Schöbel, Theresa / TS (2019) A Spatio-Temporal Approach for Solar Power Prediction using Recurrent Neural Networks. Masters, Carl von Ossietzky Universität Oldenburg.

[img]
Preview


Volltext (3537Kb)

Abstract

In den letzten Jahren hat die Integration von erneuerbaren Energien, wie beispielsweise Strom durch Wind- oder Sonnenenergie, deutlich zugenommen. Dies ist unter anderem auf technologische Entwicklungen zurückzuführen, die gleichermaßen dazu beigetragen haben die Technik kostengünstiger als auch effizienter werden zu lassen. Um den Anteil an Sonnenenergie im Energiemix weiter zu erhöhen und auf diese Weise dafür zu sorgen weniger auf fossile Brennstoffe angewiesen zu sein, ist eine gesteigerte und sichere Integration der erneuerbaren Energien notwenig. Dabei stehen die Betreiber von Energiesystemen vor der Herausforderung die Stromversorgung und Netzstabilität trotz der Volatilität erneuerbarer Energien zu erfüllen. Aus diesem Grund ist es zwingend notwendig, vielversprechende Prognosemethoden für die Vorhersage an zu erwartendem Strom aus Quellen wie Sonne oder Wind stetig weiterzuentwickeln und zu analysieren. Methoden des maschinellen Lernens und künstlicher neuronaler Netzwerke bieten hierbei hohes Potential. Insbesondere Netzwerkarchitekturen wie Long Short- Term Memory (LSTM) Netzwerke, die zu den rekurrenten neuronalen Netzen gehören, tragen im Wesentlichen dazu bei, präzise Vorhersagen von Zeitreihen zu generieren, da sie in der Lage sind, längerfristige Abhängigkeiten sequentieller Daten zu erfassen. Solche Netzwerke wurden bereits genutzt um Windgeschwindigkeiten in einem raum-zeitlichen Verfahren zu prognostizieren. Folglich liegt eine Übertragung auf die Prognose von Solarenergie nahe. Gegenstand der vorliegenden Masterarbeit ist die Entwicklung und Analyse von LSTMs für die kurzfristige Vorhersage von Photovoltaik-Leistung. In einem raum-zeitlichen Ansatz ist PVStrom für eine einzelne Anlage in einen Zeithorizont von bis zu 5 Stunden vorhergesagt worden. Dafür sind Messwerte der Anlage selbst sowie umgebender PV Anlagen herangezogen worden. Eine Persistenzprognose diente als initiale Referenz, die es zu übertreffen galt. Die LSTMArchitektur, der Einfluss durch die Anzahl der benachbarten Systeme und deren Abstand sowie die Fähigkeit der LSTMs mit anderen maschinellen Lernmethoden zu konkurrieren, wurden sukzessive untersucht. Die erzielten Ergebnisse zeigen, dass bereits eine simple, einschichtige LSTM-Architektur in der Lage ist, kurzfristige Prognosen für eine und auch für mehrere PVAnlagen gleichzeitig erzeugen zu können. Der Fehler der Prognosen wurde mit dem Root Mean Square Error (RMSE) bestimmt. In einem Vergleich mit anderen maschinellen Verfahren wie der Support Vector Regression (SVR) konnte gezeigt werden, dass LSTMs der SVR für die Prognose von Solarstrom mehrer Anlagen überlegen ist.

["eprint_fieldname_abstract_plus" not defined]

In recent years, the integration of renewable energy sources like energy from wind power and solar irradiation has significantly increased due to more efficient and affordable techniques. In order to further increase the share of solar energy in the energy mix and thus reduce the reliance on fossil fuels, an extended and secure integration of renewable energies is necessary. The challenge of energy system operators thereby is to meet the requirements of ensured power supply and grid stability by keeping the power production and consumption in balance. Therefore, a development and analysis of most promising forecasting methods becomes inevitable. Deep neural networks and especially recurrent neural networks have shown major contributes to accurately predict time series. Most promising is the use of long short-term memory (LSTM) networks (a type of recurrent neural networks) on this task, because of their ability to capture long-term dependencies in sequential data. Applying those networks for the prediction in a spatio-temporal setup has been done for wind speed predictions so that a transfer to photovoltaic (PV) power forecasts is closely related. This thesis develops and analyses the capability of LSTMs in a spatio-temporal setup for short-term PV power predictions. On the basis of PV measurements, predictions for mainly one PV system are carried out using additional data from neighboring PV systems. The initial reference to assess model performance is a persistence forecast that had to be outperformed. The LSTM architecture, the impact due to the number of neighboring systems as well as the ability of LSTMs to compete with other machine learning methods has been successively explored. The results show that a simple, one layered LSTM architecture is able to make short-term predictions for one PV system as well as more PV systems at the same time. Error values of the forecasts were determined with the root mean square error (RMSE). In a comparison with other machine learning methods like the support vector regression (SVR) it could be shown that LSTMs are superior to SVR for the prognosis of power of several PV plants.

Item Type: Thesis (Masters)
Uncontrolled Keywords: Recurren Neural Networks, Photovoltaic, PV Power Prediction, Long Short-Term Memory Network, Spatio-Temporal Approach, Support Vector Regression
Subjects: Generalities, computers, information > Computer science, internet
Science and mathematics > Mathematics
Divisions: School of Computing Science, Business Administration, Economics and Law > Department of Computing Science
Date Deposited: 25 Oct 2019 09:45
Last Modified: 25 Oct 2019 09:46
URI: https://oops.uni-oldenburg.de/id/eprint/4200
URN: urn:nbn:de:gbv:715-oops-42819
DOI:
Nutzungslizenz:

Actions (login required)

View Item View Item

Document Downloads

More statistics for this item...