Pattern-based prediction of islanded power grid frequency

Abstract

As part of achieving the climate goals from the Paris Agreement set by a united world community, the transition from non-renewable energy sources and electrification of transport and industrial sectors is central. The power grid faces new challenges as emerging renewable energy sources such as solar and wind fluctuate more than the more controllable traditional coal, gas, oil, and hydropower. In addition to more fluctuations on the supply side, an increase in emerging consumers like electric cars and data centers strengthens the need for good tools to maintain grid stability. Therefore, forecasting models and analysis to investigate both large and decentralized power systems’ dynamics are necessary to maintain control and reliability. Expanding upon a pattern-based prediction model called the Weighted-nearest neighbors (WNN) predictor, this thesis investigates the predictability of the power grid frequency for different European islanded power grids through several approaches. The selected islands include Ireland, the Balearic Islands, Iceland, and the Faroe Islands, with the Nordic region as a basis for comparison. The WNN predictor is successfully applied to all regions and performs 60 min predictions better than average daily profiles except for Iceland with its stochastic behavior. The Balearic Islands are the most deterministic region with precise predictions, while Ireland performs slightly worse than the Nordic region. The Faroe Islands exhibit similar performance to Iceland, but with significantly less data available. With varying population and geographical size, the regions cover the range of possible future grids, consisting of larger synchronous areas to small, isolated island systems and microgrids. All regions exclusively show that predictions improve with more data available. The predictor outperforms daily profiles with about a month of data available and with even less for more predictable regions. When electricity generation time series are included in an extended model approach, the performance slightly increases for parts of the predicted hour for several features, despite low time resolution and partially poor quality of the additional data. This suggests that there is further information to be gleaned from other power grid time series to improve the prediction of the power grid frequency.

Som et ledd i å nå klimamålene fra Parisavtalen satt av et samlet verdenssamfunn, står overgangen fra ikke-fornybare energikilder og elektrifisering av transport- og industrisektorer sentralt. Kraftnettet står overfor nye utfordringer ettersom økende kraftproduksjon fra fornybare energikilder som sol og vind varierer mer enn regulerbare tradisjonelle kilder som kull, gass, olje og vannkraft. I tillegg til mer uregulerbar kraftproduksjon, styrkes behovet for gode verktøy for å opprettholde nettstabilitet gjennom blant annet økende energibehov til elbiler og satsning på̊ datasentre. Derfor er prognosemodeller og analyser for å undersøke både store og desentraliserte kraftsystemers dynamikk nødvendig for å videreføre kontroll og pålitelighet. Denne oppgaven tar utgangspunkt i, samt modifiserer, en eksisterende mønsterbasert prediksjonsmodell kalt Weighted-nearest neighbors (WNN), og undersøker hvorvidt strømnettets frekvens for ulike europeiske øybaserte strømnett er predikerbar. Oppgaven tar for seg øyene Irland, Balearene, Island og Færøyene, med Norden som sammenligningsgrunnlag. 60 min predikeringer med WNN-modellen gir bedre resultater enn gjennomsnittlig daglige frekvensprofiler for alle undersøkte regioner, bortsett fra Island med sine stokastiske trekk. Balearene er den mest deterministiske regionen med presise prediksjoner, mens Irland presterer litt dårligere enn nokså̊ gjennomsnittlige Norden. For Færøyene vises lignende resultater som Island, men med betydelig mindre data tilgjengelig. Med varierende befolkning og geografisk størrelse er regionene en naturlig representasjon av framtidens potensielle kraftsystemer som kan variere fra kontinentale synkronområder til små̊, isolerte øysystemer og mikronett. Alle regioner viser utelukkende at prediksjoner forbedres med mer tilgjengelig data. Generelt predikerer WNN-modellen bedre enn gjennomsnittlig daglige frekvensprofiler fra og med omtrent én måned med data tilgjengelig, og med enda mindre data for de mest predikerbare regionene. Til slutt inkluderes data for elektrisitetsproduksjon fra ulike energikilder i en utvidet versjon av modellen, og forbedrer resultatet for deler av den predikerte timen ytterligere, til tross for lav tidsoppløsning og delvis dårlig kvalitet på̊ produksjonsdataen. Dette tyder på̊ at det er ytterligere informasjon å hente fra annen kraftnettrelatert data for å forbedre prediksjonen av strømnetts frekvens.