Effective forecast in hydroelectric energy production by means of artificial neural networks

In the last two decades, the penetration of renewable energy sources (RES) in the energy systems around the world has progressively increased, due to the rise of environmental concerns and governmental policies. A crucial issue in modern power systems is how to support the large-scale proliferation of RES in existing power grids by mitigating their negative impacts on system control and operation, generated by the high variability of these sources. An effective forecasting of the injected power profiles represents a relevant issue to address, since it can support power system operator in limiting imbalance charges, getting strategic information on the electricity market dynamics, and planning effective predictive based maintenance programs. The present thesis work concerns hydroelectric production forecast, exploiting artificial neural networks (ANNs), one of the most successfull machine learning techniques nowadays adopted. In particular it is investigated the application of a seasonal decomposition in order to separate the different contributions of the goal function, with the aim to predict separately the different components in which the curve is decomposed, rather than predicting directly the objective function. Furthermore it has been analyzed the effect of different input variables on the forecasting accuracy.

La penetrazione delle fonti energetiche rinnovabili (RES) all'interno dei sistemi energetici mondiali è significativamente aumentata negli ultimi due decenni grazie a diversi fattori, tra i quali si annoverano favorevoli politiche energetiche e l'aumento della consapevolezza legata ai problemi ambientali. Un problema fondamentale nei moderni sistemi di trasmissione di energia elettrica riguarda la modalità di supportare la proliferazione di fonti rinnovabili su larga scala all'interno della rete elettrica limitando il loro impatto negativo sui sistemi di controllo. Un'efficace previsione dei profili di potenza in ingresso alla rete elettrica rappresenta una criticità da risolvere, dal momento che questa può risultare utile all'operatore di rete che ha l'obbiettivo di minimizzare gli squilibri di rete, di raccogliere informazioni sulla dinamica dei mercati elettrici, e di pianificare efficaci programmi di manutenzione. Il presente lavoro di tesi analizza diverse metodologie di previsione della produzione di energia idroelettrica, servendosi di reti neurali artificiali, uno dei modelli di machine learning ad oggi più di successo. In particolare è investigata l'applicazione di una decomposizione stagionale con l'obbiettivo di separare i diversi contributi che compongono la funzione, in modo da prevedere separatamente i diversi contributi che compongono la curva, piuttosto che prevedere direttamente la funzione obbiettivo. Inoltre, è stato analizzato l'effetto di diverse variabili di input sull'accuratezza della previsione.