View
327
Download
0
Embed Size (px)
DESCRIPTION
Previsione della radiazione solare mediante modelli basati su reti neurali artificiali. Tesi di Laurea di: Claudio Leani Relatore: prof. Stefano Ferrari
Citation preview
Previsione della radiazione solare mediante modelli basati su reti neurali artificiali
Tesi di Laurea di: Claudio Leani (Matr. 805329)Relatore: prof. Stefano Ferrari
Corso di Laurea Magistrale in Informatica
Anno Accademico 2012-2013
2 / 15
Perché prevedere la radiazione solare?
Motivazioni
tecnico-economiche
Diffusione degli impianti fotovoltaici per produrre
energia elettrica
Incremento della richiesta di valutazione della radiazione
solare disponibile in una data località
Motivazioni
strategiche
Supporto alla decisione di adeguatezza degli
investimenti
Programmazione della gestione delle reti elettriche
3 / 15
Come prevedere la radiazione solare?
Modelli fisici
Previsione numerica
Analisi delle immagini
Modelli statistici
Metodi autoregressivi
(AR, ARMA, ARIMA, ARMAX)
Reti neurali artificiali
(ANN, TDNN, WNN)
Sono modelli centrati sui dati
Modelli ibridi
Previsioni numeriche e analisi delle
immagini come input a reti neurali
artificiali
Differenti orizzonti temporali in funzione delle applicazioni
4 / 15
Dati
Misurazioni 2002-2007 della rete di monitoraggio
di ARPA Lombardia
Studio su quattro località comprese in un raggio di
25 km
3 modelli predittori
Ca
MiCrOs
MiCrOsCa
Lavoro di tesi• Su un orizzonte temporale di 1 ora• Basato su reti neurali artificiali
Realizzare e verificare un metodo per la previsione della radiazione solare globale
5 / 15
Dati (1): descrizione
Sono disponibili le misurazioni orarie
IdSensore Data Ora Valore medio
Stato del dato
5901 2005/02/08 08:00 0.4 0
5901 2005/02/08 09:00 0.8 0
5901 2005/02/08 10:00 1.3 0
5901 2005/02/08 11:00 1.7 0
5901 2005/02/08 12:00 2.8 0
I dati sono forniti per ciascun sensore
Grandezza Sigla Unità di misura
Precipitazione P mm
Temperatura T °C
Pressione Atmosferica HPA hPa
Velocità del Vento VV m/s
Umidità Relativa UR %
Radiazione Globale RG W/m2
Radiazione Netta RN W/m2
Stazione di Cassano d’Adda: radiazione globale oraria - anno 2003
6 / 15
Le tecniche di intelligenza computazionale sono adatte in situazioni affette da rumore e incompletezze
Dati (2): rumore e incompletezze
(su 4380 record/anno totali)
7 / 15
Dati (3): pre-processing
Scelta delle stazioni
• Schema geometrico adottato
• Buona disponibilità di dati
Pre-processing dei dati
• Aggregazione dei dati dei singoli sensori
• Eliminazione dei record con almeno uno dei dati mancante
• Eliminazione dei record relativi alle ore 0-6 e 19-23
8 / 15
Workflow degli esperimenti
Selezione delle caratteristiche
• 5 combinazioni delle grandezze misurate
• 9 configurazioni di neuroni nello strato nascosto
• 5 addestramenti+test
Selezione della topologia
• Input: T UR RG• 9 configurazioni di
neuroni nello strato nascosto
• 5 addestramenti+test
• Test sui 12 mesi• Considerate anche
media e mediana dei gruppi di 5 reti
9 / 15
Risultati (1): modelli selezionatiLa topologia con le migliori prestazioni è stata selezionata mediante la valutazione dell’Errore
Globale
Ca MiCrOs MiCrOsCa
Errore relativo pesatoErrore globale = (Errore RMSE medio + Dev.std.)(Errore relativo pesato + Dev.std.)
𝐸𝑔=(𝐸+𝜎𝐸)(~𝐸𝑅+𝜎~𝐸𝑅)
15 20 25 30 35 40 45 5015
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
23.51
best mean median
10 15 20 25 30 35 40 45 5015
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
18.27
best mean median
15 20 25 30 35 40 45 5015
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
20.82
best mean median
10 / 15
Risultati (2): istogrammi degli errori
Ca MiCrOs MiCrOsCa
Lu
gli
o 2
005
Gen
nai
o 2
005
11 / 15
Risultati (3): correlazioni
Ca MiCrOs MiCrOsCa
Lu
gli
o 2
005
Gen
nai
o 2
005
12 / 15
Risultati (4): stima vs. misura
Modello Ca
Luglio 2005Gennaio 2005
13 / 15
Risultati (5): modello di persistenza
Istogramma errori Correlazione Stima vs. misura
Lu
gli
o 2
005
Gen
nai
o 2
005
14 / 15
Conclusioni
Errore assoluto (W/m2) Errore Relativo (%)
82.44 82.8888.15
146.59
0.2518 0.25150.2667
0.4323
Test 2005: confronto finale tra gli errori medi dei tre modelli
15 / 15
Sviluppi futuri
Approccio proposto Future linee di ricerca
Selezione delle caratteristiche basata su una stazione
Selezione delle caratteristiche basata su più stazioni
Utilizzo di sei parametri atmosferici
Utilizzo aggiuntivo dei parametri della qualità dell’aria
One-lag prediction Multi-lag prediction
Un modello di rete neurale Modelli differenti di reti neurali
Modello connessionisticoModello ibrido
(fuzzy logic + modelli fisici)