is Íslenska en English

Lokaverkefni (Meistara)

Háskólinn í Reykjavík > Tæknisvið / School of Technology > MSc Tölvunarfræðideild / Department of Computer Science >

Vinsamlegast notið þetta auðkenni þegar þið vitnið til verksins eða tengið í það: http://hdl.handle.net/1946/42016

Titill: 
  • Titill er á ensku Forecasting solar power production using deep learning and high resolution weather forecasts
  • Sólarorkuframleiðsluspár með djúpnámi út frá háupplausnar veðurspám
Námsstig: 
  • Meistara
Leiðbeinandi: 
Útdráttur: 
  • Útdráttur er á ensku

    The world is moving at increasing speed away from generating electricity using fossil fuels, toward more environmentally friendly options, such as solar power. Solar power production is volatile and highly dependent on weather conditions, primarily cloud cover. Instability and unpredictability are undesirable in power production since production must match demand. In order to ensure power availability when dependent on solar power, highly polluting and expensive fossil power stations, "peaker plants", are kept on standby to react to the instability in solar power. The ability to reliably predict solar power production provides more predictability to power grid operators, allowing for greater efficiency in grid operation.
    Valuable data exists in weather forecasts, which can be harnessed to increase predictability in solar power generation. We use novel deep learning methods, attention, and specifically temporal fusion transformers, to forecast the irradiance at a solar power station, which correlates very strongly with power output. We base this on Belgingur ehf.'s high-resolution weather forecast data, the 24-hour forecast irradiance values for the area of the power station.
    Our model achieves excellent results for one-day forecasts on the test dataset, with an average mean absolute percentage error of 13.21%. In addition, the model outputs a confidence level for its predictions providing insight to a grid operator on whether to expect unpredictability in the power output. The model is able to generate more accurate predictions when utilizing forecast data from a wider area around the power station than exclusively data from the power station‘s immediate vicinity.

  • Heimurinn er að færast frá því að framleiða raforku með jarðefnaeldsneyti, í átt að umhverfisvænni leiðum til raforkuframleiðslu eins og sólarorku. Sólarorka er óútreiknanleg og mjög háð veðurfari, aðallega skýjahulu. Óstöðugleiki og óútreiknanleiki eru óæskilegir þegar kemur að sólarorku, þar sem framleiðsla verður að vera jöfn neyslu. Til að tryggja afhendingu raforku þegar sólarorka er notuð reiða framleiðendur sig oft á dýr og mengandi orkuver sem ganga fyrir jarðefnaeldsneyti og standa í viðbragðsstöðu til að bregðast við óvæntum breytingum á sólarorkuframboði. Sólarorkuframleiðsla yrði skilvirkari og áreiðanlegri ef hægt væri að spá nákvæmar um framleiðslugetu dagsins, t.d. með áreiðanlegri veðurspám og áhrif þeirra á framleiðslugetu.
    Verðmæt gögn eru til í formi veðurspáa sem hægt er að nýta til að gera sólarorkuframleiðslu útreiknanlegri. Við notum nýjar aðferðir á sviði djúpnáms, athygli(e. attention), og þá sérstaklega tímasamrunabylta (e. temporal fusion transformers) til að spá fyrir um sólargeislun við sólarorkuver sem fylgir náið raforkuframleiðslu orkuversins. Við byggjum þessa vinnu á háupplausnarveðurspám Belgings ehf., 24 klst. geislunarspám fyrir staðsetningu okuversins.
    Módelið nær meðal meðaltölugildisprósentuskekkju (e. mean absolute percentage error) upp á 13,21% á prófunargagnasettinu fyrir eins dags spár. Að auki skilar módelið öryggisbili fyrir spárnar sem veitir raforkuframleiðendum innsæi um það hvort þeir geti búist við óútreiknanlegri sólarorkuframleiðslu. Módelið skilar nákvæmari spám þegar það styðst við veðurspágögn af stærra svæði í nánd orkuversins en þegar það nýtir eingöngu gögn fyrir nærumhverfi orkuversins.

Styrktaraðili: 
  • Verkefnið var að hluta styrkt af RANNÍS í gegn um styrk nr. 1910034-0611
Samþykkt: 
  • 14.6.2022
URI: 
  • http://hdl.handle.net/1946/42016


Skrár
Skráarnafn Stærð AðgangurLýsingSkráartegund 
Thesis - Forecasting Solar Power Production Using Deep Learning.pdf2.24 MBOpinnHeildartextiPDFSkoða/Opna