ΒΡΑΧΥΠΡΟΘΕΣΜΗ ΠΡΟΒΛΕΨΗ ΙΣΧΥΟΣ ΣΕ ΑΙΟΛΙΚΑ ΠΑΡΚΑ

ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ & ΜΗΧΑΝΙΚΩΝ Η/Υ ΕΡΓΑΣΤΗΡΙΟ ΣΥΣΤΗΜΑΤΩΝ ΗΛΕΚΤΡΙΚΗΣ ΕΝΕΡΓΕΙΑΣ ιπλωματική Εργασία ΒΡΑΧΥΠΡΟΘΕΣΜΗ ΠΡΟΒΛΕΨΗ ΙΣΧΥΟΣ ΣΕ ΑΙΟΛΙΚΑ ΠΑΡΚΑ Παναγιώτης Σταθόπουλος Λουκάς Χατζηγιάννης Επιβλέπων Καθηγητής: Μηνάς Αλεξιάδης Θεσσαλονίκη, Ιούλιος 2014

Πίνακας περιεχομένων ΚΕΦΑΛΑΙΟ 1: ΑΙΟΛΙΚΗ ΕΝΕΡΓΕΙΑ... 3 1.1 ΕΙΣΑΓΩΓΗ... 3 1.1.1ΑΠΕ... 3 1.1.2 Εκμετάλλευση ανέμου... 4 1.1.3 Ανεμογεννήτριες... 5 1.1.4 Αιολικά πάρκα και τεχνολογία... 6 1.1.5 Η αιολική Ενέργεια στην Ελλάδα... 7 1.2 ΣΗΜΑΣΙΑ ΠΡΟΒΛΕΨΗΣ... 10 1.2.1 Πρόβλεψη ΑΠΕ Γενικά... 12 1.2.2 Χρονικοί Ορίζοντες Πρόβλεψης... 12 1.3 ΜΟΝΤΕΛΑ ΑΝΑΦΟΡΑΣ... 13 1.3.1 Μοντέλο Παραμένουσας Τιμής... 13 1.3.2 Νέο Μοντέλο Αναφοράς... 14 1.4 Μοντέλα πρόβλεψης της παραγωγής από ΑΠΕ... 14 ΚΕΦΑΛΑΙΟ 2: ΠΡΟΒΛΕΨΗ ΑΙΟΛΙΚΗΣ ΠΑΡΑΓΩΓΗΣ... 18 2.1 Εισαγωγή στη σχετική Βιβλιογραφία... 18 2.2 Στατιστική ανάλυση της χρονοσειράς των ταχυτήτων ανέμου.... 19 2.3 Μελέτη της χωρικής συσχέτισης των ταχυτήτων ανέμου... 28 2.4 Θέματα Μακροπρόθεσμης Πρόβλεψης... 33 ΚΕΦΑΛΑΙΟ 3: ΜΟΝΤΕΛΟ ΧΩΡΙΚΗΣ ΣΥΣΧΕΤΙΣΗΣ... 45 3. 1. Θεωρητική Εισαγωγή... 46 3.2. Χωρικό Μοντέλο Συσχέτισης για μέσες αποστάσεις... 47 3.3. Εφαρμογή στην Πολύ Βραχυπρόθεσμη Πρόβλεψη... 48 3.4. Διαθέσιμα Δεδομένα Αιολικών Πάρκων... 49 3.5. Μελέτη Ετεροσυσχετίσεων μεταξύ των Αιολικών Πάρκων... 49 3.6. Είσοδοι και Εκπαίδευση Νευρωνικού Δικτύου... 52 3.7. Εφαρμογή Μοντέλου Πρόβλεψης... 53 3.8. Πρόβλεψη στο Α/Π 24... 53 3.9. Πρόβλεψη στο Α/Π 12... 62 3.10. Πρόβλεψη στο Α/Π 33... 69 ΚΕΦΑΛΑΙΟ 4: ΒΡΑΧΥΠΡΟΘΕΣΜΗ ΠΡΟΒΛΕΨΗ ΑΙΟΛΙΚΗΣ ΙΣΧΥΟΣ... 76 4.1 Παρουσίαση προβλήματος δεδομένων... 76 4.2 Αριθμητικές Μετεωρολογικές Προβλέψεις... 77 4.3 Επεξεργασία και Ανάλυση δεδομένων των Α/Π... 81 4.3 Μοντέλο βραχυπρόθεσμης πρόβλεψης Αιολικής Ισχύος... 85 4.4. Πρόβλεψη Αιολικής Ισχύος για το επόμενο 24ωρο στο σύνολο της Ελλάδος... 87 4.5 Πρόβλεψη Αιολικής Ισχύος για το επόμενο 24ωρο σε ομάδα Α/Π... 94 4.6 Πρόβλεψη Αιολικής Ισχύος για το επόμενο 24ωρο σε μεμονωμένο Α/Π... 100 ΒΙΒΛΙΟΓΡΑΦΙΑ... 107

Σελίδα 3 ΚΕΦΑΛΑΙΟ 1: ΑΙΟΛΙΚΗ ΕΝΕΡΓΕΙΑ 1.1 ΕΙΣΑΓΩΓΗ 1.1.1ΑΠΕ Ανανεώσιμη ενέργεια είναι η ενέργεια που αντλείται από πηγές, οι οποίες δεν εξαντλούνται ή αντικαθίστανται και ο όρος ΑΠΕ αναφέρεται κυρίως στις ακόλουθες: Την Αιολική ενέργεια, που αξιοποιείται μέσω Ανεμογεννητριών, οι οποίες μετατρέπουν την κινητική ενέργεια σε ηλεκτρική. Η αιολική ενέργεια αποτελεί σήμερα μια ελκυστική λύση στο πρόβλημα της ηλεκτροπαραγωγής. Το «καύσιμο» είναι άφθονο, αποκεντρωμένο και δωρεάν. Δεν εκλύονται αέρια θερμοκηπίου και άλλοι ρύποι, και οι επιπτώσεις στο περιβάλλον είναι μικρές σε σύγκριση με τα εργοστάσια ηλεκτροπαραγωγής από συμβατικά καύσιμα. Επίσης, τα οικονομικά οφέλη μιας περιοχής από την ανάπτυξη της αιολικής βιομηχανίας είναι αξιοσημείωτα. Την Ηλιακή Ενέργεια, αξιοποιείται είτε, συνηθέστερα μέσω των Φωτοβολταϊκών γεννητριών, οι οποίες μετατρέπουν απ ευ θείας την ηλιακή ενέργεια σε ηλεκτρική είτε, σπανιότερα με την συγκέντρωση των ηλιακών ακτινών μέσω ηλιακών συλλεκτών ώστε να επιτευχθούν υψηλές θερμοκρασίες και τελικά η παραγωγή ηλεκτρικής ενέργειας. Επί πλέον, εκτεταμένη χρήση της ηλιακής ενέργειας γίνεται για τη θέρμανση νερού ή χώρων. Τα Μικρά Υδροηλεκτρικά όπου γίνεται συνήθως εκμετάλλευση υδάτινων ρευμάτων για τα οποία δεν απαιτούνται μεγάλα έργα αποθηκεύσεως (πχ φράγματα). Τις Κυψελίδες καυσίμου, οι οποίες μετατρέπουν απ ευθείας τη χημική ενέργεια σε ηλεκτρική, με τη χρήση κατάλληλων δεξαμενών και ηλεκτρολυτών. Την ενέργεια των Θαλάσσιών κυμάτων Την Γεωθερμική ενέργεια, είναι γενικά η θερμότητα εσωτερικών στρωμάτων της γης, η οποία γίνεται εκμεταλλεύσιμη όταν υπάρχουν κατάλληλες γεωλογικές συνθήκες. Την ενέργεια της Βιομάζας, η οποία συνίσταται από τα πάσης φύσεως γεωργικά και δασικά υπολείμματα, από τα οποία με κατάλληλες θερμοχημικές επεξεργασίες μπορούν να ληφθούν καύσιμα. [1] Οι ανανεώσιμες πηγές δεν εξαντλούνται πρακτικά ποτέ και δε ρυπαίνουν. Τα τελευταία χρόνια γίνεται ολοένα πιο επιτακτική η ανάγκη αξιοποίησης εναλλακτικών μορφών ενέργειας. Εξαιτίας της συνεχώς αυξανόμενης ενεργειακής ζήτησης, σε συνδυασμό με τη μείωση των αποθεμάτων συμβατικών καυσίμων και τις δυσμενείς επιπτώσεις στο περιβάλλον από την εκτεταμένη χρήση τους, το παγκόσμιο ενδιαφέρον στέφεται στην ανάπτυξη τεχνολογιών των προς εκμετάλλευση ανανεώσιμων πηγών ενέργειας. Το ενδιαφέρον αυτό ενισχύεται από το γεγονός ότι σε

Σελίδα 4 πολλές περιπτώσεις η τεχνολογία των Α.Π.Ε. όχι μόνο είναι οικονομικά εφικτή αλλά και αρκετά αποδοτική. [2] Η συνεχής χρήση ορυκτών καυσίμων αλλά και φυσικού αερίου, έχει οδηγήσει στη ραγδαία μείωσή τους και έχει συμβάλει στην υποβάθμιση του περιβάλλοντος και την ανάπτυξη του φαινομένου του θερμοκηπίου. Σε παγκόσμια κλίμακα, το ενδιαφέρων πολλών χωρών έχει στραφεί στη χρήση των Ανανεώσιμων Πηγών Ενέργειας (ΑΠΕ), τη λήψη νέων μέτρων και την εφαρμογή νέων πολιτικών με στόχο την ελαχιστοποίηση των αρνητικών επιπτώσεων στο περιβάλλον. Στα πλαίσια μίας τέτοιας προσπάθειας, η Ευρωπαϊκή Ένωση έχει θέσει τον φιλόδοξο στόχο για μείωση των εκπομπών αερίων του θερμοκηπίου κατά 80-95% το έτος 2050 βασιζόμενη στη χρήση ΑΠΕ και την προώθηση αυτών. Επειδή όμως το 2050 είναι αρκετά μακριά, επιλέχτηκε ως πρώτο βήμα η επίτευξη ενός πιο σταθερού αλλά εξίσου φιλόδοξου στόχου, αυτού του «20-20-20». Βάση αυτού θα επιδιωχθεί έως το έτος 2020, η μείωση κατά 20% των εκπομπών διοξειδίου του άνθρακα, η μείωση κατά 20% της συνολικής κατανάλωσης ενέργειας και η αύξηση στο 20% της συμμετοχής των ΑΠΕ στην παραγωγή της απαιτούμενης ενέργειας. Ο παραπάνω σχεδιασμός και η δημιουργία ενός τέτοιου πλαισίου, οδήγησε στην αύξηση των επενδύσεων σε ΑΠΕ και την κατασκευή και λειτουργία μεγάλων μονάδων, με τις προβλέψεις να αναφέρουν αύξηση της τάξης του 30-35% του μεριδίου ΑΠΕ στην παραγωγή ηλεκτρικής ενέργειας, έως το 2020. Ήδη για το 2013 η κατασκευή μονάδων ΑΠΕ αντιστοίχησε στο 72% των νέων εγκαταστάσεων ήτοι, 25GW από τα συνολικά 35GW εγκατεστημένης νέας ισχύος, που μεταφράζεται σε αύξηση 2,85% σε σχέση με το 2012. 1.1.2 Εκμετάλλευση ανέμου Σημαντικό κομμάτι των ΑΠΕ αποτελεί η εκμετάλλευση της αιολικής ισχύος. Η εγκατεστημένη ισχύς αιολικών πάρκων, στην Ευρωπαϊκή Ένωση για το 2013 έφτασε τα 117,3 GW με τα 6,6 GW αυτών να αντιστοιχούν σε υπεράκτια πάρκα. Πίνακας 1.1: Ανά κράτος και συνολική εγκατεστημένη ισχύς αιολικής ενέργειας ΕΥΡΩΠΗ 2012 νέα 2013 Πηγή: Global Wind Energy Council, 2013

Σελίδα 5 Το 32% των νέων εγκαταστάσεων παραγωγής ισχύος για το 2013 ήταν μονάδες εκμετάλλευσης αιολικής ισχύος, καθιστώντας την έτσι την περισσότερο δημοφιλή τεχνολογία παραγωγής ενέργειας. Το ύψος των αντίστοιχων επενδύσεων ανέρχεται μόνο για το προηγούμενο έτος σε περίπου 17 δις. Τα τελευταία 13 χρόνια παρατηρείται για κάθε έτος μία συνεχόμενη αύξηση των νέων εγκαταστάσεων αιολικής ισχύος με ετήσιο ρυθμό ανάπτυξης της τάξης των 10%. Συγκεκριμένα από μόλις 3.2GW το 2002 φτάσαμε στα 11.2GW νέας εγκατεστημένης αιολικής ισχύος το 2013. Η Γερμάνια παραμένει η χώρα της ΕΕ με τη μεγαλύτερη εγκατεστημένη ισχύ ακολουθούμενη από τις Ισπανία, Ην. Βασίλειο και Ιταλία. Η ρυθμιστική αστάθεια και η πολιτική αβεβαιότητα σε διάφορα μέρη της Ευρώπης συνέβαλλαν στην συγκέντρωση του 46% των νέων εγκαταστάσεων αιολικής ισχύος σε μόλις 2 χώρες, την Γερμάνια και το Η.Β. Μία σειρά υγειών αγορών όπως αυτές της Ισπανίας, Ιταλίας και Γαλλίας παρουσίασαν μείωση στην κατασκευή νέων εγκαταστάσεων για το 2013 της τάξεως των 84%, 65% και 24% αντίστοιχα. Αντίθετα παρατηρήθηκε ρεκόρ ανάπτυξης όσον αφορά τις παράκτιες εγκαταστάσεις με 1.6GW νέας εγκατεστημένης ισχύος. [3] 1.1.3 Ανεμογεννήτριες Η εκμετάλλευση της ενέργειας του ανέμου από τον άνθρωπο αποτελεί μία πρακτική που βρίσκει τις ρίζες της στην αρχαιότητα. Χαρακτηριστικά παραδείγματα εκμετάλλευσης της αιολικής ενέργειας είναι τα ιστιοφόρα και οι ανεμόμυλοι. Σήμερα, για την αξιοποίηση της αιολικής ενέργειας χρησιμοποιούμε τις ανεμογεννήτριες (Α/Γ). Οι ανεμογεννήτριες είναι μηχανές οι οποίες μετατρέπουν την κινητική ενέργεια του ανέμου σε ηλεκτρική ενέργεια. Η μετατροπή αυτή γίνεται σε δύο στάδια. Στο πρώτο στάδιο, μέσω της πτερωτής, έχουμε την μετατροπή της κινητικής ενέργειας του ανέμου σε μηχανική ενέργεια με την μορφή περιστροφής του άξονα της πτερωτής και στο δεύτερο στάδιο, μέσω της γεννήτριας, επιτυγχάνουμε την μετατροπή της μηχανικής ενέργειας σε ηλεκτρική. Οι Α/Γ χρησιμοποιούνται για την πλήρη κάλυψη ή και τη συμπλήρωση των ενεργειακών αναγκών. Το παραγόμενο από τις ανεμογεννήτριες ηλεκτρικό ρεύμα είτε καταναλώνεται επιτόπου, είτε εγχέεται και διοχετεύεται στο ηλεκτρικό δίκτυο για να καταναλωθεί αλλού. Η παραγόμενη ηλεκτρική ενέργεια από τις Α/Γ, όταν η παραγωγή είναι μεγαλύτερη από τη ζήτηση, συχνά αποθηκεύεται για να χρησιμοποιηθεί αργότερα, όταν η ζήτηση είναι μεγαλύτερη από την παραγωγή. Η αποθήκευση σήμερα γίνεται με δύο οικονομικά βιώσιμους τρόπους, ανάλογα με το μέγεθος της παραγόμενης ενέργειας. Οι ηλεκτρικοί συσσωρευτές (μπαταρίες) είναι η πλέον γνωστή και διαδεδομένη μέθοδος αποθήκευσης Η/Ε, η οποία χρησιμοποιείται για μικρής κλίμακας παραγωγικές μη διασυνδεδεμένες στο κεντρικό δίκτυο μονάδες. Η άντληση ύδατος με χρήση Η/Ε παραγόμενης από Α/Γ και η ταμίευσή του σε τεχνητές λίμνες κατασκευασμένες σε υψόμετρο το οποίο είναι ικανό να τροφοδοτήσει υδροηλεκτρικό σταθμό, είναι η μέθοδος αποθήκευσης που χρησιμοποιείται όταν η παραγόμενη Η/Ε είναι μεγάλη.

Σελίδα 6 Οι ανεμογεννήτριες μπορεί να προκαλέσουν τραυματισμούς ή θανατώσεις πουλιών, κυρίως αποδημητικών γιατί τα ενδημικά «συνηθίζουν» την παρουσία των μηχανών και τις αποφεύγουν. Γι αυτό καλύτερα να μην κατασκευάζονται αιολικά πάρκα σε δρόμους μετανάστευσης πουλιών. Σε κάθε περίπτωση, πριν τη δημιουργία ενός αιολικού πάρκου ή και οποιασδήποτε εγκατάστασης ΑΠΕ θα πρέπει να έχει προηγηθεί Μελέτη Περιβαλλοντικών Επιπτώσεων (ΜΠΕ). Πάντως η συχνότητα ατυχημάτων πουλιών σε αιολικά πάρκα είναι πολύ μικρότερη αυτής των ατυχημάτων με αυτοκίνητα. Με την εξέλιξη όμως της τεχνολογίας και την αυστηρότερη επιλογή του τόπου εγκατάστασης (π.χ. πλωτές πλατφόρμες σε ανοικτή θάλασσα) το παραπάνω πρόβλημα, αλλά και ο θόρυβος από τη λειτουργία των μηχανών, έχουν σχεδόν λυθεί. Επιπλέον, για τη δημιουργία αιολικών πάρκων θα πρέπει να ληφθεί υπόψη η επιβάρυνση που θα προκληθεί στην τοποθεσία, διότι για να χτιστεί η εγκατάσταση θα πρέπει να κοπούν δέντρα η γενικώς να καταστραφεί μέρος της γης στην οποία θα γίνει το εγχείρημα. Με την εξέλιξη όμως της τεχνολογίας και την αυστηρότερη επιλογή του τόπου εγκατάστασης (π.χ. πλωτές πλατφόρμες σε ανοικτή θάλασσα) το παραπάνω πρόβλημα, αλλά και ο θόρυβος από τη λειτουργία των μηχανών, έχουν σχεδόν λυθεί. 1.1.4 Αιολικά πάρκα και τεχνολογία Η σημερινή τεχνολογία βασίζεται σε ανεμογεννήτριες οριζοντίου άξονα 2 ή 3 πτερυγίων, με αποδιδόμενη ηλεκτρική ισχύ 200 400kW. Όταν εντοπιστεί μια ανεμώδης περιοχή και εφόσον βέβαια έχουν προηγηθεί οι απαραίτητες μετρήσεις και μελέτες για την αξιοποίηση του αιολικού της δυναμικού τοποθετούνται μερικές δεκάδες ανεμογεννήτριες, οι οποίες απαρτίζουν ένα «αιολικό πάρκο». Η εγκατάσταση κάθε ανεμογεννήτριας διαρκεί 1-3 μέρες. Αρχικά ανυψώνεται ο πύργος και τοποθετείται τμηματικά πάνω στα θεμέλια. Μετά ανυψώνεται η άτρακτος στην κορυφή του πύργου. Στη βάση του πύργου συναρμολογείται ο ρότορας ή δρομέας (οριζοντίου άξονα, πάνω στον οποίο είναι προσαρτημένα τα πτερύγια), ο οποίος αποτελεί το κινητό μέρος της ανεμογεννήτριας. Η άτρακτος περιλαμβάνει το σύστημα μετατροπής της μηχανικής ενέργειας σε ηλεκτρική. Στη συνέχεια ο ρότορας ανυψώνεται και συνδέεται στην άτρακτο. Τέλος, γίνονται οι απαραίτητες ηλεκτρικές συνδέσεις. Τα πρώτα δείγματα ηλεκτροπαραγωγής από αιολική ενέργεια εμφανίστηκαν στις αρχές του 20 ου αιώνα, όμως από το 1980 και μετά η τεχνολογία άρχισε να εξελίσσεται σε τέτοιο βαθμό που να μπορεί να υποστηρίζει ηλεκτροπαραγωγή σε υψηλή κλίμακα. Μέχρι το 2013 ο μέσος ετήσιος ρυθμός ανάπτυξης της αιολικής ενέργειας την τελευταία δεκαετία ήταν περίπου 20%, με 318105 MW εγκατεστημένη ισχύ στο τέλος του 2013 και 12,5% αύξηση από το 2012.

Σελίδα 7 Σχ. 1.1: Παγκόσμια ετήσια νέα εγκατεστημένη ισχύς αιολικής ενέργειας 1996-2013 Πηγή: Global Wind Energy Council, 2013 Σχ. 1.2: Παγκόσμια αθροιστικά εγκατεστημένη ισχύς αιολικής ενέργειας 1996-2013 Πηγή: Global Wind Energy Council, 2013 Ο τρόπος με τον οποίο η αιολική ενέργεια μετατρέπεται σε ηλεκτρισμό είναι η ανεμογεννήτρια. Υπάρχουν δύο τύποι ανεμογεννητριών, οριζόντιου και κάθετου άξονα, με αυτές του οριζόντιου άξονα να είναι οι πιο διαδεδομένες αυτή τη στιγμή στον κόσμο. Η ονομαστική ισχύς μίας ανεμογεννήτριας έχει εύρος από μερικές δεκάδες Watt μέχρι 5-7.5 MW σήμερα, ανάλογα με το μέγεθος και τα τεχνικά χαρακτηριστικά κάθε συσκευής. Κάθε ανεμογεννήτρια έχει μια χαρακτηριστική καμπύλη ταχύτητας- ισχύος (power curve) που φανερώνει τη σχέση μεταξύ της παραγόμενης ενέργειας και της ταχύτητας του ανέμου για κάθε τύπο ανεμογεννήτριας. Η καμπύλη αυτή εξαρτάται από διάφορες ιδιότητες της ανεμογεννήτριας όπως η επιφάνεια σάρωσης της φτερωτής, η αεροδυναμική και οι αποδόσεις των κιβωτίων ταχυτήτων και της μηχανής. 1.1.5 Η αιολική Ενέργεια στην Ελλάδα Στην Ελλάδα, η ανάπτυξη της αιολικής ενέργειας, αντιμετωπίζει μέχρι τώρα αρκετά προβλήματα, τα οποία έχουν ενταθεί λόγω της παγκόσμιας και εγχώριας οικονομικής κρίσης. Παρά τη σημαντική αύξηση της εγκατεστημένης ισχύος τα προηγούμενα χρόνια, είναι κοινά αποδεκτό ότι αυτή η αύξηση είναι πολύ μικρή δεδομένου του πλούσιου αιολικού δυναμικού της χώρας μας. Περισσότερα στατιστικά για την

Σελίδα 8 αιολική ενέργεια στην Ελλάδα το 2013 από την Ελληνική Επιστημονική Ένωση Αιολικής Ενέργειας (ΕΛΕΤΑΕΝ), είναι διαθέσιμα εδώ. Σχ. 1.3: Εγκατεστημένη ισχύς (MW) αιολικής ενέργειας στην Ελλάδα 1987-2013 Σχ. 1.4: Εγκατεστημένη ισχύς (ΜW) αιολικής ενέργειας ανά περιφέρεια. Κύριος λόγος για τη μικρή ανάπτυξη μέχρι το 2001 ήταν το νομοθετικό καθεστώς και το μονοπωλιακό μοντέλο της οικονομίας στην παραγωγή ηλεκτρικής ενέργειας. Μετά τις νομοθετικές αλλαγές στο χώρο των ΑΠΕ και την απελευθέρωση της αγοράς ηλεκτρικής ενέργειας, η κατάσταση βελτιώθηκε σημαντικά. Η Ελλάδα εφαρμόζει το σύστημα feed- in και η νομοθεσία προσφέρει επιπλέον αρκετά ικανοποιητικά κίνητρα για τους επενδυτές. Αυτό έχει ως αποτέλεσμα το αυξημένο ενδιαφέρον των επενδυτών για ανάπτυξη πολλών MW αιολικής ενέργειας (μεταξύ των οποίων και η Eunice Energy Group). Όμως το επενδυτικό ενδιαφέρον είναι φανερό ότι δεν είναι αρκετό. Χαρακτηριστικά, ο στόχος της χώρας μας για το 2010 ως προς την

Σελίδα 9 ηλεκτροπαραγωγή από αιολική ενέργεια ήταν η εγκατεστημένη ισχύς να φτάσει περίπου τα 3500MW ενώ στο τέλος του 2010 η πραγματικά εγκατεστημένη ισχύς ανήλθε μόλις στα 1320 MW. Είναι φανερό ότι σε μια χώρα για την οποία υπάρχει στόχος και καλή θέληση ενώ και οι επενδυτικές προτάσεις δεν είναι λίγες, η ανάπτυξη των αιολικών πάρκων καθυστερεί σημαντικά, με αποτέλεσμα, ο στόχος να έχει πλέον μετατεθεί για το 2020 με εγκατεστημένη ισχύ που θα πρέπει να φτάσει περίπου τα 7500 MW. Οι προβλέψεις μέχρι τώρα δεν είναι ευοίωνες, οι καθυστερήσεις στην έκδοση αδειών παραγωγής και εγκατάστασης είναι σημαντικές και οι προβλέψεις είναι συγκρατημένες. Κύριοι λόγοι για αυτές τις καθυστερήσεις είναι, η, τουλάχιστον μέχρι το 2009, μακροσκελής και περίπλοκη αδειοδοτική διαδικασία, η αδυναμία του δικτύου σε πολλές περιπτώσεις (π.χ. Εύβοια, Κρήτη) να υποστηρίξει επιπλέον εγκατεστημένη ισχύ, οι αντιδράσεις των κατοίκων κυρίως για θέματα οπτικής όχλησης και η έλλειψη χωροταξικού σχεδιασμού. Τα παραπάνω προβλήματα έχουν τεθεί υπό συζήτηση και έχουν καταβληθεί σημαντικές προσπάθειες για την επίλυση τους, όπως η δημιουργία, αρχικά, του νόμου 3468/2006, ο οποίος απλοποίησε κατά ένα μέρος τον τρόπο λήψης άδειας παραγωγής, και, σε δεύτερη φάση, του νόμου 3851/2010 ο οποίος έχει επιταχύνει σημαντικά την αδειοδοτική διαδικασία (ιδιαίτερα στο τμήμα της περιβαλλοντικής αδειοδότησης), χωρίς όμως να λείπουν και σε αυτή την περίπτωση κενά ή αντικρουόμενες αρμοδιότητες μεταξύ κρατικών φορέων. Επίσης, έχουν δρομολογηθεί επεκτάσεις και ενισχύσεις του δικτύου μεταφοράς ρεύματος, ένα έργο το οποίο ενδέχεται να βοηθήσει μακροπρόθεσμα και την αδειοδότηση αλλά και την γρήγορη εισαγωγή των έργων αιολικής ενέργειας στο δίκτυο. Τα προβλήματα των κοινωνικών αντιδράσεων, εφόσον αυτά οφείλονται σε οπτική όχληση από την ύπαρξη των ανεμογεννητριών είναι πάντα δύσκολο να αντιμετωπιστούν, υπό την έννοια ότι το αν σε κάποιον αρέσει ή όχι η όψη μιας ανεμογεννήτριας είναι κάτι το υποκειμενικό. Είναι βέβαιο όμως ότι ένας επενδυτής ο οποίος θα σχεδιάσει και θα τοποθετήσει τις ανεμογεννήτριες, αποφεύγοντας τις υπερβολές και τις μαζικές παρεμβάσεις στο τοπίο μιας περιοχής και με κατανόηση στις ιδιαιτερότητες των τοπικών κοινωνιών, θα αντιμετωπίσει και τα λιγότερα προβλήματα. Το θέμα του χωροταξικού σχεδιασμού οριοθετείται από το Ειδικό Πλαίσιο Χωροταξικού Σχεδιασμού για τις ΑΠΕ το οποίο από τις αρχές του Δεκέμβρη του 2008 βρίσκεται σε εφαρμογή και έχει ενταχθεί στην αδειοδοτική διαδικασία των αιολικών πάρκων. Στο ήδη προβληματικό περιβάλλον που περιγράφηκε για την ανάπτυξη της αιολικής ενέργειας στην Ελλάδα έχει προστεθεί το θέμα της οικονομικής κρίσης στην Ελλάδα, η οποία έχει δημιουργήσει προβλήματα στη χρηματοδότηση των υπό ανάπτυξη έργων, με αποτέλεσμα την καθυστέρηση τους και, σε βάθος χρόνου, τη ματαίωση τους.

Σελίδα 10 1.2 ΣΗΜΑΣΙΑ ΠΡΟΒΛΕΨΗΣ 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 πρόβλεψη της αιολικής παραγωγής σε ένα Σύστημα Ηλεκτρικής Ενέργειας (ΣΗΕ) επηρεάζει την ασφάλεια και τη διαχείρισή του. Βελτίωση της πρόβλεψης σημαίνει αύξηση στην ασφάλεια του συστήματος και στην αποδοτικότητα των επενδύσεων σε Αιολικά Πάρκα (Α/Π). Η πρόβλεψη ανεμολογικών και μετεωρολογικών δεδομένων γινόταν ανέκαθεν για διάφορες εφαρμογές (αεροπλοΐα, ναυσιπλοΐα, γεωργία κλπ.). Εδώ και δυο περίπου δεκαετίες με την ευρεία χρήση των Α/Π σε μικρά και μεγάλα ΣΗΕ αυξήθηκε το ενδιαφέρον για την πρόβλεψη ανέμου. Εκείνο που ενδιαφέρει σε αυτή την περίπτωση είναι όχι μόνο το άνυσμα της ταχύτητας (μέτρο, κατεύθυνση) αλλά κυρίως η αντίστοιχη ηλεκτρική ισχύς που προκύπτει από τις χρονοσειρές ταχύτητας ανέμου με χρήση ενός φίλτρου που εκφράζει τη σχέση ταχύτητας- ισχύος. Οι μέχρι σήμερα εφαρμοσθείσες μέθοδοι, έτσι όπως αναφέρονται στη διεθνή βιβλιογραφία, δεν δίνουν πάντα ικανοποιητικά αποτελέσματα, ορισμένες δε, παραμένουν χωρίς εξέλιξη επί μια δεκαετία. Με τον όρο Βραχυπρόθεσμη καλύπτουμε μια μεγάλη ποικιλία προβλέψεων με χρονικό ορίζοντα 1 λεπτό, 10 λεπτά, μία ή μερικές ώρες μπροστά, όσο δηλ. χρειάζεται για να προσδιοριστεί ή να ενημερωθεί ο προγραμματισμός ενός αιολικού πάρκου και η συνεργασία του με τα άλλα συμβατικά μέσα παραγωγής ηλεκτρικής ενέργειας. Ουσιαστικά πρόκειται για πρόβλεψη της μεταβολής της έντασης των ανέμων στο αμέσως προσεχές διάστημα σε κάποια συγκεκριμένη θέση ή ευρύτερη έκταση. Στη συνέχεια βάσει της προβλεφθείσας ταχύτητας ανέμου σε ένα ή περισσότερα σημεία αναφοράς. μπορεί εύκολα να υπολογιστεί η αντίστοιχη παραγόμενη ισχύς μιας ανεμογεννήτριας ή ενός αιολικού πάρκου. Η πρόβλεψη της ταχύτητας ανέμου μπορεί να βασιστεί: α) στην ανάλυση των ιδιοτήτων της χρονοσειράς των ταχυτήτων, τον εντοπισμό δηλ. συχνοτήτων, περιοδικοτήτων, μεσοπρόθεσμων τάσεων κλπ. Τα ανάλογα μοντέλα

Σελίδα 11 μπορούν να δώσουν αξιόπιστη πρόβλεψη μερικά λεπτά έως και μία ώρα μπροστά, υπό κανονικές συνθήκες β) στη παρακολούθηση και τον έγκαιρο εντοπισμό των επερχόμενων μετώπων με τη χρήση ενός δικτύου μετεωρολογικών σταθμών πέριξ του αιολικού πάρκου. Με τον τρόπο αυτό είναι δυνατό να προβλεφθούν απότομες μεταβολές της ταχύτητας ανέμου σε έκτακτες περιπτώσεις. Στο Σχήμα 1.5. απεικονίζονται οι βασικές κατηγορίες στις οποίες ταξινομούνται τα μοντέλα βραχυπρόθεσμης πρόβλεψης της παραγωγής των αιολικών σταθμών και οι χρονικοί ορίζοντες εφαρμογής τους. 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 Σχ. 1.5 Μοντέλα Πρόβλεψης Ανεμοπαραγωγής Αντίστοιχα η Μακροπρόθεσμη Πρόβλεψη αφορά το διάστημα 0-72 ώρες μπροστά όπου οι στατιστικές ιδιότητες του ανέμου δεν μπορούν να βοηθήσουν. Έτσι βασίζεται συνήθως στις προσεγγιστικές αριθμητικές προβλέψεις καιρού που παρέχουν διάφορες διεθνείς μετεωρολογικές υπηρεσίες. Οι προτεινόμενες αυτές τιμές προσαρμόζονται με κάποιο έξυπνο φίλτρο στα μέτρα του κάθε Αιολικού Πάρκου, γίνεται δηλαδή αναγωγή της ταχύτητας ανέμου στο συγκεκριμένο γεωγραφικό στίγμα και το κατάλληλο υψόμετρο πάνω από το έδαφος και στη συνέχεια υπολογισμός της παραγόμενης ισχύος του Α/Π. Δίνεται ιδιαίτερη έμφαση στη δημιουργία στατιστικών μεθόδων βελτίωσης και διόρθωσης των προβλέψεων.

Σελίδα 12 1.2.1 Πρόβλεψη ΑΠΕ Γενικά Η πρόβλεψη της παραγωγής ηλεκτρικής ενέργειας (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 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 0. 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. 1.2.2 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 0: 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) Βραχυπρόθεσμη πρόβλεψη: Ο χρονικός ορίζοντας εκτείνεται από το όριο της πολύ βραχυπρόθεσμης πρόβλεψης μέχρι 48 ή 72 ώρες. Τα περισσότερα μοντέλα πρόβλεψης αυτής 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. 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),

Σελίδα 13 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 Πολύ Βραχυπρόθεσμη πρόβλεψη (< 9 ώρες) Βραχυπρόθεσμη πρόβλεψη (< 72 ώρες) Μεσοπρόθεσμη πρόβλεψη (< 7 ημέρες) Εταιρείες Παραγωγής ΗΕ Συμμετοχή: Ενδοημερήσια Αγορά ΗΕ Αγορά ΗΕ Πραγματικού Χρόνου Συμμετοχή στην Αγορά ΗΕ της επόμενης ημέρας Προγραμματισμός συντήρησης μονάδων ΑΠΕ Συντονισμός παραγωγής μονάδων ΑΠΕ και μονάδων αποθήκευσης Προγραμματισμός συντήρησης: Μονάδων ΑΠΕ Συμβατικών μονάδων παραγωγής Διαχειριστής Συστήματος Προσδιορισμός: Επικουρικών Υπηρεσιών Ένταξης Μονάδων Παραγωγής Οικονομικής Κατανομής Φορτίου Διαχείριση συμφόρησης δικτύου Προσδιορισμός: Ένταξης Μονάδων Οικονομικής Κατανομής Φορτίου Επικουρικών Υπηρεσιών για την επόμενη ημέρα Διαχείριση συμφόρησης δικτύου Προγραμματισμός συντήρησης γραμμών μεταφοράς Προγραμματισμός συντήρησης γραμμών μεταφοράς Πίνακας 1.2. Χρονικοί Ορίζοντες Πρόβλεψης Παραγωγής ΑΠΕ 1.3 ΜΟΝΤΕΛΑ ΑΝΑΦΟΡΑΣ 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). 1.3.1 Μοντέλο Παραμένουσας Τιμής Ο απλούστερος τρόπος πρόβλεψης της παραγωγής μίας μονάδας ΑΠΕ είναι η χρήση του μοντέλου της παραμένουσας τιμής (persistence model).

Σελίδα 14 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. 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. 1.3.2 Νέο Μοντέλο Αναφοράς Σύμφωνα με τους Nielsen et al.[55], 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 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 kt ak pt (1 ak) p p όπου t είναι η πιο πρόσφατη διαθέσιμη μέτρηση, p 1 N t p p διαθέσιμων μετρήσεων, N t 1 ο συντελεστής συσχέτισης μεταξύ t είναι ο μέσος όρος των a (N είναι ο αριθμός των μετρήσεων), και k είναι p 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.. Ωστόσο, για χρονικούς ορίζοντες πρόβλεψης που είναι μεγαλύτεροι από 3 ώρες, το νέο μοντέλο αναφοράς θα πρέπει να προτιμάται αντί του μοντέλου της παραμένουσας τιμής. 1.4 Μοντέλα πρόβλεψης της παραγωγής από ΑΠΕ Τα μοντέλα πρόβλεψης της παραγωγής από ΑΠΕ, τα οποία μπορούν να παρέχουν ακριβείς προβλέψεις, διαχωρίζονται σε δύο βασικές κατηγορίες:

Σελίδα 15 (α) τα φυσικά και (β) τα στατιστικά μοντέλα. (γ) Ο συνδυασμός τους οδηγεί στη δημιουργία μίας τρίτης κατηγορίας, αυτής του υβριδικού μοντέλου που χρησιμοποιείται τακτικά. Τα φυσικά μοντέλα εστιάζουν την προσπάθειά τους στην ακριβή εκτίμηση της ταχύτητας του ανέμου στο σημείο κάθε Α/Γ, χρησιμοποιώντας αριθμητικές προβλέψεις καιρού (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. 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 σε ηλεκτρική ισχύ μέσω τυπικών χαρακτηριστικών καμπυλών. Τέλος, μειώνουν το προκύπτον σφάλμα της πρόβλεψης με τη βοήθεια στατιστικών μεθόδων, που ονομάζονται στατιστικές τεχνικές της εξόδου του μοντέλου ή εν συντομία MOS (Model Output Statistics). Σχ. 1.6 Κύρια βήματα της Φυσικής Προσέγγισης Αντίθετα, τα στατιστικά μοντέλα χρησιμοποιούν κατευθείαν τις αριθμητικές προβλέψεις καιρού, για να μοντελοποιήσουν τις σχέσεις τους με τη χρονοσειρά της

Σελίδα 16 αιολικής παραγωγής, χωρίς καμία ανάλυση των φυσικών φαινομένων, με άμεση μετατροπή των μεταβλητών εισόδου σε ηλεκτρική ισχύ. Αυτό γίνεται με χρήση μοντέλων που λειτουργούν ως "μαύρα κουτιά", όπως είναι τα μοντέλα αυτοπαλινδρόμησης, τα νευρωνικά δίκτυα (ΝΔ), κ.α. Σχ. 1.7 Κύρια βήματα της Στατιστικής Προσέγγισης 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. Γενικά, η χρήση των αριθμητικών προβλέψεων καιρού αποτελούν προϋπόθεση για τον σχεδιασμό των μοντέλων πρόβλεψης της αιολικής ισχύος, ανεξαρτήτως της προσέγγισης που ακολουθούν, έτσι ώστε να μπορούν να εφαρμοστούν για χρονικούς ορίζοντες μεγαλύτερους των έξι ωρών. Παρόλ αυτά, η απόδοση των στατιστικών μοντέλων είναι πάντα καλύτερη από αυτή των φυσικών μοντέλων, τις πρώτες ώρες του ορίζοντα πρόβλεψης. Αυτό οφείλεται στο γεγονός ότι τα φυσικά μοντέλα στηρίζονται κυρίως, στην πληροφορία που παρέχεται από τα μοντέλα των αριθμητικών προβλέψεων καιρού και δεν λαμβάνουν υπόψη τη χρονοσειρά της αιολικής ισχύος. Το γεγονός αυτό τους παρέχει τη δυνατότητα να δώσουν προβλέψεις από την πρώτη μέρα της εγκατάστασης ενός καινούριου αιολικού πάρκου, όταν η χρονοσειρά της ισχύος δεν είναι διαθέσιμη. Συνδυαστική προσέγγιση Οι πρόσφατες εξελίξεις στα συστήματα πρόβλεψης αιολικής ισχύος αφορούν μια συνδυαστική εκδοχή των δύο προσεγγίσεων, τα φυσικά και μαθηματικά μοντέλα. Το υβριδικό αυτό μοντέλο ωφελείται, από τη μία, από την υψηλή ακρίβεια των μοντέλων των χρονοσειρών σε βραχυπρόθεσμους ορίζοντες και, από την άλλη, από την ακρίβεια των φυσικών μοντέλων σε χρονικούς ορίζοντες από 6 μέχρι 72 ώρες. Το φυσικό μοντέλο επιτρέπει, επίσης, την αύξηση της χωρικής ανάλυσης των αριθμητικών προβλέψεων καιρού, λαμβάνοντας υπ όψιν τα χαρακτηριστικά της περιοχής και παράγοντας προβλέψεις χωρίς την χρήση των μετρήσεων SCADA.

Σελίδα 17 ύο τύποι συνδυασμού μπορούν να χρησιμοποιηθούν για το υβριδικό μοντέλο: α. Ένας συνδυασμός φυσικών και στατιστικών προσεγγίσεων (π.χ. Zephyr μοντέλο) ή β. Ένας συνδυασμός μοντέλων για την βραχυπρόθεσμη πρόβλεψη (0-6 ώρες) και ένας συνδυασμός για την μακροπρόθεσμη (0-48 ώρες). Σχ. 1.8 Βασικά βήματα της συνδυαστικής προσέγγισης. Ο συνδυασμός επιτυγχάνεται είτε χρησιμοποιώντας τον ορίζοντα σαν κριτήριο, αφού πρώτα έχει επιλεγεί το μοντέλο που ταιριάζει καλύτερα εκτός λειτουργίας σε κάθε ορίζοντα, είτε με μια διαδικασία επιλογής βασιζόμενη στην πρόσφατη απόδοση κάθε μοντέλου ξεχωριστά. Η δομή αυτής της συνδυασμένης προσέγγισης φαίνεται στο παραπάνω σχήμα. [4]

Σελίδα 18 ΚΕΦΑΛΑΙΟ 2: ΠΡΟΒΛΕΨΗ ΑΙΟΛΙΚΗΣ ΠΑΡΑΓΩΓΗΣ 2.1 Εισαγωγή στη σχετική Βιβλιογραφία Η ασφαλής και επωφελής χρήση της αιολικής ενέργειας για την τροφοδοσία ενός συστήματος ηλεκτρικής ενέργειας προϋποθέτει ότι έχουν λυθεί ορισμένα τεχνικά προβλήματα που είναι συνυφασμένα με τη μεταβλητότητα της ταχύτητας του ανέμου. Τα προβλήματα αυτά συνδέονται με την τάση, τη συχνότητα και επομένως με την επιτρεπόμενη διείσδυση αιολικής ισχύος στο δίκτυο, τις δεσμεύσεις μονάδων συμβατικής παραγωγής, την εφεδρεία, την αξιοπιστία και τελικά το κόστος. Όσο ακριβέστερες είναι οι προβλέψεις των ταχυτήτων ανέμου τόσο μεγαλύτερη μπορεί να είναι η διείσδυση ενέργειας και χαμηλότερο το κόστος όπως αυτά θα εξηγηθούν παρακάτω. Στην περίπτωση όπου δεν υπάρχει πρόβλεψη πχ. για την αμέσως επόμενη ώρα, μπορεί να γίνει ανεκτή στο δίκτυο μια διείσδυση της τάξης μεγέθους 3-4 %. Όταν υπάρχει πρόβλεψη, τα ποσοστά αυτά μπορούν να πολλαπλασιασθούν. Οπωσδήποτε σε ένα εκτεταμένο ή μικρό δίκτυο μεγάλα ποσοστά διείσδυσης αιολικής ισχύος (>5%) θα έπρεπε να ελεγχθούν για να επιτευχθεί λειτουργία με ανεκτά όρια μεταβολής τάσης, συχνότητας, αξιοπιστίας. Αναφέρεται ένα μεγάλο πλήθος προτεινόμενων στρατηγικών πάνω στην αντιμετώπιση αυτού του προβλήματος. Μεγάλος είναι επίσης ο αριθμός των εμπλεκόμενων παραμέτρων καθώς και των επιμέρους περιπτώσεων: Υπάρχουν δίκτυα ισχυρά - διασυνδεδεμένα και δίκτυα ασθενή - αυτόνομα, υβριδικά δίκτυα όπου οι Α/Γ συνεργάζονται με ντιζελογεννήτριες, υδροηλεκτρικούς σταθμούς ή φωτοβολταϊκά στοιχεία. Κατά περίπτωση προτείνεται η ένταξη των μονάδων να μη μένει στάσιμη βάσει ενός προγραμματισμού πχ. 24 ωρών, αλλά να ενημερώνεται και να επαναπροσδιορίζεται κάθε 15 λεπτά ή και κάθε 1 λεπτό λόγω της ύπαρξης των Α/Γ. Τα προβλήματα οικονομικής βελτιστοποίησης (ελαχιστοποίηση συνολικού κόστους λειτουργίας) επιλύονται με χρήση τεχνικών δυναμικού προγραμματισμού. Ιδιαίτερη έμφαση δίνεται στις εφεδρείες του δικτύου (στιγμιαία, γρήγορη, αργή εφεδρεία), ενώ οι περιορισμοί της εγκατεστημένης ισχύος του αιολικού πάρκου λαμβάνονται υπόψη και σαν σχεδιαστική αλλά και σαν λειτουργική παράμετρος. Σε κάθε περίπτωση η διαδικασία κεντρικού ελέγχου ενός αιολικού πάρκου συνοψίζεται ως εξής: α) πρόβλεψη φορτίου (σε 24ωρη ή ωριαία βάση) β) πρόβλεψη ταχυτήτων ανέμου (ή επαναπροσδιορισμός της) ανά 1 λεπτό, 15 λεπτά και 1 ώρα γ) Ανάληψη κατάλληλης δράσης βάσει σχεδίου. Οποιοδήποτε σχέδιο δράσης περιλαμβάνει κάποιο, έστω απλοϊκό, μοντέλο πρόβλεψης ανέμων, λαμβάνει δε υπόψη την αβεβαιότητα (σφάλμα) αυτού του μοντέλου και τα προβλήματα που πιθανώς θα ανακύψουν εξαιτίας της. Η βραχυπρόθεσμη πρόβλεψη ταχυτήτων ανέμου αντλεί το υλικό της από μεγάλη ποικιλία επιστημονικών εργασιών οι οποίες δύναται να ταξινομηθούν ως εξής:

Σελίδα 19 2.2 Στατιστική ανάλυση της χρονοσειράς των ταχυτήτων ανέμου. Οι πρώτες απόπειρες προσομοίωσης βασίζονται στα πολύ γνωστά από τη δεκαετία του 70 μοντέλα Box - Jenkins. Τα μοντέλα αυτά διακρίνονται σε: α) Μοντέλα αυτοπαλινδρόμησης (AR(p)) όπου η παρούσα τιμή x(i) εκφράζεται σαν γραμμικός συνδυασμός των p πιο πρόσφατων τιμών x(i-1) ως x(i-p). Το απλούστερο αυτών των μοντέλων x(i) = x(i-1) συνιστά την λεγόμενη παραμένουσα πρόβλεψη (persistent) η οποία είναι απλοϊκή μεν, αλλά όχι ευκαταφρόνητη ως προς την αποτελεσματικότητά της. Στην συνέχεια το σφάλμα που προκύπτει από αυτή τη μέθοδο (παραμένον σφάλμα) θα χρησιμοποιείται ως μέτρο σύγκρισης για την αποδοτικότητα κάθε προτεινόμενου μοντέλου πρόβλεψης. β) Μοντέλα κινούμενου μέσου όρου (MA(q)) όπου η παρούσα τιμή x(i) εκφράζεται σαν γραμμικός συνδυασμός των q πιο πρόσφατων σφαλμάτων e(i-1) ως e(i-q). γ) Μικτά μοντέλα ARMA(p,q) που αποτελούν συνδυασμό των 2 προηγουμένων. δ) Μοντέλα ARIMA(p,d,q) τα οποία είναι όμοια με τα ARMA, δεν αναφέρονται όμως στην αρχική χρονοσειρά αλλά στην d τάξης παράγωγό της. 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. Αρκετά μοντέλα της παρούσας κατηγορίας βασίζονται στη θεμελιώδη προσέγγιση της ανάλυσης χρονοσειρών, όπως προτάθηκε αρχικά από τους Box και Jenkin [5], κάνοντας χρήση μοντέλων αυτοπαλινδρόμησης, κινητού μέσου όρου ή μεικτών μοντέλων (AR, MA, ARMA, ARIMA). Η μεθοδολογία των Box - Jenkins στοχεύει στην αναγνώριση εκείνου του θεωρητικού μοντέλου που περιγράφει καλύτερα (δηλ. με το μικρότερο σφάλμα) την πραγματική χρονοσειρά. Ειδικά, σε μια διαδικασία πρόβλεψης, στόχος είναι η επιλογή του μοντέλου εκείνου που θα δώσει τα ελάχιστα σφάλματα όχι μόνο στην διαδικασία προσομοίωσης γνωστών δεδομένων αλλά κυρίως στην μετέπειτα εφαρμογή του στην πράξη επί νέων αγνώστων δεδομένων. Ως συνηθέστερα χαρακτηριστικά της χρονοσειράς ταχυτήτων ανέμου αναφέρονται η μη στασιμότητά της (δηλ. η έντονη μεταβολή του μέσου όρου από μέρα σε μέρα) και η μη συμμετρική κατανομή των τιμών της. Κατά περίπτωση εντοπίζεται η επίδραση του ημερησίου κύκλου ως ίχνος 24ωρης περιοδικότητας, ιδίως τους καλοκαιρινούς μήνες. Διάφοροι ερευνητές έχουν κατά καιρούς προτείνει διάφορα μοντέλα αναφερόμενοι σε χρονοσειρές με δείγματα ωριαία έως και δείγματα του ενός λεπτού. Τα πιο ενδιαφέροντα εξ αυτών παρουσιάζονται παρακάτω. Ο Desrochers [6] χρησιμοποιεί δεδομένα ώρας που καλύπτουν διάστημα ενός έτους. Εξετάζει διάφορα μοντέλα και επιλέγει το πιο ταιριαστό για κάθε μήνα. Τα μοντέλα ARMA (2, 1), ARMA (1, 2) και ARMA (3, 1) προτείνονται ως τα καταλληλότερα.

Σελίδα 20 Όταν το μοντέλο εφαρμόζεται επί της αρχικής χρονοσειράς οι ΜΑ όροι αναλαμβάνουν ρόλο διόρθωσης σφάλματος. Προσαρμόζουν δηλ. το υπάρχον μοντέλο στις ιδιαιτερότητες των πιο πρόσφατων δεδομένων και προλαμβάνουν φαινόμενα όπως εμμονή και πόλωση του σφάλματος επί διαδοχικών προβλέψεων. Ένα μοναδικό AR μοντέλο συνήθως αδυνατεί να περιγράψει αξιόπιστα μια χρονοσειρά με μεγάλη ποικιλία τιμών, μη στάσιμη και μη συμμετρική ως προς την κατανομή της. Για αυτό το λόγο οι παρακάτω ερευνητές μετασχηματίζουν την αρχική χρονοσειρά ώστε να αποβάλλουν τα ανεπιθύμητα χαρακτηριστικά της, εφαρμόζουν το μοντέλο επί της μετασχηματισμένης χρονοσειράς και στο τέλος αναγάγουν τις προβλέψεις στην αρχική μορφή της χρονοσειράς. Ο Daniel [7] ασχολείται με ωριαία δεδομένα επίσης. Υψώνει τις αρχικές τιμές σε κάποια δύναμη μεταξύ 0.6 και 1 μετατρέποντας έτσι την κατανομή τους σε συμμετρική, σχεδόν κανονική. Η μη στασιμότητα αποβάλλεται αφαιρώντας την μέση τιμή και διαιρώντας με την τυπική απόκλιση, όπως αυτές προέκυψαν χωριστά για κάθε μια από τις 24 ώρες της ημέρας. Η ίδια διαδικασία ακολουθείται για τρεις διαφορετικούς μήνες (Ιούνιο, Ιούλιο και Αύγουστο) και καταλήγει στο μοντέλο AR(2). Ο Hu [8] αντίστοιχα παίρνει την τετραγωνική ρίζα των αρχικών τιμών έτσι ώστε η κατανομή των νέων δεδομένων να πλησιάζει την κανονική κατανομή. Λόγω μη στασιμότητας χρησιμοποιεί διαφορισμένα μοντέλα (ARI). Χρησιμοποιεί κριτήρια που συνεκτιμούν την ανάγκη ελαχιστοποίησης του σφάλματος αλλά και την ανάγκη χρήσης φειδωλών μοντέλων. Ως συμβιβαστική λύση προτείνεται το μοντέλο ARI(4,1), τόσο για την χρονοσειρά της μίας ώρας, όσο και γι αυτήν του ενός λεπτού. Κατάδηλη είναι και η αδυναμία αυτών των μοντέλων για πρόβλεψη με χρονικό ορίζοντα πέραν της μίας ώρας. Η φειδώ σε ένα μοντέλο (δηλαδή ο μικρός αριθμός παραμέτρων) θεωρείται ότι προσδίδει αξιοπιστία και δυνατότητα γενίκευσης στο μοντέλο, εγγυάται δηλαδή ένα σφάλμα πρόβλεψης ανάλογο ποιοτικά με το σφάλμα προσομοίωσης. Οι αρχικές παράμετροι του μοντέλου μπορούν να επιλεχθούν τυχαία ή με τη βοήθεια κάποιων κριτηρίων. (Για παράδειγμα οι εξισώσεις Yule-Walker εξάγουν αρχικές τιμές παραμέτρων βασιζόμενες στους συντελεστές μερικής αυτοσυσχέτισης της χρονοσειράς). Στη συνέχεια οι παράμετροι βελτιώνονται βαθμιαία στην κατεύθυνση ελαχιστοποίησης του σφάλματος με την χρήση κάποιας μεθόδου κλίσης. Οι μέθοδοι αυτές γίνονται περισσότερο πολύπλοκες στην περίπτωση μοντέλων ARMA. Ως μειονέκτημά τους παραδοσιακά αναφέρεται η παγίδευσή τους σε τοπικά ελάχιστα και γενικά η οδήγηση τους σε τελικές τιμές ριζικά εξαρτώμενες από την επιλογή των αρχικών. Έτσι προτιμούνται μεταγενέστερα μοντέλα όπως τα φίλτρα Kalman όπου στην περίπτωση γραμμικών εξισώσεων, εντοπίζεται αμέσως το ολικό ελάχιστο με την μέθοδο ελαχίστων τετραγώνων. Μία προσπάθεια για μοντελοποίηση της αβεβαιότητας της πρόβλεψης ταχυτήτων ανέμου και ανεμοπαραγωγής σε μία ή περισσότερες τοποθεσίες, παρουσιάζεται στις εργασίες του Sοder [9]. Η χρήση μοντέλων παλινδρόμησης με αυξημένο θόρυβο (ARWIN και MARWIN) για πρόβλεψη μέχρι και 30 ή 50 ώρες μπροστά υπαινίσσεται πως καθώς ο χρονικός ορίζοντας πρόβλεψης Τ μεγαλώνει, το αντίστοιχο σφάλμα αποκτά πέραν της στοχαστικής και μια συστηματική συνιστώσα με εύρος ανάλογο του T. Με βάση αυτές τις προβλέψεις μπορεί να γίνει η προσομοίωση της

Σελίδα 21 ημερήσιας λειτουργίας ενός συστήματος παραγωγής και η εκτίμηση του κόστους διείσδυσης της αιολικής ενέργειας σε αυτό. Αντίστοιχα, ο Jensen [10], στην προσπάθεια του να προβλέψει την συνολική ανεμοπαραγωγή σε 10 διεσπαρμένα αιολικά πάρκα στη Δανία για διάστημα 12 έως 36 ωρών προτείνει ένα μοντέλο το οποίο συσχετίζει την ταχύτητα του ανέμου με την ανεμοπαραγωγή εισάγοντας ταυτόχρονα και μια περιοδικότητα. Στο μοντέλο αυτό γίνεται επίσης και ένας μετασχηματισμός λαμβάνοντας την τετραγωνική ρίζα των αρχικών τιμών έτσι ώστε η κατανομή των νέων δεδομένων να πλησιάζει την κανονική κατανομή. Και στις δύο περιπτώσεις το λογικότερο θα ήταν να γίνει εκμετάλλευση και των αντίστοιχων μακροπρόθεσμων προβλέψεων της Μετεωρολογικής Υπηρεσίας. Ενδιαφέρον παρουσιάζουν και οι εργασίες επί της συνθετικής παραγωγής χρονοσειρών ταχυτήτων ανέμου (Κουργιτάκος [11], Μπαλουκτσής [12], κλπ) όπου βέβαια εξετάζεται η φύση των ανέμων. Ο Κουργιτάκος παρουσιάζει μία μέθοδο για την παραγωγή ωριαίων τιμών ταχυτήτων ανέμου χρησιμοποιώντας τη μέση τιμή, τη διασπορά και την αυτοσυσχέτιση ωριαίων τιμών ταχυτήτων ανέμου σε κάποια τοποθεσία. Μία παρόμοια διαδικασία χρησιμοποιείται για την παραγωγή χρονοσειρών της ισχύος εξόδου από διάσπαρτες Α/Γ. Η πιστοποίηση των αποτελεσμάτων όμως, αναφέρεται ότι ήταν περιορισμένη. Ο Μπαλουκτσής χρησιμοποιεί σαν δεδομένα τη μέση τιμή και τυπική απόκλιση των ταχυτήτων ανέμου ανά μήνα, για την παραγωγή ημερήσιων τιμών ταχυτήτων ανέμου, με τη βοήθεια ενός πίνακα μετάβασης Markov 1ης τάξεως. Για την παραγωγή ωριαίων τιμών, χρησιμοποιεί επιπλέον σαν δεδομένα τη μέση τυπική απόκλιση των ωριαίων τιμών ανά μήνα και ένα μη εποχικό μοντέλο AR(2). Ο Beyer [13] ισχυρίζεται ότι μπορεί να συνθέσει χρονοσειρές ωριαίων τιμών βασιζόμενος στο λεγόμενο ανεμολογικό «αποτύπωμα» μιας θέσης όπως τη δίνει ο Ευρωπαϊκός Άτλαντας Ανέμου και το σύστημα WASP. Αυτό περιλαμβάνει το μέσο ημερήσιο προφίλ για κάθε μήνα (ντετερμινιστική συνιστώσα) και τη φασματική πυκνότητα ισχύος των αποκλίσεων που αποδίδει την στοχαστική συνιστώσα. Οι παραγόμενες χρονοσειρές διορθώνονται ώστε τα δεδομένα για κάθε ώρα της ημέρας να παρουσιάζουν κατανομή Weibul. Άλλες αντίστοιχες προσπάθειες που βασίζονται στην ανάλυση του ανέμου στο πεδίο της συχνότητας δεν αποδεικνύονται ιδιαίτερα γόνιμες [14]. Οι Torres et al. [15] 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.

Σελίδα 22 Σχ. 2.1. Μέσο τετραγωνικό (RMSE) και Μέσο απόλυτο σφάλμα (MABE) για ARMA και persistent, σε έναν από τους 5 σταθμούς (Τρινιντάντ) για τον μήνα Ιούλιο και πρόβλεψη από 1 έως 10 ώρες. 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, δεν εντοπίστηκαν σημαντικές διαφορές στη συμπεριφορά των μοντέλων για τις πέντε περιοχές λόγω της μορφολογίας του εδάφους (ορεινές ή πεδινές περιοχές). Σχ. 2.2. Ποσοστιαία βελτίωση του Μέσου Τετραγωνικού Σφάλματος (RMSE) (μέσος όρος όλων των μηνών) πρόβλεψης με τη χρήση του μοντέλου ARMA, σε σχέση με το μοντέλο της persistent. Παρόμοια μοντέλα χρονοσειρών εφάρμοσαν και οι Milligan et al. [16] 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,

Σελίδα 23 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, 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. Σχ. 2.3. Λόγος Σφάλματος μεταξύ Παραμένουσας και ARMA Σχ. 2.4. Παράδειγμα πρόβλεψης για 2ώρες μπροστά

Σελίδα 24 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 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. Σχ. 2.5. Παράδειγμα πρόβλεψης για 10 λεπτά μπροστά Σχ. 2.6. Λόγος Σφάλματος μεταξύ Παραμένουσας και ARMA

Σελίδα 25 Οι Kavasseri et al. [17] 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 Kusiak et al. 0 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. Πίνακας 2.1. Στατιστικά Σφάλματα διαφορετικών μοντέλων