Prediction of time series for electricity generation

Abstract

Electric energy meters are used for measuring how much energy is generated per hour in a power station. These measurements are time series which are typically only available at the end of each month, nevertheless the data needs to be available as soon as possible. In this thesis, using near real-time data, two methods are presented for time series predictions: a ratio method and a deep learning Long Short-Term Memory (LSTM) neural network method. The results from these methods are compared by two error metrics, Root Mean Square Error (RMSE) and Mean Absolute Error (MAE) with an emphasis on a lower RMSE. Both methods are applied to three hydropower stations: Ljósafoss, Hrauneyjafoss, and Fljótsdalur. The best acquired RMSE value for each station is: 0.066, 1.651, and 2.667 respectively. While the ratio method achieves a low RMSE for one station, the LSTM method achieves the lowest RMSE for all three power stations. The results conclude the LSTM method to be a good choice for time series predictions for other hydropower stations, improving speed of a data analysis by making data predictions available in near real-time.

Raforkumælar eru notaðir í aflstöðvum til að mæla hversu mikil orka er unnin á hverri klukkustund. Mælingarnar eru tímaraðir sem hægt er að nálgast í lok hvers mánaðar en þrátt fyrir það þurfa gögnin að vera aðgengileg eins fljótt og auðið er. Í þessari ritgerð eru notuð nær rauntímagögn til að framkvæma tvær mismunandi aðferðir fyrir tímaraðaspár: hlutfallsaðferð (e. ratio method) og djúpnámsaðferð (e. deep learning method). Niðurstöðurnar úr þessum aðferðum eru bornar saman með ferningsmeðaltalsrótarskekkju (e. Root Mean Square Error) og meðaltals beinni skekkju (e. Mean Absolute Error) með áherslu á lægri ferningsmeðaltalsrótarskekkju. Aðferðirnar eru heimfærðar á þrjár vatnsaflsstöðvar: Ljósafossstöð, Hrauneyjafossstöð og Fljótsdalsstöð. Lægstu gildi ferningsmeðaltalsrótarskekkju sem fengust fyrir hverja af þremur aflstöðvunum eru, í sömu röð: 0.066, 1.651 og 2.667. Á meðan hlutfallsaðferðin nær fram lágri ferningsmeðaltalsrótarskekkju fyrir eina aflstöð, þá nær djúpnámsaðferðin fram lægstu skekkjunni fyrir allar þrjár aflstöðvarnar. Af niðurstöðunum má álykta að djúpnámsaðferðin sé góð fyrir tímaraðaspár fyrir aðrar vatnsaflsstöðvar, sem betrumbætir hraða gagnagreininga með því að hafa tímaraðaspár aðgengilegar á nær rauntíma.