Power production from Renewable Energy Sources (RES) is increasing at an unprecedented pace especially in Europe. The integration of renewable resources, however, poses new technical challenges involving the overall efficiency electrical grid system. This study aims to address this problem in two steps: the development of different models for RES plants and an ensemble methodology to improve overall performance. All the models and activities used for this work rely on two international weather forecasts providers. The models analyzed for PV branch are hybrid FFNN, LSTM, Bidirectional LSTM and Clustered FFNN. On the other side for wind power forecasting they are a FFNN, LSTM and Random Forest. The aggregation framework is called Dynamic Weighted Ensemble. This technique has been successfully applied in many industrial scenarios.

La graduale espansione della produzione energetica da fonti rinnovabili, pone la necessità di rendere questo settore quanto più compatibile con i bisogni energetici nazionali. L'obiettivo di questa tesi è quello di investigare nuove metodologie di modelli di previsione nel settore eolico e fotovoltaico. Le previsioni di produzione degli impianti energetici, sono generate grazie all'utilizzo di dati meteo giornalieri di due diversi provider internazionali. Inoltre, al fine di raffinare la previsione fornita, viene proposta una tecnica di aggregazione dei modelli realizzati in questo lavoro chiamata "Local Fusion". I modelli analizzati in questo lavoro sono stati nel campo fotovoltaico: FFNN di tipo ibrido, Long Short-Term Memory (LSTM), LSTM Bidirezionale e FFNN specializzata su clusters. Nel settore eolico i modelli analizzati sono stati: FFNN, LSTM e Random Forest. La tecnica di aggregazione proposta è un Dynamic Weighted Ensemble, che ha dimostrato buoni risultati in entrambi i campi di applicazione.

Power forecasting models for renewable energy sources

VIGORITO, IVAN
2017/2018

Abstract

Power production from Renewable Energy Sources (RES) is increasing at an unprecedented pace especially in Europe. The integration of renewable resources, however, poses new technical challenges involving the overall efficiency electrical grid system. This study aims to address this problem in two steps: the development of different models for RES plants and an ensemble methodology to improve overall performance. All the models and activities used for this work rely on two international weather forecasts providers. The models analyzed for PV branch are hybrid FFNN, LSTM, Bidirectional LSTM and Clustered FFNN. On the other side for wind power forecasting they are a FFNN, LSTM and Random Forest. The aggregation framework is called Dynamic Weighted Ensemble. This technique has been successfully applied in many industrial scenarios.
BRUSAFERRI, ALESSANDRO
MONTELATICI, LORENZO
DA COSTA PEREIRA, CELIA
ING - Scuola di Ingegneria Industriale e dell'Informazione
20-dic-2018
2017/2018
La graduale espansione della produzione energetica da fonti rinnovabili, pone la necessità di rendere questo settore quanto più compatibile con i bisogni energetici nazionali. L'obiettivo di questa tesi è quello di investigare nuove metodologie di modelli di previsione nel settore eolico e fotovoltaico. Le previsioni di produzione degli impianti energetici, sono generate grazie all'utilizzo di dati meteo giornalieri di due diversi provider internazionali. Inoltre, al fine di raffinare la previsione fornita, viene proposta una tecnica di aggregazione dei modelli realizzati in questo lavoro chiamata "Local Fusion". I modelli analizzati in questo lavoro sono stati nel campo fotovoltaico: FFNN di tipo ibrido, Long Short-Term Memory (LSTM), LSTM Bidirezionale e FFNN specializzata su clusters. Nel settore eolico i modelli analizzati sono stati: FFNN, LSTM e Random Forest. La tecnica di aggregazione proposta è un Dynamic Weighted Ensemble, che ha dimostrato buoni risultati in entrambi i campi di applicazione.
Tesi di laurea Magistrale
File allegati
File Dimensione Formato  
2018_12_Vigorito.pdf

non accessibile

Descrizione: Testo della tesi
Dimensione 7.17 MB
Formato Adobe PDF
7.17 MB Adobe PDF   Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/144750