤΝΔ-Ηλιακή Ενέργεια Tilos - Horizon 2020 Στην περίπτωση αυτή, χρησιμοποιώντας ωριαίες τιμές ακτινοβολίας από τον ιστό που τοποθετήθηκε στη θέση όπου προβλέπεται η εγκατάσταση του Φ/Β συστήματος, δημιουργήθηκαν δύο ΤΝΔ. Το πρώτο ΤΝΔ, μετά την κατάλληλη εκπαίδευσή του είναι σε θέση να προβλέπει με μεγάλη σχετικά ακρίβεια την μέση ωριαία θερμοκρασία των πλαισίων των Φ/Β, 1 Hour 2 Hours 3 Hours 4Hours 5Hours 6Hours MBE( o C) RMSE( o C) IA R 2 0.5 1.7 0.992 0.975 0.6 2.2 0.988 0.957 0.6 2.5 0.985 0.948 0.6 2.6 0.983 0.943 0.6 2.8 0.981 0.938 0.8 3.0 0.978 0.925 Σχήμα 5. Πρόγνωση της μέσης ωριαίας θερμοκρασίας πλαισίου,6ώρες πριν. Ιούνιος 2015, Τήλος. ΤΝΔ-Ηλιακή Ενέργεια Το δεύτερο ΤΝΔ, μετά την κατάλληλη εκπαίδευσή του είναι σε θέση να προβλέπει με μεγάλη σχετικά ακρίβεια την ωριαία ολική ηλιακή ακτινοβολία, 6 ώρες πριν. MBE (kwh/m 2 ) RMSE (kwh/m 2 ) IA R 2 1 Hour 2 Hours 3 Hours 4Hours 5Hours 6Hours 0.02 0.05 0.994 0.982 0.03 0.07 0.991 0.972 0.04 0.07 0.989 0.969 0.04 0.08 0.987 0.966 0.05 0.09 0.984 0.959 0.05 0.08 0.986 0.967 Σχήμα 6. Πρόγνωση της ωριαίας ολικής ηλιακής ακτινοβολίας, 6 ώρες πριν. Ιούνιος 2015, Τήλος. 7
ΤΝΔ-Αιολική Ενέργεια Για την πρόγνωση της ταχύτητας του αέρα, τα πράγματα είναι πιο δύσκολα, αφού πρόκειται για ένα μέγεθος πολύ ευμετάβλητο με το χρόνο, με μεγάλη διακύμανση τιμών σε μικρά χρονικά διαστήματα. Είναι ένα μέγεθος που «κυβερνάται» από πολλούς παράγοντες καθιστώντας πολύ δύσκολη την πρόγνωσή του. Στην περίπτωση της Τήλου. Χρησιμοποιήθηκαν δεδομένα ταχύτητας αέρα σε ύψος 30m από το έδαφος, από τον ιστό που τοποθετήθηκε στον τόπο όπου πρόκειται να εγκατασταθεί η ανεμογεννήτρια. Στη συνέχεια, αναπτύχθηκαν τρία διαφορετικά ΤΝΔ τα οποία μετά την κατάλληλη εκπαίδευσή τους είναι σε θέση να προβλέπουν 6 ώρες μπροστά την μέση, την απολύτως μέγιστη και ελάχιστη ωριαία ταχύτητα του αέρα. ΤΝΔ-Αιολική Ενέργεια Σχήμα 7. Πρόγνωση της ωριαίας μέσης, απολύτως μέγιστης και ελάχιστης ταχύτητας του αέρα, 1 ώρα πριν. Ιούνιος 2015, Τήλος. 8
ΤΝΔ-Αιολική Ενέργεια Σχήμα 8. Πρόγνωση της ωριαίας μέσης, απολύτως μέγιστης και ελάχιστης ταχύτητας του αέρα, 6ώρες πριν. Ιούνιος 2015, Τήλος. ΤΝΔ-Ηλεκτρική ζήτηση/κατανάλωση Στην περίπτωση του οικιακού τομέα, χρησιμοποιώντας μετεωρολογικά δεδομένα και τιμές ηλεκτρικής κατανάλωσης, αναπτύχθηκε ένα ΤΝΔ που προβλέπει για την επόμενη ώρα την ηλεκτρική κατανάλωση στη συγκεκριμένη οικία. S.A. Kazakidis, A.I. Kokkosis, K.P. Moustris and A.G. Paliatsos, 2012. Electricity Consumption Prognosis with the Combination of Smart Metering and Artificial Neural Networks. Full Proceedings, in CD ROM, of the 8th Mediterranean Conference on Power Generation, Transmission, Distribution and Energy Conversion MEDPOWER 2012. 1 3 October 2012 Cagliari, Italy. Σχήμα 9. Πρόγνωση της ηλεκτρικής κατανάλωσης σε οικία, την επόμενη ώρα, με συνδυασμό smart metering και ΤΝΔ. 9
ΤΝΔ-Ηλεκτρική ζήτηση/κατανάλωση Moustris K.P., Zafirakis D., Kokkosis A.I., Paliatsos A.G., Kaldellis J.K., 2014. Prediction of Electricity Load Demand in a Mediterranean Island Environment Based on the Physiologically Equivalent Temperature and Artificial Neural Networks Modeling. 9th Mediterranean Conference on Power Generation, Transmission Distribution and Energy Conversion (MedPower 2014). Conference Center of the Technological Educational Institute of Piraeus, Athens, Hellas, 2 5 November 2014 (α) (β) Σχήμα 10. Πρόγνωση των ωριαίων τιμών απαίτησηςηλεκτρικού φορτίουγιατονιανουάριο (α) καιτονιούλιο (β). Αμοργός, 2012. ΤΝΔ-Ηλεκτρική ζήτηση/κατανάλωση Στην περίπτωση της Τήλου, δημιουργήθηκαν ΤΝΔ πρόγνωσης της συνολικής ηλεκτρικής κατανάλωσης του, για τις επόμενες 6 ώρες, με ωριαίο βήμα. Η πρόγνωση βασίστηκε στις καταναλώσεις των 6 προηγούμενων ωρών και στις τιμές ενός βιοκλιματικού δείκτη θερμικής άνεσης-δυσφορίας του πληθυσμού, τις προηγούμενες 6 ώρες. 1 Hour 2 Hours 3 Hours 4Hours 5Hours 6Hours MBE (kwh) RMSE (kwh) IA R 2 3.2 19.7 0.966 0.883 3.9 27.3 0.934 0.772 5.3 29.5 0.913 0.734 6.8 29.5 0.908 0.745 6.7 31.1 0.893 0.719 8.5 30.4 0.900 0.738 Σχήμα 11. Πρόγνωση της ωριαίας ηλεκτρικής κατανάλωσης για τις επόμενες 6 ώρες. Ιούνιος 2015, Τήλος. 10
Ευχαριστώ για την προσοχή σας 11