Ensemble of echo state networks for predicting the energy production of power plants

Generation portfolios are rapidly changing, with an increasing share of wind and solar electricity generation capacity. The integration of variable resources, whose output is dependent on the environmental conditions, such as wind and solar, is posing the problem of efficiently managing the heterogeneously distributed energy sources in order to meet the user electricity demand, also known as Demand Side Management (DSM). The difficulty of this task is due both to renewable sources stochasticity and to the fluctuating behaviour of the energy market demand. The necessity to integrate and mitigate these two uncertainty sources, requires on one hand to inject flexibility into conventional power plants, such as nuclear power plants, and on the other hand to tackle the problem of unit commitment. In this context, the objective of the present thesis work is the development of an accurate method for the short-term prediction of the energy production of wind power plants. To this aim, given the difficulty of resorting to physics-based model, we consider Artificial Intelligence (AI) methods. Given the periodicity of the meteorological conditions, we develop a recursive model based on Recurrent Neural Networks (RNN) trained according to the Reservoir Computing (RC) principles. In particular, we have used Echo State Networks (ESNs) given the reduced computational demand of their training and their ability of catching the system dynamics in the states of the reservoir neurons. To further increase the accuracy of the prediction, we have developed an ensemble of ESN models. The two main novelties of the present thesis work are: 1) the use of different training sets formed by consecutive meteorological and production data for obtaining diverse models and 2) the aggregation of the individual model outputs using a local technique which considers the individual model performance in the last days before the prediction to efficiently dealing with the evolving environment issue. The proposed method has been verified using real wind plant data and its performance compared with that of feedforward Artificial Neural Networks

I portafogli di generazione sono in rapida mutazione, con una significativa crescita della capacità di produzione di energia eolica e solare. L'integrazione di risorse rinnovabili come l'eolico e il solare, la cui capacità produttiva dipende dalle condizioni ambientali, sta ponendo il problema di gestire in modo efficiente le eterogenee fonti energetiche al fine di soddisfare la domanda di elettricità dell'utenza, approcio noto anche come Demand Side Management (DSM). La difficoltà di questo compito è dovuta sia alla stocasticità delle fonti rinnovabili sia al comportamento fluttuante della domanda del mercato energetico. La necessità di integrare e mitigare queste due fonti di incertezza richiede da una parte di introdurre maggiore flessibilità nelle centrali elettriche convenzionali, come le centrali nucleari, e dall'altra parte di affrontare il problema della potenza impegnata per utenza. In questo contesto, l'obiettivo del presente lavoro di tesi è lo sviluppo di un metodo accurato per la previsione a breve termine della produzione di energia degli impianti eolici. A tal fine, considerata la difficoltà di ricorrere ad un modello basato sulla fisica, vengono considerati i metodi di Intelligenza Artificiale (AI). Data la periodicità delle condizioni meteorologiche, sviluppiamo un modello ricorsivo basato su reti neurali ricorrenti (RNN) con un training secondo i principi di Reservoir Computing (RC). In particolare, abbiamo usato le cosidette "Echo State Networks" (ESN) in considerazione della ridotta richiesta computazionale per il training e della capacità di apprendere la dinamica del sistema negli stati dei cosidetti "neuroni riserva". Per aumentare ulteriormente la precisione della previsione è stato successivamente sviluppato un insieme di modelli ESN. Le due principali novità del presente lavoro di tesi sono: 1) l'uso di diversi set di training ottenuti da dati meteorologici e di produzione consecutivi per ottenere modelli differenti e 2) l'aggregazione dei singoli output del modello utilizzando una tecnica locale che considera le prestazioni del modello individuale negli ultimi giorni prima della previsione per affrontare in modo efficiente il problema delle condizioni in evoluzione. Il metodo proposto è stato verificato utilizzando dati reali dell'impianto eolico di riferimento e le sue prestazioni confrontate con quelle delle tradizionali Reti Neurali Artificiali (ANN).