Not logged in.

Quick Search - Contribution

Contribution Details

Type Master's Thesis
Scope Discipline-based scholarship
Title Deep Learning for Analysis of Cloud Images and Irradiance Forecasting
Organization Unit
Authors
  • Dinesh Pothineni
Supervisors
  • Martin Oswald
  • Jan Poland
  • Nikolay Savinov
  • Davide Scaramuzza
Language
  • English
Institution University of Zurich
Faculty Faculty of Business, Economics and Informatics
Date 2017
Abstract Text Large scale integration of renewables like solar energy into the power grid affects the stability of transmission and distribution networks. It is due to the nature of underlying solar irradiation being highly nondeterministic, often influenced by local cloud and weather conditions. This thesis presents a method using convolutional neural networks and vision based approach to accurately produce short term forecasts of cloud cover and irradiation over PV power plants, to help mitigate the problems caused by volatility. We present a novel solution using sequential residual neural networks for cloud tracking, and discuss an approach to use high temporal resolution images to generate short term forecasts in the horizon of 5 and 10 minutes. Our network is able to learn to produce accurate forecasts of cloud cover using sky images collected from a single locally installed fish eye camera. We also present detailed observations from experiments conducted using various network architectures, image representations, layer and block configurations. Our solution exhibits good convergence behavior on a rather large training data set with high complexity and noise. We also show that our network with pre-activated layered units can produce forecasts from a single input image and can further improve with tuning and usage of sequential input layers. This invovles reprojecting a set of image frames captured in the recent past into a single input vector, on which the network is trained to obtain the classification of cloud state. In addition, we also demonstrate the effectiveness of our approach by testing it on 1.8 million image samples obtained from two live solar plants in Italy and Switzerland with varying geographical conditions. Our best model trained on a shared input layer architecture has achieved 7.1% and 8.6% prediction error rates when tested on these PV plants. Our network is also able to recognize short term fluctuations in cloud states with better accuracy. We also show that our network pipeline is able to generalize and overcome a variety of local conditions including snow, rain and noisy data in our test set and achieves state of the art results on cloud detection,classification tasks with very low error rates on forecasting.
Zusammenfassung Die grosstechnische Integration von erneuerbaren Energien wie Solarenergie in das Stromnetz wirkt sich auf die Stabilität von Übertragungs- und Verteilungsnetzen aus. Es liegt an der sehr höher volatilen Natur der Sonneneinstrahlung, die oft von den lokalen Geographischen und Wetterbedingungen beeinflusst wird. Diese Probleme können jedoch mit effektiven Prognose Systemen gelöst werden. Diese Master Arbeit präsentierte eine Methode mit convolutional neural networks und Himmelsbild Modellen, um kurzfristige Prognosen der Wolkendecke und Bestrahlung als PV-Anlagen genau zu produzieren. Wir präsentieren eine neuartige Lösung mit sequentiellen residual neuronalen Netzwerken für Cloud-Tracking und diskutieren einen Ansatz, um hochauflösende Bilder zu verwenden, um kurzfristige Prognosen im Horizont von 5 und 10 Minuten zu erzeugen. Unser Netzwerk ist in der Lage zu lernen, genaue Prognosen der Wolkendecke zu produzieren, mit Himmelsbilder, die von einer lokal installierten Fisheye-Kamera gesammelt wurden. Wir zeigen auch detaillierte Beobachtungen aus Experimenten, die mit anderen Netzwerkarchitekturen, Bilddarstellungen, Schicht- und Block Konfigurationen durchgeführt wurden. Unsere Lösung zeigt ein gutes Konvergenzverhalten auf einem wirklich grossen Trainingsdatensatz mit hoher Komplexität und Lärm. Wir zeigen auch, dass unser Netzwerk mit vorgesteuerten Layer-Einheiten Prognosen aus einem einzigen Eingabefeld erzeugen kann und mit dem Tuning und der Verwendung von sequentiellen Eingabe Schichten von weiter verbessern kann. Dies beinhaltet die Umwandlung eines Satzes von Bilderrahmen, die in der Vergangenheit Vergangenheit in einen einzigen Eingangsvektor aufgenommen wurden, auf dem das Netzwerk trainiert wird, um eine Klassifizierung des Zustands derWolken zu erhalten. Darüber hinaus zeigen wir auch die Wirksamkeit unseres Ansatzes, indem wir ihn von 1,8 Millionen Bildvorlagen aus zwei lebenden Solaranlagen in Italien und der Schweiz mit varianten geografischen Bedingungen testen. Unser bestes Modell, das auf einer gemeinsame Eingangsschicht Architektur trainiert wurde, hat bei diesen PV-Anlagen 7,1% und 8,6% prognostizierte Fehlerraten erreicht. Unser Netzwerk ist auch in der Lage, kurzfristige Schwankungen in dem Zuständen der Wolken mit besserer Genauigkeit zu erkennen. Wir zeigen auch, dass unsere Netzwerk-Pipeline in der Lage ist, einige lokale Bedingungen wie Schnee, Regen und laute Daten in unserem Test-Set zu verallgemeinern und zu überwindet. Es erreicht Stand der Technik Ergebnisse auf Cloud-Erkennung, Klassifizierung Aufgaben mit sehr niedrigen Fehlerraten auf die Prognose.
PDF File Download
Export BibTeX