Renewable energy sources (RES) provide clean sustainable energy that is free, but it depends on uncontrollable factors. For example, wind power is dependent on wind speed and solar photovoltaic (PV) power depends on solar irradiance. Similarly, electricity demand depends on human usage and cannot be fully controlled without causing discomfort to the consumers. Due to their uncontrollability, the variable RES and the variable electric load demand can cause operational issues in power systems. For example, if energy produced is greater than the demand by the load, the electric frequency will tend to increase and vice-versa. If the electric frequency goes beyond the bounds defined by the standards, it can cause the tripping of protective devices, causing undesired supply interruptions. Also, many renewable resources cover diverse geographical areas and it is increasingly important to analyze large sets of data to understand their spatial and temporal behaviors. In the first part of this thesis, we propose and demonstrate a data platform to efficiently manipulate and visualize stochastic data on the scale of terabytes. As the application of interest, we focus on visualization and forecasting of wind power over large geographic areas at various different spatial and temporal resolutions. In particular, we show how to balance the amount of data used and the need for computational efficiency in real-time applications. The main data set we use is the recently released terabyte wind dataset by National Renewable Energy Laboratory (NREL). The second part of the thesis deals with electricity demand forecasting. We compared the results of using various supervised learning methods for forecasting the winter electricity demand of France. The methods we used include support vector regression, deep neural network, gaussian process, adaboost and linear regression. By comparison, we concluded the deep neural network is the best method for forecasting the winter electricity demand of France. We also found which method performs well for a specific time of the day. Also, we found the best settings of the structural parameters of the deep neural network for winter electricity demand of France. In the third part of this thesis, we used datamining methods on power system datasets of the same region but from different sources, to extract the relationship between them. In particular, we used the association rule mining on the electric utility distribution system data and the solar photovoltaic generation data from a solar power company. We used unsupervised learning on the two datasets to obtain the electric utility nodes and the solar power sites with similar consumption/production patterns. We then used this information to detect connectivity between the solar power sites and utility nodes.
Le fonti energetiche rinnovabili (FER) forniscono energia pulita e sostenibile che è gratuita, ma dipende da fattori incontrollabili. Ad esempio, l'energia eolica dipende dalla velocità del vento e la potenza solare fotovoltaica (PV) dipende dall'irraggiamento solare. Allo stesso modo, la domanda di elettricità dipende dall'utilizzo umano e non può essere completamente controllata senza causare disagio ai consumatori. A causa della loro incontrollabilità, la variabile RES e la domanda di carico elettrico variabile possono causare problemi operativi nei sistemi di alimentazione. Ad esempio, se l'energia prodotta è superiore alla domanda del carico, la frequenza elettrica tenderà ad aumentare e viceversa. Se la frequenza elettrica supera i limiti definiti dalle norme, può causare l'intervento di dispositivi di protezione, causando interruzioni di alimentazione indesiderate. Inoltre, molte risorse rinnovabili coprono diverse aree geografiche ed è sempre più importante analizzare ampie serie di dati per comprendere i loro comportamenti spaziali e temporali. Nella prima parte di questa tesi, proponiamo e dimostriamo una piattaforma di dati per manipolare e visualizzare in modo efficiente i dati stocastici sulla scala dei terabyte. Come applicazione di interesse, ci concentriamo sulla visualizzazione e previsione di energia eolica su vaste aree geografiche a diverse risoluzioni spaziali e temporali. In particolare, mostriamo come bilanciare la quantità di dati utilizzati e la necessità di efficienza computazionale nelle applicazioni in tempo reale. Il set di dati principale che utilizziamo è il set di dati del vento terabyte rilasciato di recente dal National Renewable Energy Laboratory (NREL). La seconda parte della tesi riguarda la previsione della domanda di elettricità. Abbiamo confrontato i risultati dell'utilizzo di vari metodi di apprendimento supervisionati per la previsione della domanda di elettricità invernale della Francia. I metodi che abbiamo usato includono regressione del vettore di supporto, rete neurale profonda, processo gaussiano, regressione adaboost e lineare. In confronto, abbiamo concluso che la rete neurale profonda è il metodo migliore per prevedere la domanda di elettricità invernale della Francia. Abbiamo anche trovato quale metodo si comporta bene per un momento specifico della giornata. Inoltre, abbiamo trovato le migliori impostazioni dei parametri strutturali della rete neurale profonda per la domanda di elettricità invernale della Francia. Nella terza parte di questa tesi, abbiamo utilizzato metodi di datamining sui set di dati del sistema di alimentazione della stessa regione ma da fonti diverse, per estrarre la relazione tra loro. In particolare, abbiamo utilizzato il mining delle regole di associazione sui dati del sistema di distribuzione di energia elettrica e i dati di generazione di energia solare fotovoltaica da una società di energia solare. Abbiamo utilizzato l'apprendimento senza supervisione sui due set di dati per ottenere i nodi di utilità elettrica e i siti di energia solare con modelli di consumo / produzione simili. Abbiamo quindi utilizzato queste informazioni per rilevare la connettività tra i siti di energia solare e i nodi di utilità.
Improve renewable energy integration and detect network topology in power distribution systems using future-casting and mining methods
SALEEM, MUHAMMAD BILAL
2017/2018
Abstract
Renewable energy sources (RES) provide clean sustainable energy that is free, but it depends on uncontrollable factors. For example, wind power is dependent on wind speed and solar photovoltaic (PV) power depends on solar irradiance. Similarly, electricity demand depends on human usage and cannot be fully controlled without causing discomfort to the consumers. Due to their uncontrollability, the variable RES and the variable electric load demand can cause operational issues in power systems. For example, if energy produced is greater than the demand by the load, the electric frequency will tend to increase and vice-versa. If the electric frequency goes beyond the bounds defined by the standards, it can cause the tripping of protective devices, causing undesired supply interruptions. Also, many renewable resources cover diverse geographical areas and it is increasingly important to analyze large sets of data to understand their spatial and temporal behaviors. In the first part of this thesis, we propose and demonstrate a data platform to efficiently manipulate and visualize stochastic data on the scale of terabytes. As the application of interest, we focus on visualization and forecasting of wind power over large geographic areas at various different spatial and temporal resolutions. In particular, we show how to balance the amount of data used and the need for computational efficiency in real-time applications. The main data set we use is the recently released terabyte wind dataset by National Renewable Energy Laboratory (NREL). The second part of the thesis deals with electricity demand forecasting. We compared the results of using various supervised learning methods for forecasting the winter electricity demand of France. The methods we used include support vector regression, deep neural network, gaussian process, adaboost and linear regression. By comparison, we concluded the deep neural network is the best method for forecasting the winter electricity demand of France. We also found which method performs well for a specific time of the day. Also, we found the best settings of the structural parameters of the deep neural network for winter electricity demand of France. In the third part of this thesis, we used datamining methods on power system datasets of the same region but from different sources, to extract the relationship between them. In particular, we used the association rule mining on the electric utility distribution system data and the solar photovoltaic generation data from a solar power company. We used unsupervised learning on the two datasets to obtain the electric utility nodes and the solar power sites with similar consumption/production patterns. We then used this information to detect connectivity between the solar power sites and utility nodes.| File | Dimensione | Formato | |
|---|---|---|---|
|
2018_07_SALEEM_860851.pdf
non accessibile
Descrizione: Thesis
Dimensione
14.51 MB
Formato
Adobe PDF
|
14.51 MB | Adobe PDF | Visualizza/Apri |
I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
https://hdl.handle.net/10589/141866