Ενότητα Εργασίας 1 Αξιολόγηση / Βελτίωση εργαλείων πρόβλεψης παραγωγής ηλεκτρικής ενέργειας από ΑΠΕ

Χρηματοδοτούμενο Έργο του Εργαστηρίου Συστημάτων Ηλεκτρικής Ενέργειας Α.Π.Θ. στα πλαίσια της πράξης «ΑΡΙΣΤΕΙΑ» του Επιχειρησιακού Προγράμματος «Εκπαίδευση και Διά Βίου Μάθηση» που συγχρηματοδοτείται από το Ευρωπαϊκό Κοινωνικό Ταμείο και Εθνικούς Πόρους Κωδικός Έργου Γενικής Γραμματείας Έρευνας και Τεχνολογίας: 1522 Large-Scale Renewable Integration in Electricity Markets Μεγάλης Κλίμακας Ενσωμάτωση Ανανεώσιμων Πηγών Ενέργειας στις Αγορές Ηλεκτρικής Ενέργειας Ενότητα Εργασίας 1 Αξιολόγηση / Βελτίωση εργαλείων πρόβλεψης παραγωγής ηλεκτρικής ενέργειας από ΑΠΕ Παραδοτέο 1.1. Μοντέλα πρόβλεψης ΑΠΕ Βιβλιογραφική ανασκόπηση και βέλτιστες πρακτικές Θεσσαλονίκη, Απρίλιος 2013 Έκδοση 1.0

Ερευνητική Ομάδα Εργαστηρίου Συστημάτων Ηλεκτρικής Ενέργειας ΑΠΘ Αναστάσιος Μπακιρτζής, Καθηγητής, Τμήμα Ηλεκτρολόγων Μηχ/κών & Μηχ/κών Υπολογιστών ΑΠΘ Παντελής Μπίσκας, Λέκτορας, Τμήμα Ηλεκτρολόγων Μηχ/κών & Μηχ/κών Υπολογιστών ΑΠΘ Μηνάς Αλεξιάδης, Λέκτορας, Τμήμα Ηλεκτρολόγων Μηχ/κών & Μηχ/κών Υπολογιστών ΑΠΘ Χρήστος Σίμογλου, Δρ. Ηλεκτρολόγος Μηχανικός & Μηχανικός Υπολογιστών ΑΠΘ Στυλιανός Βαγρόπουλος, Ηλεκτρολόγος Μηχανικός & Μηχανικός Υπολογιστών ΑΠΘ, Υπ. Διδάκτορας Ευάγγελος Καρδάκος, Ηλεκτρολόγος Μηχανικός & Μηχανικός Υπολογιστών ΑΠΘ, Υπ. Διδάκτορας Εμμανουήλ Μπακιρτζής, Ηλεκτρολόγος Μηχανικός & Μηχανικός Υπολογιστών ΑΠΘ, Υπ. Διδάκτορας Δημήτριος Χατζηγιάννης, Ηλεκτρολόγος Μηχανικός & Μηχανικός Υπολογιστών ΑΠΘ, Υπ. Διδάκτορας i

Πίνακας Περιεχομένων Περίληψη... 1 1 Εισαγωγή... 7 2 Πρόβλεψη ΑΠΕ - Γενικά... 9 2.1 Χρονικοί Ορίζοντες Πρόβλεψης... 9 2.2 Μοντέλα Αναφοράς... 11 2.2.1 Μοντέλο Παραμένουσας Τιμής... 11 2.2.2 Νέο Μοντέλο Αναφοράς... 11 2.3 Αξιολόγηση Μοντέλων Πρόβλεψης ΑΠΕ Σφάλματα Μέτρησης... 12 2.4 Μοντέλα Πρόβλεψης ΑΠΕ - Γενικά... 14 3 Μοντέλα Πρόβλεψης Ανέμου και Ισχύος Αιολικών Σταθμών... 15 3.1 Στατιστικά μοντέλα χωρίς χρήση αριθμητικών μοντέλων μετεωρολογικών προβλέψεων... 15 3.2 Στατιστικά μοντέλα με χρήση αριθμητικών μοντέλων μετεωρολογικών προβλέψεων... 20 3.3 Εμπορικά συστήματα πρόβλεψης αιολικής παραγωγής... 24 4 Μοντέλα Πρόβλεψης Ηλιακής Ακτινοβολίας και Ισχύος Φ/Β Σταθμών... 29 4.1 Φυσικά Μοντέλα Πρόβλεψης... 29 4.1.1 Αριθμητικά Μοντέλα Μετεωρολογικών Προβλέψεων (Numerical Weather Prediction Models, NWP)... 29 4.1.2 Χαρτογράφηση νεφώσεων (cloud imagery)... 31 4.2 Στατιστικά Μοντέλα Πρόβλεψης Φωτοβολταϊκής Παραγωγής... 32 4.2.1 Στατιστικά μοντέλα χωρίς χρήση αριθμητικών μοντέλων μετεωρολογικών προβλέψεων και χαρτογράφησης νεφώσεων... 33 4.2.2 Στατιστικά μοντέλα με χρήση αριθμητικών μοντέλων μετεωρολογικών προβλέψεων και χαρτογράφησης νεφώσεων... 39 5 Προτεινόμενες μέθοδοι για την πρόβλεψη της παραγωγής ηλεκτρικής ενέργειας από ΑΠΕ... 42 5.1 Συλλογή Δεδομένων... 42 5.2 Μοντέλα Πρόβλεψης... 43 5.2.1 Πρόβλεψη Αιολικής Παραγωγής:... 43 5.2.2 Πρόβλεψη Φωτοβολταϊκής Παραγωγής... 46 Βιβλιογραφία... 50 ii

Περίληψη Οι μονάδες παραγωγής ηλεκτρικής ενέργειας (ΗΕ) από ανανεώσιμες πηγές ενέργειας (ΑΠΕ) παρουσιάζουν πλέον ευρύτατη διείσδυση στα σύγχρονα συστήματα ΗΕ, λόγω σημαντικών (κυρίως οικονομικών) κινήτρων που έχουν δοθεί από διάφορα κράτη παγκοσμίως, με στόχο τη μείωση του περιβαλλοντικού αποτυπώματος του τομέα της ενέργειας. Πέρα από τα προφανή περιβαλλοντικά οφέλη που προκύπτουν από την εγκατάσταση και λειτουργία των μονάδων αυτών, το βασικό μειονέκτημά τους είναι η μη ελεγχόμενη παραγωγή τους. Αυτό οφείλεται στην ιδιαίτερα περιορισμένη προβλεψιμότητα και υψηλή μεταβλητότητα που παρουσιάζει η πρωτογενής πηγή ενέργειας (π.χ. άνεμος, ήλιος), σε αντίθεση με τους συμβατικούς σταθμούς παραγωγής (π.χ. λιγνιτικούς, φυσικού αερίου, πετρελαϊκούς, κ.α.), η παραγωγή των οποίων είναι σε μεγάλο βαθμό προγραμματιζόμενη και ελεγχόμενη από τον Διαχειριστή του Συστήματος. Συνεπώς, η ανάπτυξη και χρήση προηγμένων εργαλείων πρόβλεψης της παραγόμενης ενέργειας από ΑΠΕ κρίνεται πλέον απαραίτητη για τη διασφάλιση της ασφαλούς και αποδοτικής λειτουργίας των σύγχρονων συστημάτων ηλεκτρικής ενέργειας. Η παρούσα τεχνική αναφορά στοχεύει στην αναλυτική βιβλιογραφική επισκόπηση των βασικών αρχών που διέπουν τα μοντέλα πρόβλεψης ΑΠΕ, δίνοντας ιδιαίτερη έμφαση στην περιγραφή μοντέλων πρόβλεψης παραγωγής ΗΕ από αιολικούς και Φ/Β σταθμούς. Η έρευνα εστιάζει κυρίως στις δύο αυτές τεχνολογίες, καθώς αφενός παρουσιάζουν τη μεγαλύτερη διείσδυση παγκοσμίως, λόγω της μεγάλης διαθεσιμότητας της πρωτογενούς πηγής ενέργειας (άνεμος, ήλιος) και της ευκολίας εγκατάστασης των αντίστοιχων μονάδων παραγωγής, και αφετέρου παρουσιάζουν τη μεγαλύτερη δυσκολία πρόβλεψης της παραγωγής τους σε σχέση με λοιπές τεχνολογίες ΑΠΕ (π.χ. βιομάζα, μικροί υδροηλεκτρικοί σταθμοί (ΥΗΣ), μονάδες συμπαραγωγής ηλεκτρισμού και θερμότητας υψηλής απόδοσης (ΣΗΘΥΑ), κ.α.). Συνοπτικά, το περιεχόμενο της τεχνικής αναφοράς οργανώνεται ως εξής: Στο Κεφάλαιο 1 παρουσιάζεται μία σύντομη εισαγωγή στο αντικείμενο της πρόβλεψης παραγωγής ηλεκτρικής ενέργειας από ΑΠΕ. Στο Κεφάλαιο 2 περιγράφονται οι βασικές αρχές που διέπουν τη διαδικασία πρόβλεψης της παραγωγής ηλεκτρικής ενέργειας από ΑΠΕ και οι συνήθεις χρονικοί ορίζοντες πρόβλεψης, όπως έχουν διαμορφωθεί βάσει της υφιστάμενης βιβλιογραφίας. Διακρίνονται τρεις βασικές κατηγορίες χρονικών οριζόντων: Εργαστήριο Συστημάτων Ηλεκτρικής Ενέργειας, Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΑΠΘ 1

i. Πολύ βραχυπρόθεσμη πρόβλεψη, όπου το εύρος του χρονικού ορίζοντα κυμαίνεται από 4 έως 9 ώρες, ii. Βραχυπρόθεσμη πρόβλεψη, όπου ο χρονικός ορίζοντας εκτείνεται από το 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. iii. Μεσοπρόθεσμη πρόβλεψη, όπου ο χρονικός ορίζοντας εκτείνεται από το όριο της βραχυπρόθεσμης πρόβλεψης μέχρι το όριο των 7 ημερών. Στη συνέχεια περιγράφονται δύο μοντέλα αναφοράς, το μοντέλο της παραμένουσας τιμής (persistence model) και το νέο μοντέλο αναφοράς (new reference model), τα οποία χρησιμοποιούνται ως βάση σύγκρισης της συμπεριφοράς των μοντέλων πρόβλεψης. Η εκτίμηση της ποιότητας των μεθόδων πρόβλεψης γίνεται μέσω των σφαλμάτων πρόβλεψης, με τα οποία συγκρίνονται οι προβλέψεις ισχύος που γίνονται μια συγκεκριμένη χρονική στιγμή απευθείας με τις αντίστοιχες πραγματικές παρατηρήσεις (μετρήσεις). Οι συνηθέστεροι τύποι σφαλμάτων που χρησιμοποιούνται για την αξιολόγηση της ακρίβειας των μεθόδων πρόβλεψης της ισχύος ενός σταθμού ΑΠΕ είναι το μέσο απόλυτο σφάλμα (Mean Absolute Error, ΜΑΕ), το μέσο τετραγωνικό σφάλμα (Mean Square Error, MSE) και η τετραγωνική ρίζα του μέσου τετραγωνικού σφάλματος (Root Mean Square Error, RMSE). Συνήθως χρησιμοποιούνται τα αντίστοιχα ανηγμένα σφάλματα (normalized errors), τα οποία προκύπτουν από τη διαίρεση των παραπάνω μεγεθών με την εγκατεστημένη ισχύ του σταθμού ΑΠΕ. Τέλος, γίνεται διαχωρισμός των μοντέλων πρόβλεψης της παραγωγής από ΑΠΕ σε δύο βασικές κατηγορίες: (α) τα φυσικά μοντέλα και (β) τα στατιστικά μοντέλα. Σε ορισμένες περιπτώσεις χρησιμοποιούνται κατάλληλοι συνδυασμοί των παραπάνω μοντέλων (υβριδικά μοντέλα) προκειμένου να επιτευχθεί μεγαλύτερη ακρίβεια πρόβλεψης. Τα φυσικά μοντέλα βασίζονται κατά κύριο λόγο στη χρήση αριθμητικών μοντέλων μετεωρολογικών προβλέψεων (Numerical Weather Prediction models, NWP), τα οποία, εν γένει, αναπτύσσονται από μετεωρολόγους για την πρόβλεψη του καιρού σε περιοχές μεγάλης κλίμακας. Αντίθετα, τα στατιστικά μοντέλα χρησιμοποιούνται για την άμεση μετατροπή των μεταβλητών εισόδου (π.χ. ταχύτητα και κατεύθυνση ανέμου, ηλιακή ακτινοβολία, θερμοκρασία, κ.α.) σε ηλεκτρική ισχύ. Στο Κεφάλαιο 3 περιγράφονται συνοπτικά διάφορα ενδεικτικά μοντέλα πρόβλεψης ανέμου και ηλεκτρικής ισχύος των αιολικών σταθμών που έχουν προταθεί από τη διεθνή ερευνητική κοινότητα. Τα μοντέλα αυτά είναι στατιστικά μοντέλα και διαχωρίζονται σε δύο γενικές Εργαστήριο Συστημάτων Ηλεκτρικής Ενέργειας, Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΑΠΘ 2

κατηγορίες, ανάλογα με τον εάν λαμβάνουν υπόψη τους τις εξόδους των αριθμητικών μοντέλων μετεωρολογικών προβλέψεων NWP ή όχι. Στα στατιστικά μοντέλα πρόβλεψης αιολικής ισχύος τα οποία δε λαμβάνουν υπόψη τις εξόδους των μοντέλων NWP, η πρόβλεψη της αιολικής ισχύος γίνεται είτε απευθείας είτε προβλέπεται αρχικά η ταχύτητα του ανέμου και κατόπιν υπολογίζεται η παραγόμενη ισχύς μέσω της τυπικής χαρακτηριστικής καμπύλης της ανεμογεννήτριας. Στα μοντέλα αυτά περιλαμβάνονται μοντέλα χρονοσειρών (μοντέλα αυτοπαλινδρόμησης, μοντέλα κινητού μέσου όρου ή μεικτά μοντέλα: AR, MA, ARMA, ARIMA), μοντέλα τεχνητής νοημοσύνης (π.χ. νευρωνικά δίκτυα (ΝΔ), μοντέλα ασαφούς λογικής, κ.α.), υβριδικά μοντέλα (π.χ. συνδυασμός ΝΔ με ασαφή λογική ή γενετικούς αλγορίθμους), αλγόριθμοι εξόρυξης δεδομένων (data mining), κ.α.. Τα μοντέλα αυτά χρησιμοποιούνται κυρίως για την πολύ βραχυπρόθεσμη ή βραχυπρόθεσμη πρόβλεψη, επιτυγχάνοντας συνήθως ικανοποιητικά αποτελέσματα (μικρότερα σφάλματα) έναντι του μοντέλου της παραμένουσας τιμής (μοντέλο αναφοράς). Παρ' όλα αυτά, η ικανότητα των μοντέλων αυτών να παράγουν αξιόπιστες προβλέψεις για εκτενέστερους χρονικούς ορίζοντες μειώνεται σημαντικά, ενώ παράλληλα είναι δυνατόν το μοντέλο που εξάγει τις ακριβέστερες προβλέψεις σε ένα δεδομένο χρονικό ορίζοντα να υστερεί έναντι κάποιου άλλου για ένα διαφορετικό ορίζοντα πρόβλεψης. Παρόμοια μοντέλα χρονοσειρών, τεχνητής νοημοσύνης ή υβριδικά μοντέλα τα οποία λαμβάνουν παράλληλα υπόψη τις εξόδους των μοντέλων NWP αναφορικά με μεταβλητές που επηρεάζουν την ακριβή πρόβλεψη της ανεμοπαραγωγής (π.χ. ταχύτητα ανέμου) συνήθως χρησιμοποιούνται για προβλέψεις που εκτείνονται μακρύτερα στο μέλλον (πέραν των 12 ωρών). Τα αποτελέσματα δείχνουν ότι η ταυτόχρονη θεώρηση των δεδομένων πρόβλεψης της ταχύτητας του ανέμου βελτιώνει σημαντικά την ακρίβεια πρόβλεψης. Τέλος, γίνεται μία σύντομη παρουσίαση ολοκληρωμένων εμπορικών συστημάτων πρόβλεψης ανεμοπαραγωγής (π.χ.prediktor, WPPT, AWPPS, Zephyr, Sipreolico), τα οποία βασίζονται στις προαναφερθείσες τεχνικές πρόβλεψης και έχουν αναπτυχθεί από ακαδημαϊκά ιδρύματα και ερευνητικά ινστιτούτα της Ευρώπης. Στο Σχ. 1 απεικονίζονται οι βασικές κατηγορίες στις οποίες ταξινομούνται τα μοντέλα βραχυπρόθεσμης πρόβλεψης της παραγωγής των αιολικών σταθμών και οι χρονικοί ορίζοντες εφαρμογής τους. Εργαστήριο Συστημάτων Ηλεκτρικής Ενέργειας, Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΑΠΘ 3

Καταγραφές Ανέμου από γειτονικούς Μετεωρολογικούς Σταθμούς & Αιολικά Πάρκα Αριθμητικές Μετεωρολογικές Προβλέψεις Ανέμου Ατμοσφαιρικές Μεταβλητές (βήμα 1-3 h) Δεδομένα SCADA Μοντέλα Χωρικής Συσχέτισης (βήμα 5-15 min) Προσαρμογή στα δεδομένα του Αιολικού Πάρκου (Πρόβλεψη Ισχύος) Ανάγλυφο, Τραχύτητα Εδάφους, Ύψος & Ισχύς Α/Γ Καμπύλη Ισχύος Α/Γ κλπ Μοντέλα Χρονοσειρών (βήμα 5-60 min) Στατιστικά Μοντέλα Διόρθωσης Προσαρμογή στις πραγματικές Χρονοσειρές Ισχύος, Απαλοιφή Συστηματικών Σφαλμάτων, Υστέρησης, Πόλωσης κλπ Μοντέλα Χρονοσειρών (βήμα 1 min) 0-15min 0-3h 3-6h 6-72 h t Σχήμα 1. Μοντέλα Πρόβλεψης Ανεμοπαραγωγής Στο Κεφάλαιο 4 παρουσιάζονται μοντέλα πρόβλεψης της ηλιακής ακτινοβολίας και της ηλεκτρικής ισχύος των φωτοβολταϊκών πάρκων. Τα μοντέλα αυτά διαχωρίζονται σε δύο γενικές κατηγορίες: α) τα φυσικά μοντέλα πρόβλεψης, τα οποία χρησιμοποιούν αριθμητικά μοντέλα NWP καθώς και μοντέλα χαρτογράφησης των νεφώσεων (cloud imagery models) και β) τα στατιστικά μοντέλα πρόβλεψης, στα οποία η πρόβλεψη βασίζεται 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 Εργαστήριο Συστημάτων Ηλεκτρικής Ενέργειας, Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΑΠΘ 4

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 12 ωρών στο μέλλον). Στο Σχ. 2 απεικονίζονται 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 1h) Δεδομένα SCADA Μοντέλα Χρονοσειρών με βάση την ημερήσια περιοδικότητα (βήμα 1h) 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 15 min) Στατιστικά Μοντέλα Διόρθωσης Προσαρμογή στις πραγματικές Χρονοσειρές Ισχύος, Απαλοιφή Συστηματικών Σφαλμάτων, Υστέρησης, Πόλωσης κλπ 0-1h 0-4h 4-24h 24-72 h t Σχήμα 2. Μοντέλα Πρόβλεψης Φωτοβολταϊκής παραγωγής Εργαστήριο Συστημάτων Ηλεκτρικής Ενέργειας, Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΑΠΘ 5

Τέλος, στο Κεφάλαιο 5 παρουσιάζεται μία συνοπτική περιγραφή των προτεινόμενων μεθόδων/μοντέλων που έχουν ήδη υλοποιηθεί ή πρόκειται να αναπτυχθούν για την πρόβλεψη της παραγωγής ηλεκτρικής ενέργειας από ΑΠΕ στα πλαίσια υλοποίησης της Ενότητας Εργασίας 1 του ερευνητικού έργου. Συγκεκριμένα, θα αναπτυχθούν μοντέλα πρόβλεψης παραγωγής ΑΠΕ: πολύ βραχυπρόθεσμα (για χρονικό ορίζοντα 0-4 ώρες στο μέλλον) με αυξανόμενο βήμα από 5 min ως 30 min. βραχυπρόθεσμα (για χρονικό ορίζοντα 0-48 ώρες στο μέλλον) με ωριαίο βήμα Η πρόβλεψη θα αφορά τη συνολική ισχύ στο ΕΔΣΗΕ, ωστόσο θα διαμορφωθούν και θα εξεταστούν αντίστοιχα μοντέλα για την πρόβλεψη παραγωγής ηλεκτρικής ενέργειας για μεμονωμένα αιολικά πάρκα και φωτοβολταϊκούς σταθμούς ανά την Επικράτεια. Για την περίπτωση της φωτοβολταϊκής παραγωγής, έχουν ήδη αναπτυχθεί δύο διαφορετικά μοντέλα πρόβλεψης. Το πρώτο βασίστηκε σε μία παραλλαγή του κλασικού μοντέλου ARIMA, και είναι γνωστό ως εποχικό μοντέλο ARIMA (Seasonal ARIMA, SARIMA), προκειμένου να ληφθούν υπόψη οι εποχικές επιπτώσεις της ισχύος εξόδου των Φ/Β. Το επιλεγμένο μοντέλο SARIMA βελτιώθηκε περαιτέρω με την ενσωμάτωση των βραχυπρόθεσμων προβλέψεων της ηλιακής ακτινοβολίας, οι οποίες προέρχονται από εξωτερικά μοντέλα NWP. Το δεύτερο είναι ένα τεχνητό νευρωνικό δίκτυο, το οποίο χρησιμοποιεί ως εισόδους πρόσφατα δεδομένα ηλεκτρικής ισχύος, μετρήσεις ακτινοβολίας και προβλέψεις ακτινοβολίας και υπολογίζει την παραγόμενη ισχύ των Φ/Β για τις επόμενες 24 ώρες. Εργαστήριο Συστημάτων Ηλεκτρικής Ενέργειας, Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΑΠΘ 6

1 Εισαγωγή Η ραγδαία μείωση των αποθεμάτων των φυσικών ενεργειακών πόρων (άνθρακας, πετρέλαιο, φυσικό αέριο, κτλ) σε συνδυασμό με τη συνεχή υποβάθμιση του περιβάλλοντος και την άνοδο της θερμοκρασίας έχει οδηγήσει πολλές χώρες παγκοσμίως στην εισαγωγή νέων πολιτικών και μέτρων που αποσκοπούν στη μείωση του περιβαλλοντικού αποτυπώματος του τομέα της ενέργειας και την αύξηση της χρήσης των Ανανεώσιμων Πηγών Ενέργειας (ΑΠΕ). Η Ευρωπαϊκή Ένωση επιδιώκει την υλοποίηση του φιλόδοξου στόχου "20-20-20" [1], σύμφωνα με τον οποίο έως το 2020 θα πρέπει να επιτευχθεί: (α) μείωση των εκπομπών αερίων του θερμοκηπίου κατά 20% (σε σχέση με τα επίπεδα του 1990), (β) αύξηση της συμμετοχής των ΑΠΕ στο 20% της συνολικής ενεργειακής κατανάλωσης, και (γ) μείωση της συνολικής κατανάλωσης ενέργειας κατά 20% μέσω της αύξησης της ενεργειακής απόδοσης. Στο πλαίσιο αυτό, 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 μερίδιο των ΑΠΕ στην παραγωγή ηλεκτρικής ενέργειας (ΗΕ) αναμένεται να αυξηθεί σε 30-35% έως το 2020 [2]. Η αύξηση του μεριδίου των ΑΠΕ στο μείγμα παραγωγής αποτελεί ιδιαίτερη πρόκληση για την αποτελεσματική λειτουργία των σύγχρονων αγορών ΗΕ και τη διαχείριση των συστημάτων ΗΕ. Αυτό οφείλεται κυρίως στο ότι, σε αντίθεση με τους συμβατικούς σταθμούς παραγωγής ΗΕ από ορυκτά καύσιμα (π.χ. λιγνίτη, φυσικό αέριο, πετρέλαιο, κ.α.), όπου η παραγωγή μπορεί εύκολα να προγραμματιστεί και να ελεγχθεί, η περιορισμένη προβλεψιμότητα και η υψηλή μεταβλητότητα των ΑΠΕ καθιστούν την παραγωγή ΗΕ από ανανεώσιμες πηγές μη ελεγχόμενη (μη κατανεμόμενη) από τον Διαχειριστή του Συστήματος, δυσχεραίνοντας έτσι την αποδοτική λειτουργία των συστημάτων ΗΕ και, κατ' επέκταση, των αγορών ΗΕ. Ενδεικτικά αναφέρεται ότι το ποσοστό διείσδυσης των ΑΠΕ στο ενεργειακό μείγμα ενός συστήματος ΗΕ επηρεάζει άμεσα τον προγραμματισμό παραγωγής των υπολοίπων μονάδων παραγωγής του Συστήματος, το πρόγραμμα συντηρήσεων των μονάδων και των γραμμών μεταφοράς, τα αναγκαία επίπεδα εφεδρείας του Συστήματος, τις τιμές εκκαθάρισης της ημερήσιας αγοράς ηλεκτρικής ενέργειας και ακολούθως τις χρεώσεις/πιστώσεις όλων των εμπλεκομένων μερών (παραγωγών, προμηθευτών, καταναλωτών, κτλ.)., κ.α. Συνεπώς, κρίνεται πλέον επιτακτική η ανάγκη ανάπτυξης και χρήσης μοντέλων πρόβλεψης της παραγόμενης ενέργειας από ανανεώσιμες πηγές σε διαφορετικές χρονικές κλίμακες. Εργαστήριο Συστημάτων Ηλεκτρικής Ενέργειας, Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΑΠΘ 7

Στα κεφάλαια που ακολουθούν περιγράφονται αναλυτικά οι βασικές αρχές που διέπουν τη διαδικασία πρόβλεψης της παραγωγής ηλεκτρικής ενέργειας από ανανεώσιμες πηγές, οι χρονικοί ορίζοντες πρόβλεψης, ο τρόπος αξιολόγησης της ποιότητας των μοντέλων πρόβλεψης και παρουσιάζεται συνοπτικά η υφιστάμενη βιβλιογραφία στην ερευνητική περιοχή. Τέλος, παρουσιάζεται μία συνοπτική περιγραφή των προτεινόμενων μεθόδων/μοντέλων που έχουν ήδη υλοποιηθεί ή πρόκειται να αναπτυχθούν για την πρόβλεψη της παραγωγής ηλεκτρικής ενέργειας από ΑΠΕ στα πλαίσια υλοποίησης της ΕΕ1 του ερευνητικού έργου. Σημειώνεται ότι στο παρόν κείμενο και εφ όσον δεν ορίζεται διαφορετικά, ο όρος "μονάδα ΑΠΕ" θα υποδηλώνει ανεμογεννήτρια ή Φ/Β πάνελ και, κατ' επέκταση, ο όρος "σταθμός ΑΠΕ" θα υποδηλώνει το αιολικό ή Φ/Β πάρκο, αντίστοιχα. Εργαστήριο Συστημάτων Ηλεκτρικής Ενέργειας, Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΑΠΘ 8

2 Πρόβλεψη ΑΠΕ - Γενικά Η πρόβλεψη της παραγωγής ΗΕ από μία μονάδα ΑΠΕ που εκτελείται τη χρονική στιγμή t για την εκτίμηση της παραγωγής κατά τη μελλοντική χρονική στιγμή t+k υπολογίζει τη μέση ισχύ p t+k t που αναμένεται να παράγει η μονάδα ΑΠΕ σε ένα συγκεκριμένο μελλοντικό χρονικό διάστημα (π.χ. 1 ώρα), δεδομένου ότι λειτουργεί υπό σταθερό και συνεχή άνεμο ή ήλιο [3]. Οι προβλέψεις γίνονται για ένα χρονικό ορίζοντα T, υποδεικνύοντας το χρονικό εύρος της περιόδου προβλέψεως (π.χ. 72 ώρες) στο μέλλον. Η χρονική ανάλυση της πρόβλεψης υποδηλώνεται από το χρονικό βήμα k, το οποίο σχετίζεται άμεσα με το εύρος του χρονικού ορίζοντα. Για ορίζοντες της τάξης των 24 μέχρι 72 ωρών, το χρονικό βήμα είναι συνήθως ωριαίο, ενώ για βραχυχρόνιους ορίζοντες (< 4-6 ώρες) το χρονικό βήμα μπορεί να είναι 5λεπτο, 10λεπτο, 15λεπτο, 30λεπτο, κτλ. Οι μεταβολές της ισχύος και οι επιπτώσεις τους στο ενδιάμεσο (του χρονικού βήματος) διάστημα δε λαμβάνονται υπ όψιν. 2.1 Χρονικοί Ορίζοντες Πρόβλεψης Ένα σύστημα πρόβλεψης της παραγόμενης ΗΕ μίας μονάδας ή ενός σταθμού ΑΠΕ χαρακτηρίζεται από το χρονικό ορίζοντα πρόβλεψης, ο οποίος ορίζεται ως το μελλοντικό χρονικό διάστημα για το οποίο θα προβλεφθεί η παραγωγή ΗΕ από ΑΠΕ (π.χ. το επόμενο 24ωρο). Αν και δεν υπάρχει σαφής ορισμός των διαφόρων χρονικών οριζόντων στη διεθνή βιβλιογραφία, ένας γενικός διαχωρισμός είναι ο εξής [3]: i. Πολύ βραχυπρόθεσμη πρόβλεψη: Το εύρος του χρονικού ορίζοντα κυμαίνεται από 4 έως 9 ώρες, χωρίς ωστόσο να υπάρχει ομοφωνία για τον αριθμό των ωρών στη βιβλιογραφία. Η εφαρμογή αυτού του χρονικού ορίζοντα για τον ιδιοκτήτη του σταθμού ΑΠΕ εξαρτάται από τους κανόνες της αγοράς, π.χ. οι προβλέψεις αυτές μπορεί να είναι χρήσιμες για τη συμμετοχή στις ενδοημερήσιες αγορές ΗΕ. Για τον Διαχειριστή του Συστήματος, η χρησιμότητα αυτών των προβλέψεων σχετίζεται με τον προσδιορισμό των επικουρικών υπηρεσιών καθώς και με τη διαμόρφωση και επίλυση των προβλημάτων ένταξης μονάδων (Unit commitment) και οικονομικής κατανομής φορτίου (economic dispatch) ii. Βραχυπρόθεσμη πρόβλεψη: Ο χρονικός ορίζοντας εκτείνεται από το όριο της πολύ βραχυπρόθεσμης πρόβλεψης μέχρι 48 ή 72 ώρες. Τα περισσότερα μοντέλα πρόβλεψης αυτής Εργαστήριο Συστημάτων Ηλεκτρικής Ενέργειας, Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΑΠΘ 9

της κατηγορίας αναφέρονται σε ορίζοντες 24 ή 48 ωρών. Αυτός ο ορίζοντας πρόβλεψης ενδιαφέρει κυρίως για συμμετοχή στην αγορά ΗΕ της επόμενης ημέρας. Οι προβλέψεις αυτές μπορούν επίσης να χρησιμοποιηθούν για τον προγραμματισμό συντήρησης των μονάδων ΑΠΕ, ιδιαίτερα όταν ο χρονικός ορίζοντας φθάνει τις 72 ώρες. iii. Μεσοπρόθεσμη πρόβλεψη: Ο χρονικός ορίζοντας εκτείνεται από το όριο της βραχυπρόθεσμης πρόβλεψης μέχρι το όριο των 7 ημερών. Προφανώς, η αύξηση του χρονικού ορίζοντα πρόβλεψης οδηγεί σε σημαντική αύξηση των σφαλμάτων πρόβλεψης. Οι προβλέψεις αυτές μπορούν να χρησιμοποιηθούν για τον προγραμματισμό ένταξης "αργών" μονάδων παραγωγής (π.χ. λιγνιτικές μονάδες), όπως επίσης για τον προγραμματισμό συντήρησης των μονάδων παραγωγής, των μονάδων ΑΠΕ και των γραμμών μεταφοράς του Συστήματος. O Πίνακας 1 παρέχει μια επισκόπηση των διαφόρων χρονικών οριζόντων πρόβλεψης και της δυνατότητας εφαρμογής των μοντέλων πρόβλεψης κάθε κατηγορίας στη λειτουργία και τον προγραμματισμό των συστημάτων παραγωγής ενέργειας, τόσο από τη σκοπιά του Διαχειριστή του Συστήματος όσο και βάσει της χρησιμότητά τους για τις εταιρείες παραγωγής ΗΕ. Χρονικοί Ορίζοντες Εταιρείες Παραγωγής ΗΕ Διαχειριστής Συστήματος Πολύ Βραχυπρόθεσμη πρόβλεψη (< 9 ώρες) Βραχυπρόθεσμη πρόβλεψη (< 72 ώρες) Μεσοπρόθεσμη πρόβλεψη (< 7 ημέρες) 1. Συμμετοχή: Ενδοημερήσια Αγορά ΗΕ Αγορά ΗΕ Πραγματικού Χρόνου 1. Συμμετοχή στην Αγορά ΗΕ της επόμενης ημέρας 2. Προγραμματισμός συντήρησης μονάδων ΑΠΕ 3. Συντονισμός παραγωγής μονάδων ΑΠΕ και μονάδων αποθήκευσης 1. Προγραμματισμός συντήρησης: Μονάδων ΑΠΕ Συμβατικών μονάδων παραγωγής 1. Προσδιορισμός: Επικουρικών Υπηρεσιών Ένταξης Μονάδων Παραγωγής Οικονομικής Κατανομής Φορτίου 2. Διαχείριση συμφόρησης δικτύου 1. Προσδιορισμός: Ένταξης Μονάδων Οικονομικής Κατανομής Φορτίου Επικουρικών Υπηρεσιών για την επόμενη ημέρα 2. Διαχείριση συμφόρησης δικτύου 3. Προγραμματισμός συντήρησης γραμμών μεταφοράς 1. Προγραμματισμός συντήρησης γραμμών μεταφοράς Πίνακας 1. Χρονικοί Ορίζοντες Πρόβλεψης Παραγωγής ΑΠΕ (Προσαρμογή από [3]). Εργαστήριο Συστημάτων Ηλεκτρικής Ενέργειας, Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΑΠΘ 10

2.2 Μοντέλα Αναφοράς Το πλήθος των μοντέλων πρόβλεψης παραγωγής από ΑΠΕ (κυρίως αιολικής παραγωγής), τα οποία ενδέχεται να στηρίζονται σε τελείως διαφορετικές μεθόδους, δημιούργησε την ανάγκη θεώρησης κάποιου μοντέλου αναφοράς, το οποίο να μπορεί να χρησιμοποιηθεί από το σύνολο της επιστημονικής κοινότητας ως βάση σύγκρισης της συμπεριφοράς των διαφόρων μοντέλων πρόβλεψης. Μέχρι σήμερα στη βιβλιογραφία έχουν διαμορφωθεί δύο μοντέλα αναφοράς: το μοντέλο της παραμένουσας τιμής (persistence model) και το νέο μοντέλο αναφοράς (new reference model), τα οποία περιγράφονται ακολούθως. 2.2.1 Μοντέλο Παραμένουσας Τιμής Ο απλούστερος τρόπος πρόβλεψης της παραγωγής μίας μονάδας ΑΠΕ είναι η χρήση του μοντέλου της παραμένουσας τιμής (persistence model). Αυτή η μέθοδος χρησιμοποιεί την απλή υπόθεση ότι η παραγόμενη ισχύς (αναλόγως η ταχύτητα ανέμου ή η ηλιακή ακτινοβολία) που προβλέπεται μία χρονική στιγμή t για μια χρονική στιγμή t+k ισούται με την πραγματική τιμή του μεγέθους που έχει μετρηθεί την χρονική στιγμή t ή, ελλείψει αυτής, με την πλέον πρόσφατη διαθέσιμη τιμή [4]. Με άλλα λόγια, το μοντέλο αυτό βασίζεται στην παραδοχή μιας ιδιαίτερα υψηλής συσχέτισης μεταξύ των σημερινών και των μελλοντικών τιμών. Για τη σωστή εφαρμογή της μεθόδου θα πρέπει να χρησιμοποιηθούν οι πιο πρόσφατες διαθέσιμες μετρήσεις της ταχύτητας του ανέμου (ή της ηλιακής ακτινοβολίας) ή της παραγόμενης ισχύος, όπως δίνονται από το σύστημα εποπτικού ελέγχου και συλλογής δεδομένων (SCADA). Αυτή η μέθοδος έχει αποδειχθεί πρακτική και αρκετά αποτελεσματική, ιδιαίτερα για τον πολύ βραχυπρόθεσμο ορίζοντα. Όπως είναι αναμενόμενο, η ακρίβεια αυτού του μοντέλου φθίνει ταχύτατα με την αύξηση του χρόνου προβλέψεως. 2.2.2 Νέο Μοντέλο Αναφοράς Σύμφωνα με τους Nielsen et al. [5], δεν είναι λογική η χρήση του μοντέλου της παραμένουσας τιμής όταν ο χρονικός ορίζοντας πρόβλεψης είναι μεγαλύτερος από μερικές ώρες. Για το λόγο αυτό οι συγγραφείς προτείνουν να χρησιμοποιείται ένα νέο μοντέλο αναφοράς (new reference model), το οποίο θα πρέπει να χρησιμοποιείται αντί του μοντέλου της παραμένουσας τιμής, όταν Εργαστήριο Συστημάτων Ηλεκτρικής Ενέργειας, Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΑΠΘ 11

αξιολογούνται βραχυπρόθεσμα μοντέλα πρόβλεψης ανέμου (μέχρι 48 ώρες στο μέλλον). Το προτεινόμενο νέο μοντέλο αναφοράς αποτελεί ένα συμβιβασμό μεταξύ του μοντέλου παραμένουσας τιμής και του μέσου όρου των παρατηρήσεων και περιγράφεται μαθηματικά από την παρακάτω σχέση: pˆ t k t ak pt (1 ak ) p όπου p t είναι η πιο πρόσφατη διαθέσιμη μέτρηση, p είναι ο μέσος όρος των διαθέσιμων 1 N N t t 1 μετρήσεων, p p (N είναι ο αριθμός των μετρήσεων), και a k είναι ο συντελεστής συσχέτισης μεταξύ p t και pt k. Το κύριο μειονέκτημα της προτεινόμενης μεθόδου είναι ότι η συσχέτιση δεν είναι ανεξάρτητη από τη θέση του σταθμού ΑΠΕ ή την εποχή του χρόνου. Επομένως, δεν είναι δυνατόν να χρησιμοποιηθεί μία απλή σχέση για τον υπολογισμό της συσχέτισης ή να εκτιμηθούν κάποιες τιμές που θα ισχύουν σε κάθε περίπτωση. Έτσι συνιστάται από τους συγγραφείς η συσχέτιση να υπολογίζεται για κάθε χρονικό ορίζοντα πρόβλεψης και ότι η συσχέτιση που υπολογίζεται χρησιμοποιώντας μετρήσεις από μια δεδομένη τοποθεσία δε θα πρέπει να χρησιμοποιείται για οποιαδήποτε άλλη τοποθεσία. Ωστόσο, οι συγγραφείς υποστηρίζουν ότι για χρονικούς ορίζοντες πρόβλεψης που είναι μεγαλύτεροι από 3 ώρες, το νέο μοντέλο αναφοράς θα πρέπει να προτιμάται αντί του μοντέλου της παραμένουσας τιμής. 2.3 Αξιολόγηση Μοντέλων Πρόβλεψης ΑΠΕ Σφάλματα Μέτρησης Οι προβλέψεις της ισχύος ενός σταθμού ΑΠΕ, χαρακτηρίζονται από εγγενή αβεβαιότητα, που σημαίνει ότι καμία πρόβλεψη δεν μπορεί να είναι ακριβής και γι αυτό είναι απαραίτητο να αξιολογούνται κατάλληλα οι προβλέψεις για την επαρκή σύγκριση της ακρίβειας των διαφόρων μεθόδων. Η εκτίμηση της ποιότητας των μεθόδων πρόβλεψης γίνεται συγκρίνοντας τις προβλέψεις ισχύος, που γίνονται μια συγκεκριμένη χρονική στιγμή απευθείας με τις αντίστοιχες πραγματικές παρατηρήσεις (μετρήσεις). Ως αποτέλεσμα, η ποιότητα μιας συγκεκριμένης μεθόδου πρόβλεψης αξιολογείται μέσω της ανάλυσης της απόκλισης μεταξύ της πρόβλεψης και της πραγματικής τιμής. Ο προσδιορισμός και η ποσοτικοποίηση της ποιότητας των μεθόδων πρόβλεψης σχετικά Εργαστήριο Συστημάτων Ηλεκτρικής Ενέργειας, Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΑΠΘ 12

με την απόδοσή τους, υποδηλώνουν ότι θα πρέπει να υπάρχουν εκτιμήσεις μιας μεγάλης σειράς προβλέψεων, ώστε να έχουμε πολλά δεδομένα προς ανάλυση. Παρακάτω παρουσιάζονται τα συνηθέστερα κριτήρια υπολογισμού σφάλματος που χρησιμοποιούνται για την αξιολόγηση της ακρίβειας των μεθόδων πρόβλεψης της ισχύος ενός σταθμού ΑΠΕ. Όσον αφορά τις προβλέψεις ισχύος ενός σταθμού ΑΠΕ, τα σφάλματα πρόβλεψης που παρατηρούνται σε κάποια δεδομένη χρονική στιγμή t k για μια πρόβλεψη που έγινε την στιγμή t, e t k t, ορίζονται ως η διαφορά μεταξύ της τιμής της ισχύος που μετράται την στιγμή t k, Pt k, και της ισχύος που προβλέφθηκε για την στιγμή t k e P P t k t t k, Pt k t : Συνήθως χρησιμοποιείται το ανηγμένο σφάλμα πρόβλεψης, το οποίο προκύπτει διαιρώντας το σφάλμα πρόβλεψης με την εγκατεστημένη ισχύ: t k t et k t 1 et k t P t k P P P inst inst Η χρησιμότητα του ανηγμένου σφάλματος πρόβλεψης βοηθά στη σύγκριση αποτελεσμάτων μεταξύ σταθμών ΑΠΕ (αιολικών πάρκων ή Φ/Β πάρκων), ανεξαρτήτως ονομαστικής ισχύος. Ένα συνηθισμένο μέτρο υπολογισμού του είναι το Μέσο Τετραγωνικό Σφάλμα (Mean Square Error, MSE), το οποίο αποτελείται από το μέσο όρο όλων των τετραγωνικών σφαλμάτων όλων των δεδομένων ελέγχου: MSE k 1 N e 2 t 1 t k t N Εκτός του μέσου τετραγωνικού σφάλματος, υπάρχουν και άλλα δύο βασικά κριτήρια που δείχνουν την απόδοση του μοντέλου, το μέσο απόλυτο σφάλμα (Mean Absolute Error, MAE) και η τετραγωνική ρίζα του μέσου τετραγωνικού σφάλματος (Root Mean Square Error, RMSE). MAE k 1 N e N t 1 t k t RMSE t k t k MSEk N N e 2 t 1 t k t Τα δύο παραπάνω σφάλματα (MAE και RMSE) διαιρεμένα με την εγκατεστημένη ισχύ ή την μέση παραγωγή ενός σταθμού ΑΠΕ μας δίνουν τα ανηγμένα μεγέθη NMAE και NRMSE, αντίστοιχα, τα οποία αποτελούν ένα ασφαλέστερο κριτήριο εκτίμησης τους σφάλματος πρόβλεψης. Εργαστήριο Συστημάτων Ηλεκτρικής Ενέργειας, Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΑΠΘ 13

2.4 Μοντέλα Πρόβλεψης ΑΠΕ - Γενικά Τα μοντέλα πρόβλεψης της παραγωγής από ΑΠΕ διαχωρίζονται σε δύο βασικές κατηγορίες: (α) τα φυσικά μοντέλα και (β) τα στατιστικά μοντέλα [3], [4]. Σημειώνεται ότι σε ορισμένες περιπτώσεις χρησιμοποιείται ένας συνδυασμός των παραπάνω μοντέλων (υβριδικά μοντέλα), αφού και οι δύο παραπάνω προσεγγίσεις μπορούν να χρησιμοποιηθούν για την εξαγωγή ακριβών προβλέψεων. Τα φυσικά μοντέλα βασίζονται κατά κύριο λόγο στη χρήση αριθμητικών μοντέλων μετεωρολογικών προβλέψεων (Numerical Weather Prediction models, NWP), (π.χ. HIRLAM, GFS, DWD s Lokalmodell, UK MetOffice Model, SKIRON, κ.α.) τα οποία, εν γένει, αναπτύσσονται από μετεωρολόγους για την πρόβλεψη του καιρού σε περιοχές μεγάλης κλίμακας. Συγκεκριμένα, τα φυσικά μοντέλα προσπαθούν να συνδυάσουν τα αποτελέσματα των μοντέλων NWP (πίεση, θερμοκρασία, ταχύτητα και κατεύθυνση ανέμου, ηλιακή ακτινοβολία, κ.α.) με κάποια φυσικά χαρακτηριστικά του περιβάλλοντος (π.χ. μορφολογία εδάφους, φυσικά εμπόδια, διαύγεια ατμόσφαιρας, κ.α.) στην περιοχή πρόβλεψης που ενδιαφέρει, προκειμένου να επιτύχουν μία αρχική εκτίμηση της ταχύτητας του ανέμου ή της ηλιακής ακτινοβολίας. Στη συνέχεια, μετατρέπουν την ταχύτητα του ανέμου ή την ηλιακή ακτινοβολία σε ηλεκτρική ισχύ μέσω τυπικών χαρακτηριστικών καμπυλών. Τέλος, υιοθετούν στατιστικά μοντέλα εξόδου (Model Output Statistics, MOS) προκειμένου να μειώσουν το προκύπτον σφάλμα [6]. Αντίθετα, τα στατιστικά μοντέλα χρησιμοποιούνται για την άμεση μετατροπή των μεταβλητών εισόδου σε ηλεκτρική ισχύ. Αυτό γίνεται με χρήση μοντέλων που λειτουργούν ως "μαύρα κουτιά", όπως είναι τα μοντέλα αυτοπαλινδρόμησης [7], τα νευρωνικά δίκτυα (ΝΔ) [8], κ.α. Τα μοντέλα αυτά συνδυάζουν τις διάφορες εισόδους, όπως είναι η ταχύτητα και η κατεύθυνση του ανέμου, η ηλιακή ακτινοβολία, η θερμοκρασία (τα οποία λαμβάνονται ως έξοδοι των μοντέλων NWP) με τρέχουσες (on-line) μετρήσεις ηλεκτρικής ισχύος των μονάδων ΑΠΕ, ταχύτητας ανέμου, ηλιακής ακτινοβολίας κ.τ.λ. Με τα μοντέλα αυτά είναι δυνατή ακόμη και η απευθείας πρόβλεψη της ηλεκτρικής ισχύος πολλών σταθμών ΑΠΕ σε μία περιοχή με χρήση των διαθέσιμων μεταβλητών εισόδου. Εργαστήριο Συστημάτων Ηλεκτρικής Ενέργειας, Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΑΠΘ 14

3 Μοντέλα Πρόβλεψης Ανέμου και Ισχύος Αιολικών Σταθμών Τα μοντέλα πρόβλεψης ανέμου και ηλεκτρικής ισχύος των αιολικών σταθμών διαχωρίζονται σε δύο γενικές κατηγορίες, ανάλογα με τον εάν λαμβάνουν υπόψη τους τις εξόδους των μοντέλων NWP ή όχι. Στις παραγράφους που ακολουθούν γίνεται εκτενής βιβλιογραφική ανασκόπηση για κάθε μία από τις παραπάνω δύο κατηγορίες. 3.1 Στατιστικά μοντέλα χωρίς χρήση αριθμητικών μοντέλων μετεωρολογικών προβλέψεων Στην κατηγορία αυτή περιλαμβάνονται στατιστικά μοντέλα πρόβλεψης αιολικής ισχύος χωρίς να λαμβάνονται υπόψη οι έξοδοι των μοντέλων NWP. Η πρόβλεψη της αιολικής ισχύος γίνεται είτε απευθείας είτε προβλέπεται αρχικά η ταχύτητα του ανέμου και κατόπιν υπολογίζεται η παραγόμενη ισχύς μέσω της τυπικής χαρακτηριστικής καμπύλης. Μία από τις πρώτες εργασίες πρόβλεψης της ταχύτητας του ανέμου δημοσιεύτηκε από τον Bossanyi [9]. Το μοντέλο πρόβλεψης υιοθετεί ένα φίλτρο Kalman, το οποίο χρησιμοποιεί τις τελευταίες έξι μετρήσεις ως εισόδους για την πρόβλεψη της ταχύτητας του ανέμου για τα επόμενα λίγα λεπτά. Τα αποτελέσματα είναι καλύτερα από εκείνα που επιτυγχάνονται με τη μέθοδο της παραμένουσας τιμής για την πολύ βραχυπρόθεσμη περίοδο (< 10 λεπτά), αλλά η βελτίωση μειώνεται σημαντικά για μεγαλύτερους χρονικούς ορίζοντες, ενώ δεν παρατηρείται καμία βελτίωση για χρονικό ορίζοντα μεγαλύτερο της 1 ώρας. Αρκετά μοντέλα της παρούσας κατηγορίας βασίζονται στη θεμελιώδη προσέγγιση της ανάλυσης χρονοσειρών, όπως προτάθηκε αρχικά από τους Box και Jenkins [7], κάνοντας χρήση μοντέλων αυτοπαλινδρόμησης, κινητού μέσου όρου ή μεικτών μοντέλων (AR, MA, ARMA, ARIMA). Οι Contaxis και Kabouris [10] χρησιμοποίησαν ένα μοντέλο αυτοπαλινδρόμησης τρίτης τάξης (AR (3)) για την πρόβλεψη της ταχύτητας του ανέμου σε ένα μικρό αυτόνομο ΣΗΕ, το οποίο περιλαμβάνει πετρελαϊκές μονάδες και ανεμογεννήτριες. Ο χρονικός ορίζοντας πρόβλεψης είναι 5 ώρες, διαιρεμένος σε επιμέρους 30-λεπτα διαστήματα. Το προτεινόμενο μοντέλο οδήγησε σε σφάλμα πρόβλεψης της τάξης του 15%. Η έξοδος του μοντέλου πρόβλεψης χρησιμοποιήθηκε στη συνέχεια για τον βραχυπρόθεσμο προγραμματισμό ένταξης και λειτουργίας του αυτόνομου ΣΗΕ. Εργαστήριο Συστημάτων Ηλεκτρικής Ενέργειας, Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΑΠΘ 15

Οι Torres et al. [11] χρησιμοποίησαν μοντέλα ARMA για την πρόβλεψη της ωριαίας ταχύτητας ανέμου μέχρι και 10 ώρες στο μέλλον. Η μελέτη επεκτείνεται σε πέντε περιοχές με διαφορετικά γεωγραφικά χαρακτηριστικά για εννέα χρόνια. Προκειμένου να αποφευχθούν προβλήματα εποχικότητας, σε κάθε ημερολογιακό μήνα προσαρμόστηκε ένα διαφορετικό μοντέλο. Η χρήση των μοντέλων ARMA βελτιώνει σημαντικά τις προβλέψεις της ταχύτητας του ανέμου σε σχέση με εκείνες που λαμβάνονται με το μοντέλο της παραμένουσας τιμής. Σε πολύ λίγες περιπτώσεις πρόβλεψης της επόμενης ώρας, τα σφάλματα που επιτυγχάνονται με το μοντέλο της παραμένουσας τιμής είναι μικρότερα από εκείνα που λαμβάνονται με τα μοντέλα ARMA. Στην πραγματικότητα, για τις προβλέψεις 10 ωρών στο μέλλον, τα μοντέλα ARMA επιτυγχάνουν σφάλματα κατά 12% έως 20% μικρότερα σε σχέση με τα μοντέλα της παραμένουσας τιμής. Τέλος, οι συγγραφείς δεν εντόπισαν σημαντικές διαφορές στη συμπεριφορά των μοντέλων για τις πέντε περιοχές λόγω της μορφολογίας του εδάφους (ορεινές ή πεδινές περιοχές). Παρόμοια μοντέλα χρονοσειρών εφάρμοσαν και οι Milligan et al. [12] για απευθείας ωριαίες προβλέψεις ανεμοπαραγωγής μέχρι και 6 ώρες στο μέλλον, το οποίο θεωρούν ως το χρονικό όριο εφαρμογής των "καθαρών" στατιστικών μοντέλων. Στόχος τους είναι να διερευνήσουν την ικανότητα των μοντέλων ARMA να επιτύχουν ακριβείς προβλέψεις για χρονικούς ορίζοντες μεγαλύτερους της μίας ώρας. Επίσης, χρησιμοποίησαν μοντέλα ARMA για 10-λεπτες προβλέψεις. Για την εφαρμογή των μοντέλων ARMA χρησιμοποιήθηκαν πραγματικά δεδομένα ανεμοπαραγωγής από αιολικά πάρκα που λειτουργούν στην Αϊόβα και Μινεσότα των Η.Π.Α.. Αναφορικά με τις ωριαίες προβλέψεις, οι συγγραφείς κατέληξαν στο συμπέρασμα ότι είναι εφικτή μια σημαντική βελτίωση σε σχέση με τα μοντέλα παραμένουσας τιμής, ακόμη και για πολύ βραχυπρόθεσμες προβλέψεις (1-2 ώρες στο μέλλον), αλλά η ικανότητα των μοντέλων ARMA να παρέχουν ακριβείς προβλέψεις διαφέρει όταν εφαρμόζονται σε διαφορετικούς χρονικούς ορίζοντες πρόβλεψης. Σε ορισμένες περιπτώσεις, το μοντέλο που εξάγει τις ακριβέστερες προβλέψεις για 1-2 ώρες στο μέλλον πιθανόν να υστερεί έναντι κάποιου άλλου για πιο μακροπρόθεσμο ορίζοντα πρόβλεψης. Έτσι, είναι προφανές ότι η χρήση ενός μοντέλου για κάθε χρονικό ορίζοντα ("one-size-fits-all" approach) δε λειτουργεί ικανοποιητικά και αυτό δημιουργεί την ανάγκη υιοθέτησης συνδυαστικών μοντέλων πρόβλεψης. Αναφορικά με τις 10-λεπτες προβλέψεις, οι συγγραφείς εφάρμοσαν μια σειρά από μοντέλα ARMA σε ένα συγκεκριμένο αιολικό πάρκο στη Μινεσότα και κατέληξαν στο συμπέρασμα ότι η Εργαστήριο Συστημάτων Ηλεκτρικής Ενέργειας, Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΑΠΘ 16

απόδοση πολλών από αυτά ήταν αρκετά καλή, με ένα από αυτά να παρουσιάζει μικρότερο μέσο τετραγωνικό σφάλμα (Root Mean Square Error, RMSE) σε σύγκριση με το μοντέλο της παραμένουσας τιμής, για έως και οκτώ 10-λεπτες περιόδους πρόβλεψης στο μέλλον. Οι Kavasseri et al. [13] προτείνουν μία παραλλαγή των μοντέλων ARIMA, τα κλασματικά μοντέλα ARIMA (fractional ARIMA, f-arima), όπου η παράμετρος διαφόρισης d μπορεί να λαμβάνει συνεχείς τιμές στο διάστημα (-0,5, 0,5). Το βασικό πλεονέκτημα των μοντέλων αυτών είναι η ικανότητά τους να εκμεταλλεύονται τις μακροχρόνιες συσχετίσεις των τιμών μίας χρονοσειράς, οι οποίες υφίστανται όταν η χρονοσειρά παρουσιάζει αργή μείωση της συνάρτησης αυτοσυσχέτισης. Τα μοντέλα εφαρμόστηκαν για την πρόβλεψη της μέσης ωριαίας ταχύτητας ανέμου έως και δύο ημέρες (48 ώρες) στο μέλλον. Τα αποτελέσματα από την εφαρμογή των μοντέλων σε τέσσερις περιοχές της Νότιας Ντακότα δείχνουν ότι η προτεινόμενη μέθοδος είναι σε θέση να βελτιώσει την ακρίβεια της πρόβλεψης κατά 42% σε σχέση με το μοντέλο της παραμένουσας τιμής, χρησιμοποιώντας ως κριτήριο σύγκρισης την τετραγωνική ρίζα του μέσου τετραγωνικού σφάλματος (RMSE). Μία διαφορετική προσέγγιση στο πρόβλημα της πρόβλεψης της ανεμοπαραγωγής αποτελούν τα μοντέλα που στηρίζονται σε μεθόδους τεχνητής νοημοσύνης, όπως είναι οι γενετικοί αλγόριθμοι, τα νευρωνικά δίκτυα, τα μοντέλα ασαφούς λογικής, κ.α. Οι Alexiadis et al. [14] προτείνουν τη χρήση τεχνητών νευρωνικών δικτύων για την πρόβλεψη της μέσης τιμής της ταχύτητας του ανέμου για το επόμενο 10-λεπτο ή την επόμενη 1 ώρα. Επίσης διερευνάται η χωρική συσχέτιση της ταχύτητας του ανέμου για τις ανάγκες της πρόβλεψης. Η εφαρμογή των μεθόδων έγινε με χρήση ανεμολογικών δεδομένων επτά ετών σε τρία διαφορετικά νησιά του Νοτίου και Κεντρικού Αιγαίου (Σύρος, Κέα, Πάρος). Με το προτεινόμενο μοντέλο της χωρικής συσχέτισης, το σφάλμα πρόβλεψης της μέσης ταχύτητας ανέμου για πρόβλεψη της επόμενης ώρας στο νησί της Σύρου μειώνεται σε σχέση με το μοντέλο της παραμένουσας τιμής κατά περίπου 32%, ενώ η αντίστοιχη βελτίωση του σφάλματος πρόβλεψης της ανεμοπαραγωγής είναι περίπου 16%. Η ίδια μέθοδος χρησιμοποιείται από την ίδια ερευνητική ομάδα στην εργασία [15] για μία περίπτωση ομαλού εδάφους στο επίπεδο της θάλασσας στην περιοχή της Θεσσαλονίκης. Η βελτίωση του σφάλματος πρόβλεψης σε σχέση με το μοντέλο παραμένουσας τιμής για την ταχύτητα του ανέμου και την ανεμοπαραγωγή για 2-ωρο χρονικό ορίζοντα υπολογίστηκε σε 26% και 27%, αντίστοιχα. Εργαστήριο Συστημάτων Ηλεκτρικής Ενέργειας, Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΑΠΘ 17

Ένα καινοτόμο ασαφές μοντέλο (fuzzy model) πρόβλεψης της ταχύτητας του ανέμου και της παραγόμενης ισχύος ενός αιολικού πάρκου προτείνεται από τους Damousis et al. [16]. Η εκπαίδευση του μοντέλου έγινε με χρήση γενετικού αλγορίθμου. Το σύνολο των μεταβλητών εκπαίδευσης περιλαμβάνει δεδομένα ταχύτητας και κατεύθυνσης του ανέμου, τα οποία έχουν μετρηθεί σε γειτονικές περιοχές που απέχουν μέχρι και 30 χιλιόμετρα μακριά από τις θέσεις των ανεμογεννητριών. Τα αποτελέσματα της προσομοίωσης σε δύο διαφορετικές τοποθεσίες στην Ελλάδα, δηλαδή σε μία επίπεδη περιοχή γύρω από το θαλάσσιο κόλπο της Θεσσαλονίκης και σε μία περιοχή με σύνθετη μορφολογία στην ανατολική Κρήτη (Σητεία) αποδεικνύει τη συμβολή των απομακρυσμένων δεδομένων στην εξαγωγή ακριβών προβλέψεων ταχύτητας ανέμου. Η προτεινόμενη μέθοδος παρέχει σημαντική βελτίωση έναντι της μεθόδου της παραμένουσας τιμής για την επίπεδη περιοχή, ενώ η απόδοση του είναι ελαφρώς μειωμένη σε περιπτώσεις όπου η μορφολογία του εδάφους είναι σύνθετη και η συσχέτιση των δεδομένων ανέμου είναι ιδιαίτερα χαμηλή. Σε κάθε περίπτωση, η χρήση των τοπικών δεδομένων είναι επαρκής για να δώσει βελτιωμένες προβλέψεις κατά 10% έως 25% σε σχέση με το μοντέλο της παραμένουσας τιμής, ενώ τα απομακρυσμένα δεδομένα βοηθούν την επίτευξη μιας περαιτέρω σημαντικής βελτίωσης (γύρω στο 28%) σε επίπεδες εκτάσεις και ιδιαίτερα για χρονικούς ορίζοντες που εκτείνονται μακρύτερα στο μέλλον (π.χ. 120 λεπτά ή 240 λεπτά στο μέλλον). Ο Sfetsos [17] συγκρίνει διάφορες μεθόδους πρόγνωσης χρονοσειράς με εφαρμογή σε ωριαίες τιμές ταχύτητας ανέμου για ένα μήνα (744 h) μετρημένες στην Κρήτη στην τοποθεσία Οδηγήτρια. Η σύγκριση γίνεται ως προς την ακρίβεια των αποτελεσμάτων (συγκριτικά με την παραμένουσα) και ως προς την ταχύτητα της εξαγωγής τους. Χρησιμοποιούνται τεχνικές τεχνητής νοημοσύνης που στηρίζονται σε γραμμικά μοντέλα (παρόμοια των μοντέλων παλινδρόμησης των Box Jenkins), σε Νευρωνικά Δίκτυα (ΝΔ) (Feed Forward Neural Networks - FFNN, Radial Basis Function Networks - RBFN, Elman Recurrent Networks) και σε συνδυασμούς ΝΔ με ασαφή λογική (Adaptive Network Based Fuzzy Inference System ANFIS, Neural Logic Network NLN). Η διαδικασία χωρίζεται σε τρία μέρη: την εκπαίδευση (1 500 h), την αποτίμηση (501 550 h) και την πρόβλεψη (551 744 h). Η επιλογή των μεταβλητών έγινε με βάση την αυτοσυσχέτιση της χρονοσειράς σαν πρώτο βήμα και την ανάλυση ευαισθησίας σαν δεύτερο. Το βασικό συμπέρασμα είναι ότι τα μοντέλα τεχνητής νοημοσύνης υπερτερούν των γραμμικών και πως όλα τα μη γραμμικά μοντέλα έχουν περίπου ίδιο RMS σφάλμα. Το μοντέλο με τα καλύτερα αποτελέσματα (μικρότερο τετραγωνικό σφάλμα Εργαστήριο Συστημάτων Ηλεκτρικής Ενέργειας, Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΑΠΘ 18

σε σχέση με το μοντέλο της παραμένουσας τιμής κατά 4.9%) είναι το NLN με ενσωματωμένους λογικούς κανόνες (Logic Rules). Οι Kusiak et al. [18] εξέτασαν τη συμπεριφορά πέντε διαφορετικών αλγορίθμων εξόρυξης δεδομένων (data mining approach) για την πρόβλεψη της παραγόμενης ισχύος ενός αιολικού πάρκου σε διαφορετικούς χρονικούς ορίζοντες, δηλ. για 10-70 λεπτά και για 1-4 ώρες στο μέλλον, υιοθετώντας διαφορετική χρονική ανάλυση (10-λεπτα ή ωριαία χρονικά διαστήματα, αντίστοιχα). Θεωρήθηκαν τρία διαφορετικά μοντέλα χρονοσειρών: ένα μοντέλο χρονοσειράς για 10-λεπτες προβλέψεις της ταχύτητας του ανέμου, ένα μοντέλο για 10-λεπτες προβλέψεις ανεμοπαραγωγής και ένα μοντέλο για ωριαίες προβλέψεις ανεμοπαραγωγής. Τα δεδομένα που χρησιμοποιήθηκαν συλλέχτηκαν από ένα αιολικό πάρκο των 100 ανεμογεννητριών. Οι αλγόριθμοι εξόρυξης δεδομένων που εξετάστηκαν, είναι ο αλγόριθμος support vector machine regression (SVMreg), ο αλγόριθμος multi-layer perceptron (MLP), ο αλγόριθμος M5P tree, o αλγόριθμος Reducer Error Pruning tree, και ο αλγόριθμος bagging tree. Δύο από τους πέντε αλγορίθμους εμφάνισαν καλύτερα αποτελέσματα. Ο αλγόριθμος SVMreg ξεπέρασε τους άλλους τέσσερις αλγορίθμους σχετικά με τις προβλέψεις της παραγόμενης ισχύος και της ταχύτητας του ανέμου σε 10-λεπτά διαστήματα έως 1 ώρα στο μέλλον, ενώ ο αλγόριθμος MLP είναι ακριβής στην πρόβλεψη μέχρι και 4 ωρών στο μέλλον σε ωριαία διαστήματα. Σε γενικές γραμμές, οι αλγόριθμοι εξόρυξης δεδομένων βελτίωσαν την ακρίβεια πρόβλεψης των χρονοσειρών ανέμου τουλάχιστον κατά 20% σε σύγκριση με το μοντέλο της παραμένουσας τιμής. Πρόσφατα, οι Catalao et al. [19] πρότειναν ένα υβριδικό μοντέλο για τη βραχυπρόθεσμη πρόβλεψη της ανεμοπαραγωγής στην Πορτογαλία. Η προτεινόμενη προσέγγιση βασίζεται στο συνδυασμό των μεθόδων μετασχηματισμού κυματιδίων (Wavelet Transform, WT), βελτιστοποίησης σμήνους σωματιδίων (Particle Swarm Optimization, PSO), και συστημάτων ασαφούς εξαγωγής συμπερασμάτων βασισμένων σε προσαρμοζόμενα δίκτυα (adaptive-networkbased fuzzy inference system, ANFIS). Το υβριδικό μοντέλο εφαρμόστηκε για την πρόβλεψη της χρονοσειράς παραγόμενης ισχύος για 3 ώρες στο μέλλον, λαμβάνοντας υπόψη τα δεδομένα της αιολικής ισχύος των προηγουμένων 12 ωρών με βήμα των 15 λεπτών (48 τιμές μετρούμενης ισχύος). Η διαδικασία αυτή επαναλαμβάνεται έως ότου προβλεφθούν οι τιμές ισχύος των επόμενων 24 ωρών. Εργαστήριο Συστημάτων Ηλεκτρικής Ενέργειας, Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΑΠΘ 19

Το υβριδικό μοντέλο συγκρίθηκε με επτά διαφορετικά μοντέλα, δηλ. με το μοντέλο της παραμένουσας τιμής, το νέο μοντέλο αναφοράς, μοντέλα ARIMA, ΝΔ, ΝΔ με μετασχηματισμούς κυματιδίων (neural networks with wavelet transform, NNWT) και νευροασαφή μοντέλα (neuro-fuzzy, NF and wavelet-neuro-fuzzy (WNF)). Τα κριτήρια αξιολόγησης του σφάλματος πρόβλεψης που χρησιμοποιήθηκαν (μέσο ποσοστιαίο σφάλμα (ΜΑΡΕ) και ανηγμένο μέσο απόλυτο σφάλμα (NMAE)) έδειξαν ότι η συμπεριφορά του υβριδικού μοντέλου ξεπέρασε όλες τις άλλες προσεγγίσεις (Μέσος όρος ΜΑΡΕ = 4,98%, μέσος όρος NMAE = 2,37%). 3.2 Στατιστικά μοντέλα με χρήση αριθμητικών μοντέλων μετεωρολογικών προβλέψεων Στην κατηγορία αυτή περιλαμβάνονται στατιστικά μοντέλα πρόβλεψης αιολικής ισχύος λαμβάνοντας υπόψη τα αποτελέσματα πρόβλεψης των μετεωρολογικών μοντέλων NWP αναφορικά με μεταβλητές που επηρεάζουν την ακριβή πρόβλεψη της ανεμοπαραγωγής ή της παραγωγής Φ/Β (π.χ. ταχύτητα ανέμου, ηλιακή ακτινοβολία, κ.α). Τα μοντέλα αυτά συνήθως χρησιμοποιούνται για προβλέψεις που εκτείνονται μακρύτερα στο μέλλον (πέραν των 12 ωρών), όπου η ενσωμάτωση των αποτελεσμάτων των μετεωρολογικών προβλέψεων αποδεικνύεται ιδιαίτερα αποτελεσματική. Στην εργασία των Duran et al. [20] γίνεται χρήση διαφόρων μοντέλων χρονοσειρών προκειμένου να αξιολογηθεί η βελτίωση που μπορεί να επιτευχθεί στην πρόβλεψη σε σχέση με το μοντέλο της παραμένουσας τιμής για τρία αιολικά πάρκα στην Ισπανία. Εξετάζονται δύο μοντέλα αυτοπαλινδρόμησης, ένα απλό μοντέλο το οποίο χρησιμοποιεί ως είσοδο μόνο τις πιο πρόσφατες μετρήσεις (on-line data) ανεμοπαραγωγής (μοντέλο AR) και ένα μοντέλο αυτοπαλινδρόμησης με εξωγενείς μεταβλητές (μοντέλο ARX), το οποίο λαμβάνει υπόψη επιπλέον και τη χρονοσειρά της ταχύτητας ανέμου (ως έξοδο από ένα μοντέλο NWP). Συγκριτικά αποτελέσματα μεταξύ των δύο παραπάνω μοντέλων και του μοντέλου της παραμένουσας τιμής για χρονικούς ορίζοντες 6 ωρών, 12 ωρών και 24 ωρών στο μέλλον, αποδεικνύουν ότι η βελτίωση που επιτυγχάνεται με το μοντέλο ARX για βραχυπρόθεσμους χρονικούς ορίζοντες (π.χ. μέχρι 6 ώρες στο μέλλον) είναι μικρή σε σχέση με το μοντέλο AR, λόγω του αυξημένου βάρους που έχουν τα αμέσως προηγούμενα πραγματικά δεδομένα ανεμοπαραγωγής σε σχέση με τις εισόδους από τα μοντέλα NWP γι αυτό το χρονικό ορίζοντα. Εργαστήριο Συστημάτων Ηλεκτρικής Ενέργειας, Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΑΠΘ 20

Αντιθέτως, όταν ο χρονικός ορίζοντας παρατείνεται μέχρι 24 ώρες στο μέλλον, η επίδραση των προσφάτως μετρούμενων δεδομένων αιολικής παραγωγής είναι λιγότερο σημαντική και η ταυτόχρονη θεώρηση των δεδομένων πρόβλεψης της ταχύτητας του ανέμου βελτιώνει την ακρίβεια πρόβλεψης έως 14,1% συγκρινόμενη με το μοντέλο AR, και μέχρι 26,3% συγκρινόμενη με το μοντέλο της παραμένουσας τιμής. Τέλος, οι συγγραφείς παρουσιάζουν μια συγκριτική ανάλυση θεωρώντας ότι η πρόβλεψη ανεμοπαραγωγής μπορεί να γίνει είτε θεωρώντας τα αιολικά πάρκα ανεξάρτητα μεταξύ τους είτε θεωρώντας το σύνολο της ανεμοπαραγωγής των τριών πάρκων ως ενιαίο. Τα αποτελέσματα δείχνουν ότι η σχετική βελτίωση που επιτυγχάνεται με τη ενιαία θεώρηση των πάρκων είναι σημαντική, καθώς το σφάλμα πρόβλεψης του μοντέλου ARX για τους τρεις χρονικούς ορίζοντες των 24, 12, και 6 ωρών μειώνεται κατά 17,4, 22,4 και 24,3%, αντίστοιχα. Οι Barbounis et al. [21] χρησιμοποίησαν τρεις διαφορετικούς τύπους ΝΔ για την επίλυση του προβλήματος μακροπρόθεσμης πρόβλεψης της ταχύτητας ανέμου και της ανεμοπαραγωγής. Οι επιλεγμένες δομές ΝΔ ήταν: τα IIR-MLP (Infinite Impulse Response Multi-Layer Perceptron), τα LAF-MLN (Local Activation Feedback Multi-Layer Network), και τα RNN (recurrent neural network). Η εφαρμογή των μοντέλων έγινε για αιολικό πάρκο 10,2 MW εγκατεστημένο στην ανατολική Κρήτη. Τα μοντέλα χρησιμοποιήθηκαν για προβλέψεις μέχρι και 72 ώρες στο μέλλον, λαμβάνοντας υπόψη μετεωρολογικές προβλέψεις (ταχύτητα και κατεύθυνση ανέμου) οι οποίες παρέχονταν από το μετεωρολογικό μοντέλο SKIRON για τέσσερις κοντινές περιοχές του αιολικού πάρκου και για αντίστοιχο χρονικό διάστημα στο μέλλον (μέχρι 72 ώρες στο μέλλον). Επιπλέον, η συμπεριφορά των τριών ΝΔ συγκρίθηκε με δύο στατικά μοντέλα: το FIR-NN (FIR- NN) και το στατικό ΝΔ MLP. Τα αποτελέσματα της προσομοίωσης καταδεικνύουν την υπεροχή των προτεινόμενων μοντέλων ΝΔ έναντι των στατικών, ενώ παράλληλα επιτυγχάνουν σημαντική μείωση του σφάλματος πρόβλεψης (της τάξεως του 50%) σε σχέση με τη μέθοδο της παραμένουσας τιμής. Η καλύτερη απόδοση επιδεικνύεται από το μοντέλο IIR-MLP το οποίο, υπερέχει των στατικών μοντέλων FIR-NN και MLP, μειώνοντας το μέσο απόλυτο σφάλμα (Mean Average Error, ΜΑΕ) κατά 11,82% και 12,7%, αναφορικά με τις προβλέψεις ανεμοπαραγωγής και κατά 7,12% και 9,44%,αντίστοιχα, αναφορικά με τις προβλέψεις της ταχύτητας ανέμου. Οι Salcedo-Sanz et al. [22] παρουσιάζουν ένα υβριδικό μοντέλο για τη βραχυπρόθεσμη πρόβλεψη (μέχρι 48 ώρες στο μέλλον) της ταχύτητας του ανέμου σε ένα αιολικό πάρκο με 33 Εργαστήριο Συστημάτων Ηλεκτρικής Ενέργειας, Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΑΠΘ 21

ανεμογεννήτριες (1,5 MW η κάθε μία) που βρίσκεται στη νότιο-ανατολική Ισπανία. Το υβριδικό μοντέλο προκύπτει από το συνδυασμό ενός μεσαίας κλίμακας μετεωρολογικού μοντέλου πέμπτης γενιάς (fifth generation mesoscale model, MM5) με ένα τεχνητό ΝΔ. Αρχικά, το μοντέλο MM5 εκτελεί φυσικό υποβιβασμό των μετεωρολογικών δεδομένων που λαμβάνονται από το παγκόσμιο σύστημα πρόγνωσης GFS, προκειμένου να επιτευχθεί πρόβλεψη της ταχύτητας του ανέμου σε μια μικρότερη περιοχή. Στο στάδιο αυτό, τα δεδομένα από το μοντέλο GFS συμπληρώνονται με τοπικά μετεωρολογικά δεδομένα επιφανείας από 39 γειτονικές περιοχές. Στη συνέχεια, ένα τεχνητό ΝΔ επεξεργάζεται την έξοδο του MM5 προκειμένου να προβλεφθεί με ακρίβεια η ταχύτητα του ανέμου σε κάθε ανεμογεννήτρια του πάρκου (στατιστικός υποβιβασμός). Το ΝΔ έχει 6 εισόδους, ήτοι τις προβλέψεις της ταχύτητας του ανέμου σε δύο επιλεγμένα σημεία του πάρκου, την κατεύθυνση του ανέμου σε ένα σημείο, τη θερμοκρασία σε ένα σημείο και δύο εξισώσεις του ηλιακού κύκλου. Η έξοδος του ΝΔ είναι η πρόβλεψη της ταχύτητας του ανέμου για 48 ώρες στο μέλλον σε μία δεδομένη ανεμογεννήτρια του πάρκου. Η εφαρμογή του ΝΔ παρείχε ακριβή αποτελέσματα, με το μέσο απόλυτο σφάλμα να κυμαίνεται στην περιοχή από 1,45 μέχρι 2,2 m/sec, παρουσιάζοντας μικρές διαφορές για τις περιπτώσεις με διαφορετικό αριθμό των νευρώνων στο κρυμμένο στρώμα. Ωστόσο, δεν παρουσιάζονται συγκριτικά αποτελέσματα σε σχέση με ένα μοντέλο αναφοράς (π.χ. το μοντέλο παραμένουσας τιμής). Η λογική χρήσης τεχνικών τεχνητής νοημοσύνης σε συνδυασμό με ένα μοντέλο NWP ακολουθήθηκε και από τους Sideratos και Hatziargyriou [23], oι οποίοι παρουσιάζουν μια προηγμένη μέθοδο για την πρόβλεψη της ανεμοπαραγωγής, που βασίζεται στη χρήση νευρωνικών δικτύων και τεχνικών ασαφούς λογικής για χρονικό ορίζοντα πρόβλεψης μέχρι 48 ώρες στο μέλλον. Το συνολικό σύστημα πρόβλεψης αποτελείται από τρία επιμέρους μοντέλα: α) ένα προκαταρκτικό μοντέλο πρόβλεψης της ανεμοπαραγωγής, β) ένα μοντέλο που παρέχει έναν ασαφή δείκτη για την αξιοπιστία του μοντέλου NWP, και γ) το τελικό μοντέλο πρόβλεψης της ανεμοπαραγωγής. Και στα τρία επιμέρους μοντέλα γίνεται χρήση κατάλληλων μοντέλων ΝΔ, ενώ χρησιμοποιήθηκαν μετεωρολογικά δεδομένα NWP από το Δανικό μοντέλο HIRLAM. Το σύστημα πρόβλεψης εφαρμόστηκε για πρόβλεψη της ανεμοπαραγωγής ενός υπεράκτιου (off-shore) αιολικού πάρκου στην Δανία, το οποίο περιλαμβάνει 35 ανεμογεννήτριες ισχύος 600 kw η κάθε μία. Τα αποτελέσματα της προσομοίωσης έδειξαν ότι η προτεινόμενη μέθοδος αποδίδει καλύτερα απ ότι το μοντέλο της παραμένουσας τιμής για κάθε χρονικό ορίζοντα Εργαστήριο Συστημάτων Ηλεκτρικής Ενέργειας, Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΑΠΘ 22