Detailansicht
Evaluation of different techniques for solar irradiance nowcasting
Pascal Gfäller
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Informatik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Informatik
Betreuer*in
Claudia Plant
DOI
10.25365/thesis.73807
URN
urn:nbn:at:at-ubw:1-16208.28762.842124-2
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Die Stromerzeugung aus Photovoltaik wird immer mehr zu einer der zentralen Säulen im Wechsel hin zu einer elektrischen Zukunft auf Basis erneuerbarer Energiequellen. Die Nutzung von solarer Energie hat großes Potenzial, da die tägliche Einstrahlung um Größenordnungen mehr Strompotenzial bereitstellt als benötigt wird. Ein Nachteil von Sonneneinstrahlung als Energiequelle ist ihre Unbeständigkeit, da die reale Menge an Energie auf der Erdoberfläche durch eine Vielzahl atmosphärischer Phänomene, primär Wolken, beeinflusst wird. Kurzfristige Prognosen, auch Nowcasts genannt, sind daher relevant, um ein stabiles Gleichgewicht in Stromnetzen aufrechtzuerhalten. Um Nowcasts im Ausmaß von Stromnetzen zu erzielen, kann die Vorhersage der Sonneneinstrahlung über große Gebiete aus Satellitendaten die Vorhersage der Stromproduktion für einzelne Standorte ersetzen. Als Beitrag zu diesem Gebiet werden in dieser Arbeit verschiedene spatiotemporale neuronale Netze betrachtet, um Nowcasts für ein Zielgebiet zu liefern, das sich über die Grenzen Österreichs erstreckt. Die Modelle wurden hinsichtlich ihrer unterschiedlichen architektonischen Muster und Designs bewertet, die Vorteile in Bezug auf Genauigkeit und Robustheit gegenüber fehlenden Daten aufwiesen. Basierend auf diesen Ergebnissen wurden Schlüsselaspekte der besten Modelle in ein neues Kombina- tionsmodell, IrradPhyDNet, implementiert. Da die Basisleistung auf einem Datensatz, der nur gültige Ground-Truth-Frames enthält, hinsichtlich ihrer Vorhersageleistung in realen Anwendungen irreführend sein kann, wurde die inhärente Robustheit gegenüber fehlenden Daten und Kompensationstechniken weiter evaluiert. Um die Robustheit der Modelle zu verbessern, wird hier eine neuartige Technik angewendet: Das Training von Modellen auf Daten mit probabilistisch entfernten Zeitschritten. Die hier als Timestep-Dropout bezeichnete Technik lieferte signifikante Verbesserungen der intrinsischen Robustheit der neuronalen Netze. Durch mehrere Auswertungen im Vergleich zu Baselinemethoden konnten die neuronalen Netze genauere Ergebnisse liefern, sowohl aus vollständigen als auch aus fehlerbehafteten Daten. Darin schnitt IrradPhyDNet in mehreren Aspekten dieser Auswertungen besser ab als die Quellnetzwerke, insbesondere in Kombination mit der Trainingstechnik Timestep-Dropout.
Abstract
(Englisch)
Photovoltaic power production is increasingly becoming one of the central pillars in the shift to an electrical future based on renewable power sources. The use of solar irradiance has great potential, as daily solar power provides magnitudes more power than required. A downside of solar irradiance as a power source is its volatility. The extent of solar irradiance at the surface of the earth is influenced by a variety of atmospheric phenomena, most commonly clouds. Short-term forecasts, also called nowcasts, are therefore relevant to maintain a stable equilibrium in electrical grids. To achieve nowcasts on a grid scope, forecasting of solar irradiance over large areas from satellite data can substitute forecasting of power output for individual sites. As a contribution to this field, a variety of spatiotemporal neural networks are considered in this thesis to provide nowcasts for a target area extending over the borders of Austria. The models were evaluated with respect to their different architectural patterns and designs, displaying varying benefits in accuracy and in their robustness to missing data. Based on these results, key aspects from the best performing models were implemented into a new combination model, IrradPhyDNet. The base performance on a dataset containing only valid ground-truth frames can although be misleading regarding their forecasting performance in real-world applications. To provide stable nowcasting in the context of flawed data, an evaluation of inherent robustness to missing data and mitigation strategies was performed. The models’ robustness was therein improved with a novel technique: Timestep-dropout, the training of neural networks on data with probabilistically removed timesteps. This technique provided significant improvements to the intrinsic robustness to missing irradiance data in the input tensors. Through multiple evaluations against baseline methods, the neural networks could showcase more accurate results, with clean as well as with flawed data. Within these comparisons, the newly introduced combination model performed better than the respective source networks in multiple aspects, especially when combined with the training technique timestep-dropout.
Schlagwörter
Schlagwörter
(Deutsch)
Deep Learning Machine Learning Raum-zeitliche Vorhersage Sonneneinstrahlungs-Nowcasting
Schlagwörter
(Englisch)
Deep Learning Machine Learning Spatiotemporal Forecasting Solar Irradiance Nowcasting
Autor*innen
Pascal Gfäller
Haupttitel (Englisch)
Evaluation of different techniques for solar irradiance nowcasting
Publikationsjahr
2023
Umfangsangabe
x, 74 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Claudia Plant
Klassifikationen
38 Geowissenschaften > 38.80 Meteorologie. Allgemeines ,
54 Informatik > 54.72 Künstliche Intelligenz
AC Nummer
AC16875306
Utheses ID
67085
Studienkennzahl
UA | 066 | 921 | |