Wind power forecasting : neural network models comparison and hybridization

The purpose of this Master thesis is to develop a predictive model, able to provide estimates of wind speed and power generated by a wind park with acceptable levels of error, in the long term (24 hours ahead) and in the short term (3 hours ahead). The study is performed considering two different plants, both located in Italy; at first a comparative analysis is carried out considering the results obtained through the use of Artificial Neural Networks (ANN) in recursive configurations, suitably calibrated, and the values provided by Numerical Weather Predictions (NWP). In addition, a new hybrid approach is proposed, which takes advantage of both the statistical and physical models; moreover, a further contribution is introduced, represented by a weather-based forecast provided by an ANN with a feedforward configuration. Results obtained with the hybrid model show a significant improvement with respect to the simulations performed with the single models composing the ensemble, with a decrease in the forecast error (in the various error definitions used in this work, with particular reference to the Italian legislation on imbalance charges for energy generation from non-programmable energy sources), both in the long and short-term. Thus the proposed hybrid model enables to overcome the intrinsic limits of statistical and physical approaches taken singularly, enhancing the detail level and the reliability of the forecast.

Lo scopo di questa tesi è quello di sviluppare un modello previsionale in grado di fornire stime di velocità del vento e potenza generata da un parco eolico con livelli accettabili di errore, sia nel lungo termine (24 ore) che nel breve termine (3 ore). Lo studio è effettuato considerando due diversi impianti, entrambi situati in Italia; si esegue dapprima un’analisi comparativa dei risultati ottenuti tramite l’utilizzo di reti neurali artificiali (ANN) in configurazioni ricorsive, appositamente calibrate, con i valori forniti da modelli numerici di previsione meteorologica (NWP). Inoltre viene proposto un nuovo approccio ibrido che sfrutta entrambi i modelli statistico e fisico; infine, a questi viene aggiunto un ulteriore contributo di previsioni, basate su dati meteo, elaborate da una rete neurale artificiale in configurazione feedforward. I risultati ottenuti con il modello ibrido mostrano un significativo miglioramento rispetto alle simulazioni effettuate con i singoli modelli che lo compongono, rappresentato dalla diminuzione dell’errore previsionale (nelle varie definizioni di errore utilizzate in questa tesi, con particolare riferimento alla normativa italiana in materia di oneri di sbilanciamento per generazione di energia da fonti non programmabili), sia nel lungo che nel breve termine. Il modello ibrido qui proposto permette quindi di superare i limiti intrinseci degli approcci statistici e fisici considerati singolarmente, aumentando il livello di dettaglio e l’affidabilità di previsione.