Mašīnmācīšanās algoritmi saules enerģijas ražošanas prognozēšanai

Abstract

Šajā darbā ir izmantoti neironu tīklu modeļi saules enerģijas ražošanas prognozēšanai, izmantojot meteoroloģiskos datus. Pieaugot interesei par tādiem atjaunojamiem enerģijas avotiem kā saules enerģija, tīkla operatoriem un elektroenerģijas tirgotājiem kļuva svarīgi prast efektīvi prognozēt enerģijas ražošanu dažādos laika periodos. Izmantojot precīzas saules enerģijas prognozes, tīkla operatori var efektīvi saskaņot piedāvājumu un pieprasījumu tirgū, plānot apkalpošanas termiņus un paļauties uz videi draudzīgām enerģijas rezervēm. Tās palīdz arī elektroenerģijas tirgotājiem pieņemt pamatotākus un savlaicīgākus lēmumus. Šajā darbā ir izmantota regresija un mašīnmācīšanās algoritmi, lai noskaidrotu labākos parametrus un modeli saules enerģijas ražošanas prognozēšanai diviem saules enerģijas parkiem Latvijā uz vienu stundu uz priekšu. Autors novērtēšanai izmantoja vairākus statistiskos modeļus, tostarp GRU, kuram iepriekšējos pētījumos netika pievērsta pietiekama uzmanība, kā arī LSTM, kas iepriekšējos pētījumos uzrādīja labus rezultātus. Darba praktiskajā daļā autors noskaidroja labākos meteoroloģiskos parametrus un modeli, koriģēja tā hiperparametrus, kas palīdzēja sasniegt 0.87 R kvadrāts vērtību abiem saules enerģijas parkiem, izmantojot LSTM modeli uz testa datu kopas.

In this thesis, neural networks models have been implemented for solar power production prediction using meteorological data. With the increase in interest for such renewable energy sources as solar, it became important for grid operators and electricity traders to be able to efficiently forecast energy production on different horizons. With the precise solar energy forecasts grid operators can effectively match supply and demand on the market, schedule maintenance times and be able to rely on environmentally friendly energy reserves. Also they help electricity traders to make more informed and timely decisions. In this thesis, regressions and machine learning algorithms have been used to find out the best parameters and model for prediction solar energy production of two solar parks in Latvia one hour ahead. The author has used multiple statistical models for evaluation, among them GRU which was not given enough attention in the previous studies as well as LSTM, which showed decent results in previous studies. In the practical part of the work, the author found out the best meteorological parameters and the model, adjusted its hyperparameters which helped to achieve an 0.87 r squared value for both solar parks using the LSTM model on the test dataset.