Meistaravörn við tækni- og verkfræðideild - Halla Marinósdóttir

Applications of different machine learning methods for water level predictions

  • 14.1.2019, 17:00 - 19:00

Mánudaginn 14. janúar kl. 17:00 ver Halla Marinósdóttir 30 eininga verkefni sitt til meistaraprófs í rekstrarverkfræði.

Verkefnið heitir „Applications of different machine learning methods for water level predictions” og verður fyrirlesturinn fluttur í stofu M104. Öllum heimill aðgangur.

Leiðbeinendur:
Eyjólfur Ingi Ásgeirsson, dósent, Háskólinn í Reykjavík

Jón Guðnason, lektor, Háskólinn í Reykjavík

Prófdómari: Agnes Jóhannsdóttir

Útdráttur:

Á síðustu árum hefur verið lögð aukin áhersla á nýtingu endurnýjanlegra orkugjafa við raforkuframleiðslu víðs vegar um heim. Eitt helsta verkefni margra þjóða er að draga úr notkun jarðefnaeldsneytis, sökum þeirra neikvæðru áhrifa sem þau hafa á loftslagsmál. Íslendingar hafa þá sérstöðu að nánast allt rafmagn sem framleitt er hér á landi, á upprunna sinn að rekja til endurnýjanlegra auðlinda og losun gróðurhúsalofttegunda er því í lágmarki. Þrátt fyrir þá sérstöðu sem ríkir hér á landi, er mikilvægt að hámarka nýtingu þeirra auðlinda sem eru til staðar með það að leiðarljósi að fá sem mest út úr framleiðslunni.

Vatnsafl er ein af tveimur helstu auðlindum, ásamt jarðvarma þegar kemur að framleiðslu rafmagns á Íslandi. Rennsli vatns í virkjunum hér á landi getur verið óútreiknanlegt og mjög breytilegt eftir árstíðum. Með góðu spálíkani sem spáir fyrir um vatnshæð uppistöðulóna væri mögulegt að nýta vatnið betur með því að lágmarka yfirfallið. Hægt væri að keyra virkjunina á meira afli rétt fyrir flóð, vitandi það að vatnshæðin nái jafnvægi stuttu síðar. Í þessari ritgerð voru fjórar mismunandi aðferðir notaðar til þess að spá fyrir um vatnshæð í Steinsvaðsflóa. Aðferðirnar voru eftirfarandi: margþætt línuleg aðhvarfsgreining (e. multiple linear regression), ræktun slembiskóga (e. random forest), stoðvigra aðhvarfsgreining (e. support vector regression) og gervitauganet (e. artificial neural networks). Öll spálíkönin eru byggð á sögulegum gögnum frá Veðurstofu Íslands og Landsvirkjun. Gögnin innihalda rennslismælingar, vatnshæðamælinar og ýmsar veðurbreytur frá árinu 2009 til ársins 2017. Gögnunum var skipt niður í þjálfunarset, sem notað var til þess að stilla breytur líkanana og prófunarsett sem notað var til þess að mæla frammistöðu þeirra. Helstu niðurstöður voru þær að spálíkönin skiluðu tiltölulega sambærilegum niðurstöðum hvað varðar spáskekkju. Hins vegar kom í ljós að spálíkönin stóðu sig misvel í því að spá fyrir um vatnshæðatoppana. Það líkan sem skilaði lægstri spáskekkju var ræktun slembiskóga sem byggt var á dagsgögnum.

Abstract

In recent years, more emphasis has been placed on the utilization of renewable energy sources in electricity generation around the world. One of the main tasks of many nations is to reduce the use of fossil fuels due to their negative impact on the environment. Icelanders have the uniqueness that virtually all of the electricity produced in Iceland can be attributed to renewable energy sources. The greenhouse gases emission from electricity production is therefore lower than in most countries. Despite the uniqueness that exists in Iceland, it is important to maximize the utilization of the resources that are available with the aim of maximizing production.

Hydro power is one of two major resources, including geothermal power when it comes to electricity production in Iceland. The flow of water in the power plants in Iceland can be unpredictable and vary widely from seasons. With a good prediction model that predicts the water level of reservoirs, it would be possible to utilize the water better by minimizing the overflow. The power plant could be driven with more power just before the flood, knowing that the water level will reach a balance in a short period of time. In this paper, four different methods were used to predict the water level in Steinsvaðsflóa. The methods were as follows: multiple linear regression, random forest, support vector regression, and artificial neural networks. All forecast models are based on historical data from the Icelandic Meteorological Office and Landsvirkjun. The data contained flow measurements, water levels and various of weather variables from 2009 to 2017. The data was divided into a training set used to set the parameters of the models and the test set used to measure the models performances. The main results were that the forecast models yielded comparable results in terms of error. On the other hand, the main difference between the models was their prediction of the highest and lowest water levels. The model that yielded the lowest error was a random forest model based on daily data.