In den letzten Jahren hat die Bedeutung erneuerbarer Energiequellen aufgrund gesteigerten Bewusstseins für die Reduzierung von Kohlenstoffemissionen erheblich zugenommen. Die erhöhte Integration von Photovoltaik-Systemen in das Energienetz stellt das Netz vor neue Herausforderungen durch dezentralisierte, fluktuierende Energieproduktion. Eine genaue Vorhersage der Stromerzeugung kann eine effektive Möglichkeit bieten, Entscheidungen zur Stabilisierung des Netzes zu treffen. Diese Arbeit befasst sich mit diesem Thema, indem sie ein Graph Neural Network (GNN) einführt, das ausschließlich Photovoltaikdaten von umliegenden Systemen einbezieht. Das Modell wird anhand von Photovoltaikdaten in Utrecht, Niederlande, trainiert und konzentriert sich auf Tage mit hoher Bewölkung. Die Ziele dieser Studie umfassen die Bewertung der Vorhersagegenauigkeit und Leistung des GNN-Modells anhand von Prognosemetriken im direkten Vergleich zu einem Benchmark-Modell. Darüber hinaus wird die Auswirkung des GNN-Modells und des Benchmark-Modells auf den niederländischen Energiemarkt durch die Analyse der Ausgleichskosten bewertet und potenzielle finanzielle Vorteile werden identifiziert. Die Ergebnisse zeigen, dass das finale Modell das Benchmark-Modell im Bezug auf Genauigkeit ̈übertrifft und eine signifikante Verbesserung der Vorhersagegenauigkeit (gemessen durch den RMSE-Wert) von bis zu 39,1% erzielt. Darüber hinaus senkt das Modell die Ausgleichsenergiekosten um bis zu 40,3% für ein einzelnes System und im Durchschnitt um 37,4% für alle einbezogenen PV-Systeme. Zusätzlich wurde eine starke Korrelation zwischen der Entfernung zu benachbarten PV-Systemen und der erzielbaren Genauigkeit festgestellt. Eine hohe Genauigkeit wird beobachtet, wenn die Systeme direkt benachbart sind und kurze Distanzen haben, während die Genauigkeit stark abnimmt, wenn die Stationen weiter entfernt positioniert sind. Diese Ergebnisse unterstreichen das Potenzial von GNN-Modellen zur Verbesserung der Vorhersage von Stromerzeugung und seine positive Auswirkung auf die Integration von PV-Systemen in den Energiemarkt.
de
Over the past decade, there has been a significant increase in renewable energy sources driven by growing social awareness of the need to lower carbon emissions. The growing integration of photovoltaic (PV) systems into the grid presents new challenges for the electricity grid due to decentralized and fluctuating energy sources. Accurate prediction of power production can provide a data-driven basis for decision-making to stabilize the grid. This thesis addresses this issue by introducing a Graph Neural Network that incorporates solely photovoltaic data of surrounding systems. The model is trained on PV data in Utrecht, Netherlands, focusing on days with high cloud coverage. The objectives of this study include evaluating the prediction accuracy and performance of the GNN model using forecast metrics compared to a benchmarking model. Additionally, the impact of the GNN model and the benchmarking model on the Dutch energy market is assessed by analyzing the imbalance settlement costs and identifying potential financial benefits. The results demonstrate that the final model is able to outperform the linear regression model, achieving a significant improvement in forecast accuracy (measured by RMSE) of up to 39.1%. Furthermore, the model successfully reduces imbalance costs by up to 40.3% for a single system, and an average of 37.4% across all included PV systems, when compared with the linear regression model. Notably, it is found that the model shows a strong correlation between distance to neighboring PV systems and achievable accuracy, with high accuracy observed when systems are closely surrounded and reduced accuracy when stations are located further away. These findings highlight the potential of GNN models to enhance the prediction of power production and its positive impact on the integration of PV systems into the energy market.
en
Additional information:
Abweichender Titel nach Übersetzung der Verfasserin/des Verfassers