FenixEdu™

Dissertação

{en_GB=Wind Generation Forecast from the perspective of a DSO} {} EVALUATED

Detalhes: {pt=O constante crescimento no investimento por parte das empresas do sector energético nas energias renováveis tem originado alguns problemas na integração destas na rede elétrica. Mais precisamente na geração eólica, uma vez que o vento tem uma elevada volatilidade e que a energia produzida a partir dele não pode ser armazenada em larga escala devido aos elevados custos, é importante ter a capacidade de prever a geração eólica com precisão. Isto permite conhecer antecipadamente uma estimativa precisa da energia que será produzida num futuro próximo criando um impacto económico positivo nas Operadoras de Sistemas de Distribuição (DSO). O objetivo deste trabalho é, portanto, realizar previsões da potência eólica gerada com uma hora de intervalo aplicando métodos de inteligência artificial, como a Rede Neuronal Artificial (ANN), o Sistema Adaptativo Neuronal de Inferência Difusa (ANFIS) e a Rede com Base em Função Radial (RBFN), para descobrir qual deles obtém melhor performance. Além disso, o método da persistência é também aplicado, um método simples que é normalmente usado para comparar com outros métodos. As arquiteturas e os algoritmos de treino dos métodos acima mencionados são apresentados. De seguida a arquitetura de cada método é determinada otimizando-as por estação de ano, para depois cada método poder ser treinado e testado com dados da potência eólica gerada de 5 anos (2010–2014). Além disso, para melhorar os resultados de previsão e evitar o problema do overfitting é utilizada uma técnica de validação-cruzada. Por fim, são retiradas conclusões com base na comparação das performances dos métodos., en=The constant investment growth in renewable energies by electric companies has raised a prominent issue about their integration in the electric grid. Particularly in wind power, since the wind has a high volatility and the respective energy produced cannot be stored in a large-scale due to its excessive costs, it is important to be able to forecast wind power generation accurately. This allows to know in advance an accurate estimate of the energy that will be produced for the near future creating a positive economic impact on the Distribution System Operator (DSO). The aim of this thesis is to perform one hour ahead wind power forecasts by applying artificial intelligence methods, such as Artificial Neural Networks (ANN), Adaptive Neural Fuzzy Inference System (ANFIS) and Radial Basis Function Network (RBFN), and then find out which one gives the best performance. The persistence method is also employed since it is a simple method typically used for comparisons purposes. The abovementioned methods, their architectures and the respective learning algorithms are presented. Then, the best architecture of each method is found out by optimizing it by season. Afterwards, the methods are trained and tested using real wind power data from 2010 to 2014. Additionally, to improve the forecast results and avoid the overfitting problem a cross-validation technique is applied. Finally, conclusions are drawn basing on the test results and comparisons of the forecasting performances among the methods and seasons are made.}
Keywords: {pt=Previsão da potência eólica, Redes Neuronais Artificiais, Sist. Neuro Adaptativo Inferência Difusa, Rede com base em função radial, Operador de Sistemas de Distribuição, Validação cruzada, en=Wind Power Forecast, Artificial Neural Network, Adaptive Neural Fuzzy Inference System, Radial Basis Function Network, Distribution System Operator, Cross-validation}

Discussão: junho 12, 2018, 14:0