Forecast of storage power plant generation for the D-2 till D-4 operational planning of the power grid

Abstract

Storage power plants and pumped-storage hydroelectricity (both varieties are summarized and abbreviated under the term PSH in the context of the thesis for the sake of simplicity) play an essential role in the Austrian power supply and power grid due to their flexibility and installed capacity. Load flows in the Austrian power grid highly depend on the PSH generation. Being able to precisely estimate the expected PSH generation for days in the future to conclude on the load flow would have significant advantages, for example, the determination of D-2 Net Transfer Capacities, timely coordination of topological remedial actions, or efficient outage coordination. This thesis conducts a multivariate regression analysis to approximate the real-world PSH generation based on historical input data. The historical data is quantitative and qualitative analyzed to evaluate possible input variables and underlying relationships. Machine learning models using different training set sizes, data transformation techniques, compositions of features, and algorithms are developed and evaluated by using the Mean Absolute Error. The outcome shows that although good results are achieved, it is not possible to choose the best combination of training set size, compositions of features, data transformation technique, and algorithm because the best combinations vary depending on the studied period.

Die Speicherkraftwerke in Österreich haben durch den hohen Anteil an installierter Kraftwerksleistung, sowie deren Flexibilität, eine bedeutende Rolle sowohl in der österreichischen Energieversorgung als auch für das österreichische 380kV/220kV Übertragungsnetz. Lastflüsse im Übertragungsnetz hängen sehr stark vom Einsatz der Speicherkraftwerke ab. Eine genaue Prognose der Erzeugung aus Speicherkraftwerken für Tage in der Zukunft, um auf Lastflüsse im Übertragungsnetz rückschließen zu können, birgt mehrere Vorteile, beispielsweise für die D-2 Vergabe von Übertragungskapazitäten, der frühzeitigen Koordinierung von Engpassmaßnahmen, sowie einer effizienten Abschaltkoordinierung. Im Rahmen der Arbeit wird eine multivariate Regressionsanalyse durchgeführt, mit dem Ziel, die Erzeugung der Speicherkraftwerke basierend auf historischen Daten zu schätzen. Die historischen Daten werden zunächst anhand von quantitativen und qualitativen Merkmalen untersucht, um auf mögliche Eingangsdaten für die Regressionsanalyse, sowie Beziehungen zwischen den Eingangsdaten zu schließen. Nachgelagert werden Modelle aus dem Bereich des maschinellen Lernens mit verschieden großen Trainingsdatensätzen, verschiedenen Transformationstechniken und Algorithmen, sowie unterschiedlicher Zusammensetzung der Eingangsdaten gerechnet und anhand des mittleren absoluten Fehlers evaluiert. Die Ergebnisse zeigen, dass die Modelle sehr wohl in der Lage sind gute Resultate zu erzielen, es jedoch nicht möglich ist, nur eine bestimmte Kombination aus Trainingsdatensatz-Größe, Transformationstechnik, Algorithmus sowie Zusammensetzung der Eingangsdaten zu identifizieren, da die Kombinationen mit den besten Resultaten in den untersuchten Zeiträumen stark variieren.