Time series forecasting for renewable energy

This work addresses critical challenges in power systems, particularly in the context of increasing uncertainties due to renewable energy integration, distributed energy resources, and extreme weather events. Two complementary machine learning (ML) methodologies are proposed to enhance the resilience of power systems and renewable energy forecasting. The first project focuses on power outage prediction during extreme weather events. It introduces an alternative ML-based approach that addresses the challenge of limited historical data on extreme weather. The method includes online event detection to identify the onset of an extreme event and a specialized forecasting model for predicting outages in regions with scarce historical data, enabling efficient recovery and system resilience. The second project tackles the volatility in renewable power generation, which complicates power system planning and operations. It presents an ML-based probabilistic forecasting model for joint power generation across multiple plants. The model accounts for missing real-time generation data and integrates deterministic forecasts, enhancing decision-making under uncertainty. Both projects highlight the potential of ML to improve power system performance in the face of growing complexities.

Questo lavoro affronta sfide critiche nei sistemi elettrici, in particolare nel contesto dell'aumento delle incertezze dovuto all'integrazione delle energie rinnovabili, alle risorse energetiche distribuite e agli eventi meteorologici estremi. Vengono proposte due metodologie complementari basate sul ML per migliorare la resilienza dei sistemi elettrici e la previsione dell'energia rinnovabile. Il primo progetto si concentra sulla previsione delle interruzioni di corrente durante eventi meteorologici estremi. Viene introdotto un approccio alternativo basato su ML, che affronta la sfida della limitata disponibilità di dati storici sugli eventi estremi. Il metodo include un rilevamento online degli eventi per identificare l'inizio di un evento estremo e un modello di previsione specializzato per le interruzioni di corrente in regioni con pochi dati storici, consentendo un recupero efficiente e una maggiore resilienza del sistema. Il secondo progetto affronta la volatilità della produzione di energia rinnovabile, che complica la pianificazione e le operazioni dei sistemi elettrici. Viene presentato un modello di previsione probabilistica basato su ML per la produzione congiunta di energia in più impianti. Il modello tiene conto della mancanza di dati di produzione in tempo reale e integra previsioni deterministiche, migliorando il processo decisionale in condizioni di incertezza. Entrambi i progetti evidenziano il potenziale del ML nel migliorare le prestazioni dei sistemi elettrici di fronte a complessità crescenti.