Ημερήσια παραγωγή ενέργειας σε μικρά υδροηλεκτρικά έργα: πρόγνωσεις υπό αβεβαιότητα μέσω αποτελεσματικής σύζευξης γνώσης και δεδομένων

K.-K. Drakaki, G.-K. Sakki, I. Tsoukalas, P. Kossieris, and A. Efstratiadis, Day-ahead energy production in small hydropower plants: uncertainty-aware forecasts through effective coupling of knowledge and data, Advances in Geosciences, 56, 155–162, doi:10.5194/adgeo-56-155-2022, 2022.

[Ημερήσια παραγωγή ενέργειας σε μικρά υδροηλεκτρικά έργα: πρόγνωσεις υπό αβεβαιότητα μέσω αποτελεσματικής σύζευξης γνώσης και δεδομένων]

[doc_id=2165]

[Αγγλικά]

Με κίνητρο τις προκλήσεις που αναδύονται από το λεγόμενο Target Model και τις σχετικές αλλαγές στην τρέχουσα δομή της αγοράς ενέργειας, επανεξετάζουμε το πρόβλημα της πρόβλεψης της ενεργειακής παραγωγής της επόμενης ημέρας από Μικρούς Υδροηλεκτρικούς Σταθμούς (ΜΥΗΣ) χωρίς δυνατότητα αποθήκευσης. Χρησιμοποιώντας ως παράδειγμα έναν τυπικό ΜΥΗΣ εκτροπής στη Δυτική Ελλάδα, δοκιμάζουμε εναλλακτικά σχήματα πρόβλεψης (από παλινδρόμηση έως μηχανική μάθηση) που εκμεταλλεύονται διαφορετικά επίπεδα πληροφοριών. Από αυτή την άποψη, διερευνούμε εάν είναι προτιμότερο να χρησιμοποιήσουμε ως επεξηγηματική μεταβλητή τη γνωστή παραγωγή ενέργειας των προηγούμενων ημερών ή να προβλέψουμε τις εισροές της επόμενης ημέρας και στη συνέχεια να εκτιμήσουμε την προκύπτουσα παραγωγή ενέργειας μέσω προσομοίωσης. Οι αναλύσεις μας υποδεικνύουν ότι η δεύτερη προσέγγιση γίνεται σαφώς πιο συμφέρουσα όταν η εξειδικευμένη γνώση σχετικά με το υδρολογικό καθεστώς και τα τεχνικά χαρακτηριστικά του ΜΥΗΣ ενσωματώνεται στη διαδικασία εκπαίδευσης του μοντέλου. Πέρα από αυτά, εστιάζουμε επίσης στην προγνωστική αβεβαιότητα που χαρακτηρίζει τέτοιες προβλέψεις, με πρωταρχικό στόχο να προχωρήσουμε πέρα από τις τυπικές, αλλά επισφαλείς, μεθόδους σημειακής πρόβλεψης, που παρέχουν μια μοναδική αναμενόμενη τιμή παραγωγής ενέργειας. Τέλος, συζητάμε τη χρήση της προτεινόμενης διαδικασίας πρόβλεψης υπό αβεβαιότητα, στην πραγματική αγορά ηλεκτρικής ενέργειας.

PDF Πλήρες κείμενο (217 KB)

Βλέπε επίσης: https://adgeo.copernicus.org/articles/56/155/2022/

Σημείωση:

Τα μοντέλα προσομοίωσης και πρόγνωσης αναπτύχθηκαν σε περιβάλλον R environment και είναι διαθέσιμα στην ακόλουθη διεύθυνση: https://github.com/corinadrakaki/Day-ahead-energy-production-in-small-hydropower-plants

Εργασίες μας στις οποίες αναφέρεται αυτή η εργασία:

1. A. Efstratiadis, A. Tegos, A. Varveris, and D. Koutsoyiannis, Assessment of environmental flows under limited data availability – Case study of the Acheloos River, Greece, Hydrological Sciences Journal, 59 (3-4), 731–750, doi:10.1080/02626667.2013.804625, 2014.
2. A. Efstratiadis, I. Nalbantis, and D. Koutsoyiannis, Hydrological modelling of temporally-varying catchments: Facets of change and the value of information, Hydrological Sciences Journal, 60 (7-8), 1438–1461, doi:10.1080/02626667.2014.982123, 2015.
3. I. Tsoukalas, A. Efstratiadis, and C. Makropoulos, Stochastic periodic autoregressive to anything (SPARTA): Modelling and simulation of cyclostationary processes with arbitrary marginal distributions, Water Resources Research, 54 (1), 161–185, WRCR23047, doi:10.1002/2017WR021394, 2018.
4. I. Tsoukalas, Modelling and simulation of non-Gaussian stochastic processes for optimization of water-systems under uncertainty, PhD thesis, 339 pages, Department of Water Resources and Environmental Engineering – National Technical University of Athens, Δεκέμβριος 2018.
5. P. Kossieris, I. Tsoukalas, C. Makropoulos, and D. Savic, Simulating marginal and dependence behaviour of water demand processes at any fine time scale, Water, 11 (5), 885, doi:10.3390/w11050885, 2019.
6. G. Papacharalampous, H. Tyralis, A. Langousis, A. W. Jayawardena, B. Sivakumar, N. Mamassis, A. Montanari, and D. Koutsoyiannis, Probabilistic hydrological post-processing at scale: Why and how to apply machine-learning quantile regression algorithms, Water, doi:10.3390/w11102126, 2019.
7. I. Tsoukalas, P. Kossieris, and C. Makropoulos, Simulation of non-Gaussian correlated random variables, stochastic processes and random fields: Introducing the anySim R-Package for environmental applications and beyond, Water, 12 (6), 1645, doi:10.3390/w12061645, 2020.
8. G.-K. Sakki, I. Tsoukalas, P. Kossieris, and A. Efstratiadis, A dilemma of small hydropower plants: Design with uncertainty or uncertainty within design?, EGU General Assembly 2021, online, EGU21-2398, doi:10.5194/egusphere-egu21-2398, European Geosciences Union, 2021.
9. G.-K. Sakki, I. Tsoukalas, and A. Efstratiadis, A reverse engineering approach across small hydropower plants: a hidden treasure of hydrological data?, Hydrological Sciences Journal, 67 (1), 94–106, doi:10.1080/02626667.2021.2000992, 2022.

Εργασίες μας που αναφέρονται σ' αυτή την εργασία:

1. V.-E. K. Sarantopoulou, G. J. Tsekouras, A. D. Salis, D. E. Papantonis, V. Riziotis, G. Caralis, K.-K. Drakaki, G.-K. Sakki, A. Efstratiadis, and K. X. Soulis, Optimal operation of a run-of-river small hydropower plant with two hydro-turbines, 2022 7th International Conference on Mathematics and Computers in Sciences and Industry (MCSI), Marathon Beach, Athens, 80–88, doi:10.1109/MCSI55933.2022.00020, 2022.
2. G.-K. Sakki, I. Tsoukalas, P. Kossieris, C. Makropoulos, and A. Efstratiadis, Stochastic simulation-optimisation framework for the design and assessment of renewable energy systems under uncertainty, Renewable and Sustainable Energy Reviews, 168, 112886, doi:10.1016/j.rser.2022.112886, 2022.

Άλλες εργασίες που αναφέρονται σ' αυτή την εργασία (αυτός ο κατάλογος μπορεί να μην είναι ενημερωμένος):

1. Krechowicz, A., M. Krechowicz, and K. Poczeta, Machine learning approaches to predict electricity production from renewable energy sources, Energies, 15(23), 9146, doi:10.3390/en15239146, 2022.
2. Ghobadi, F., and D. Kang, Application of machine learning in water resources management: A systematic literature review, Water, 15(4), 620, doi:10.3390/w15040620, 2023.
3. Chen, B., Y. Long, H. Wei, B. Li, Y. Zhang, W. Deng, and C. Li, A weak-coupling flow-power forecasting method for small hydropower station group, International Journal of Energy Research, 2023, 1214269, doi:10.1155/2023/1214269, 2023.
4. Karakuş, M. O., Impact of climatic factors on the prediction of hydroelectric power generation: A deep CNN-SVR approach, Geocarto International, 38(1), doi:10.1080/10106049.2023.2253203, 2023.
5. #Chauhan, R., N. Batra, S. Goyal, and A. Kaur, Optimizing water resources with IoT and ML: A water management system, Innovations in Machine Learning and IoT for Water Management, A. Kumar, A. Lal Srivastav, A. Kumar Dubey, V. Dutt, N. Vyas (editors), Chapter 4, 94-109, doi:10.4018/979-8-3693-1194-3.ch005, 2024.
6. Sahin, M. E., and M. Ozbay Karakus, Smart hydropower management: utilizing machine learning and deep learning method to enhance dam’s energy generation efficiency, Neural Computing & Applications, doi:10.1007/s00521-024-09613-1, 2024.
7. Lincaru, C., A. Grigorescu, and H. Dincer, Parabolic modeling forecasts of space and time european hydropower production, Processes, 12, 1098, doi:10.3390/pr12061098, 2024.
8. Maciejewski, D., K. Mudryk, and M. Sporysz, Forecasting electricity production in a small hydropower plant (SHP) using artificial intelligence (AI), Energies, 17(24), 6401, doi:10.3390/en17246401, 2024.

Κατηγορίες: Υδροπληροφορική, Ανανεώσιμες πηγές ενέργειας, Εργασίες φοιτητών, Νερό και ενέργεια