Machine learning techniques for time series forecasting in power systems operation

Gürses-Tran, Gonca; Monti, Antonello; Ulbig, Andreas

doi:10.18154/RWTH-2024-03928

Machine learning techniques for time series forecasting in power systems operation

Gürses-Tran, Gonca^RWTH*

2024

Verantwortlichkeitsangabevorgelegt von Gonca Gürses-Tran, M.Sc

Ausgabe1 Auflage

ImpressumAachen : E.ON Energy Research Center, RWTH Aachen University 2024

Umfang1 Online-Ressource : Illustrationen

ISBN978-3-948234-41-6

ReiheE.On Energy Research Center ; 127

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2023

Druckausgabe: 2024. - Auch veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak06

Hauptberichter/Gutachter
Monti, Antonello (Thesis advisor)^RWTH* ; Ulbig, Andreas (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2023-04-24

Online
DOI: 10.18154/RWTH-2024-03928
URL: https://publications.rwth-aachen.de/record/984188/files/984188.pdf

Einrichtungen

Thematische Einordnung (Klassifikation)
DDC: 621.3

Kurzfassung
Die Kurzfristprognose von Energieprofilen stellt eine der Schlüsselkomponenten für einen koordinierten Stromnetzbetrieb dar. Denn im Vergleich zum konventionellen Netzbetrieb sind die heutigen und zukünftigen Systeme von intermittierender Erzeugung geprägt. Folglich ist es angesichts der zugrundeliegenden Unsicherheiten besonders herausfordernd, Erzeugung und Last im Voraus zu planen und möglichst aufeinander abzustimmen. Abweichungen zwischen dem prognostizierten Systemzustand und der tatsächlichen Erzeugung und Last verursachen jedoch kostenintensive Ausgleichsmaßnahmen, sog. Redispatch Kosten. In diesem Zusammenhang befasst sich diese Arbeit mit einer möglichen Reduktion der notwendigen Maßnahmen durch eine genauere Kurzfristprognose unter Unsicherheit. Die größte Herausforderung bei der Prognose von Betriebsplanungsprozessen ist die intermittierende Winderzeugung und die daraus resultierende volatile vertikale Netzlastprognose, auch bekannt als Residuallast. Grund dafür ist, dass neben der Unsicherheiten durch Winderzeugung auch geringfügige Schwankungen in der Nachfrage selbst sowie andere Erzeugungsquellen, einen Einfluss auf die künftige Netzlast haben. Die Auswirkungen von Last- und Erzeugungsschwankungen sind kaum voneinander zu trennen und werden vermehrt unter Anwendung genauer Kenntnisse der geografischen und meteorologischen Bedingungen modelliert. Dies erfordert häufig physikalische Modelle. Große Versorgungsunternehmen, sowie fortschrittlichere energieintensive Betriebe stützen ihre täglichen Betriebsabläufe auf derartige Prognoseinstrumente. Diese Arbeit zielt auf die Entwicklung moderner Prognosewerkzeuge ab, die skalierbar sind und auf Prognoseaufgaben verschiedener Betreiberperspektiven anwendbar sind. Zu diesem Zweck wurden mehrere Fragestellungen identifiziert, die gelöst werden müssen: i existieren Charakteristika in Zeitreihenprofilen aus dem Energiebereich, die generalisierbar sind? ii Um eine schnelle Aktualisierung der digitalisierten Stromnetzkoordination zu ermöglichen, können skalierbare und automatisierbare Techniken mit Eignung für Zeitreihenvorhersagen identifiziert werden? iii Welchen Effekt hat die Vorhersagequalität auf die Modellanwendung im betrieblichen Kontext? Hierfür werden in der vorliegenden Dissertation zunächst die häufigsten Energieprognoseaufgaben und typische Zeitreiheneigenschaften vorgestellt. Die eingeführten theoretischen Grundlagen erleichtern die Identifikation potenzieller datenbasierter Techniken, die sich insbesondere für die zuvor definierten Prognoseaufgaben, der Nachfrage- und erneuerbaren Erzeugungsprognose, eignen. Eine Reihe so identifizierter automatisierter maschineller Lerntechniken werden dann im Detail gegenübergestellt. Dabei wird ein besonderes Augenmerk auf Skalierbarkeit, Entwicklungsgeschwindigkeit und Benutzerfreundlichkeit gelegt. Zum Vergleich, wird eine ganzheitliche Vorhersage-Entwicklungs-Pipeline in der Theorie vorgestellt und am praktischen Beispiel des ProLoaF-Projekts beschrieben. Letzteres stellt den wesentliche Beitrag zur aktuellen Forschung dar, den die vorliegende Arbeit leistet. Das Projekt dient als flexible, konfigurierbare und optimalisierte ML-Modell-Toolbox, welche sich in allen relevanten Prognoseaufgaben als geeignet erweist. Neben der Bewertung auf der reinen Grundlage statistischer Metriken werden in dieser Arbeit auch betriebliche Aspekte und benutzerzentrierte Perspektiven beleuchtet. Um ein vollständiges Bild von Black-Box-Modellen in einem kritischen betrieblichen Kontext zu vermitteln, werden dabei Anforderungen gestellt, um ML-Modelle interpretierbarer und somit verlässlicher zu machen. So werden innerhalb von ProLoaF visuelle Interpretationswerkzeuge eingeführt, die als Indikator für eine korrekte Konfiguration der Modelle dienen. Zusammenfassend, befasst sich diese Arbeit mit einer Reihe aktueller Hindernisse, mit denen Stromnetzbetreiber konfrontiert werden. Dabei zielt die vorliegende Dissertation auf eine zügigere Übernahme fortschrittlicherPrognosemethoden in einem betrieblichen Kontext ab. Dies kann mittels folgender Teilbeiträge erreicht werden:i eine Identifizierung von Mustern und kritischer Punkte von zentralen, betrieblichen Energiezeitreihen.ii eine Einführung in den Stand der Technik heutiger ML Vorhersagetechniken,iii eine Analyse der Güte heutiger Netzzustandsprognosen im betrachteten systemrelevanten Kontext, auf Basis anwendbarer autoML-Methoden, sowie iv eine Modellierung von Skalierbarkeit, Wartbarkeit und die Entwicklung von Interprationsmodulen innerhalb einer MLOps-Pipeline am Beispiel des Prognoseprojekts ProLoaF,v ProLoaF als Vorhersage-Toolbox, welches verspricht die Vorhersageentwicklung im Systembetrieb zu beschleunigen und zu verbessern.

Short-term forecasting of load and generation profiles is one of the key enablers for coordinated power system operation. This is because, in comparison to conventional system operation, future system states are less predictable due to intermittent generation. Consequently, given the dependency on uncertain meteorological conditions, matching the generation and load perfectly up-front becomes impossible. Deviations between the predicted system state and the actual generation and load cause costly counter-balancing measures. This work deals with the potential reduction of the necessary measures by means of more accurate short-term forecasting under uncertainty. Most challenging forecasting tasks in the operational planning processes are intermittent wind generation and the resulting volatile vertical grid load forecast, also known as residual load. The reason for this is that in addition to the significant uncertainty of wind generation, minor fluctuations in the demand, as well as other generation sources, will have an impact on the future net load. The uncertainty impact of load and generation variability are hardly separable and can only be modelled with accurate knowledge of geographical and meteorological conditions and often require physics based models. Large utilities and advanced Transmission System Operators (TSOs), more often than Distribution System Operators (DSOs) build their daily operational processes on such forecasting tools.This work develops advanced forecasting tools that are highly scalable and applicable to forecasting tasks from different operator perspectives. For this purpose, several challenges for forecasting in future energy systems have been identified: i A generalization of particularities of time series profiles in the energy domain, ii an identification of scalable and automatable techniques that are applicable for time series forecasting to enable a fast uptake of digitalized power system coordination, and iii linking prediction quality and model usability in operational contexts. This work first introduces common energy forecasting tasks and typical time series properties. The introduced theoretical basis facilitates the identification of potential data-based techniques, which particularly suit forecasting issues, i.e., demand and Renewable Energy Source (RES) power forecasting. In a next step, a set of identified automated machine learning techniques are compared in detail. A special emphasis in the selection process is put on scalability, development speed and ease of use. As a benchmark a holistic machine learning development pipeline is introduced theoretically and described in the practical case of the ProLoaF project. The latter is the key contribution of the present work. It serves as flexible, highly configurable and tunable Machine Learning (ML) model toolbox, which proves to be accurate over all major forecasting tasks. Besides the evaluation based on statistical metrics, economic aspects and user-centric perspectives are discussed in this work. To give a complete picture of black-box type of models in an operational context, requirements are set to make ML models more explainable. As an addition, ProLoaF includes explanatory tools which can be used to analyze the correctness of model configurations.In summary, this work achieves progress towards removing practical obstacles, that power system operators face today, to achieve a sound adoption of advanced forecasting methods in an operational context. The major contributions of this dissertation are: i the identification of common patterns and criticalities of major energy time series, ii a review of state of the art ML forecasting techniques, iii study on quality of grid state forecasts for operational load assess- ments based on benchmarking of applicable autoML methods, andiv model scalability, maintainability and trust through the Machine Learning Operations (MLOps) pipeline of ProLoaF,v ProLoaF forecasting as a toolbox to ease and improve forecasts in system operation.

OpenAccess:
PDF
(additional files)