Βραχυπρόθεσμη πρόβλεψη ενεργειακής ζήτησης: Προσεγγίσεις βασισμένες στη Μηχανική Μάθηση

Λαδάς, Παναγιώτης Γ.; Ladas, Panagiotis G.

dc.contributor.author	Λαδάς, Παναγιώτης Γ.	el
dc.contributor.author	Ladas, Panagiotis G.	en
dc.date.accessioned	2015-02-09T11:30:58Z
dc.date.available	2015-02-09T11:30:58Z
dc.date.issued	2015-02-09
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/40271
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.7520
dc.rights	Default License
dc.subject	Βραχυπρόθεσμη πρόβλεψη	el
dc.subject	Ενεργειακή ζήτηση	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Μηχανές διανυσμάτων υποστήριξης	el
dc.subject	Συναρτήσεις πυρήνα	el
dc.subject	Short-term forecasting	en
dc.subject	Energy demand	en
dc.subject	Machine learning	en
dc.subject	Support vector machines	en
dc.subject	Kernel functions	en
dc.title	Βραχυπρόθεσμη πρόβλεψη ενεργειακής ζήτησης: Προσεγγίσεις βασισμένες στη Μηχανική Μάθηση	el
heal.type	bachelorThesis
heal.secondaryTitle	Machine Learning-based methods for Short-term Load Forecasting	en
heal.classification	Πρόβλεψη	el
heal.classification	Μηχανική Μάθηση	el
heal.classification	Forecasting	en
heal.classification	Machine learning	en
heal.classification	Support vector machines	en
heal.classificationURI	http://id.loc.gov/authorities/subjects/sh85050485
heal.classificationURI	http://id.loc.gov/authorities/subjects/sh85079324
heal.classificationURI	http://id.loc.gov/authorities/subjects/sh2008009003
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2014-10-29
heal.abstract	Η πρόβλεψη της μελλοντικής ενεργειακής ζήτησης είναι πολύ σημαντική κατά τη διαδικασία λήψης αποφάσεων στον τομέας της ηλεκτρικής ενέργειας, ιδιαίτερα μέσα στο ανταγωνιστικό περιβάλλον που δημιουργήθηκε μετά την απελευθέρωση των αγορών ενέργειας. Η βραχυπρόθεσμη πρόβλεψη φορτίου ηλεκτρισμού συμβάλλει καθοριστικά στην αξιοπιστία ενός συστήματος ηλεκτρικής ενέργειας (ΣΗΕ). Επιπλέον είναι απαραίτητη για την ομαλή λειτουργία του ΣΗΕ, ενώ υψηλά σφάλματα στην πρόβλεψη φορτίου μπορούν να οδηγήσουν σε αύξηση του λειτουργικού κόστους. Διάφορες τεχνικές έχουν αναπτυχθεί για τη βραχυπρόθεσμη πρόβλεψη της ηλεκτρικής κατανάλωσης (STLF). Οι τεχνικές αυτές διακρίνονται κυρίως σε στατιστικές μεθόδους πρόβλεψης και μοντέλα τεχνητής νοημοσύνης (AI). Το φορτίο ενός συστήματος αποτελεί μια στοχαστική, μη στάσιμη διαδικασία ενώ η συμπεριφορά του επηρεάζεται από πλήθος παραγόντων με πιο σημαντικές τις καιρικές συνθήκες, το είδος του τελικού χρήστη, τους εποχιακούς παράγοντες και τα τυχαία γεγονότα. Λόγω των μη γραμμικών σχέσεων που εμφανίζονται μεταξύ της ηλεκτρικής κατανάλωσης και των επιμέρους παραμέτρων, τα τελευταία χρόνια έχει δοθεί έμφαση σε μεθόδους μηχανικής μάθησης (Machine Learning) για την επίλυση τέτοιων προβλημάτων. Τα μοντέλα μηχανικής μάθησης βασίζονται στα διαθέσιμα δεδομένα και εκπαιδεύονται μέσα από αυτά. Σε αυτήν την κατηγορία ανήκουν τα τεχνητά νευρωνικά δίκτυα και οι μηχανές διανυσμάτων υποστήριξης (Support Vector Machines). Αντικείμενο της διπλωματικής εργασίας είναι η ανάπτυξη μιας μεθοδολογίας για τη βραχυπρόθεσμη πρόβλεψη της ενεργειακής ζήτησης στον κτηριακό τομέα. Το πρόβλημα της εξοικονόμησης ενέργειας για οικονομικούς και περιβαλλοντικούς λόγους, καθιστά την ύπαρξη μιας τέτοιας μεθοδολογίας εξαιρετικά σημαντική. Σκοπός επομένως της παρούσας εργασίας είναι η πρόταση συγκεκριμένων λύσεων μέσω μιας πιλοτικής εφαρμογής. Σε αυτή γίνεται χρήση δεδομένων πραγματικού χρόνου, που συλλέχθηκαν από “έξυπνους μετρητές” εγκατεστημένους σε μια αλυσίδα δέκα εμπορικών καταστημάτων στην περιοχή της Αττικής. Αρχικά επιχειρείται η ανάλυση συσχετίσεων μεταξύ της ηλεκτρικής κατανάλωσης και ορισμένων βασικών παραμέτρων που την επηρεάζουν (εσωτερική και εξωτερική θερμοκρασία, ώρες ηλιοφάνειας, είδος ημέρας κ.α.). Στη συνέχεια πραγματοποιείται η βραχυπρόθεσμη πρόβλεψη της ενεργειακής ζήτησης με τη χρήση διανυσμάτων υποστήριξης (SVM). Για την υλοποίηση των αλγορίθμων στην πιλοτική εφαρμογή γίνεται χρήση της γλώσσας Python και της βιβλιοθήκης Scikit-Learn, που αποτελεί δημοφιλή βιβλιοθήκη μηχανικής μάθησης. Τέλος προτείνεται η καταλληλότερη χρονική βάση για τα δεδομένα εισόδου και η βέλτιστη συνάρτηση πυρήνα (kernel) για τη βραχυπρόθεσμη πρόβλεψη με χρονικό ορίζοντα μια ημέρα.	el
heal.abstract	Future energy demand forecasting is very important for the decision-making process in the electricity sector especially in the competitive environment created after the deregulation of the energy markets. The short-term load forecasting (STLF) contributes significantly to the reliability of an electric power system. In addition, it is necessary for the smooth operation of an electric power system, while high errors in load forecasting can increase operational cost. Several methods have been developed for the short-term load forecasting (STLF). These methods are mainly divided in statistical forecasting methods and artificial intelligence (AI) methods. The load of a system is a stochastic, non-stationary process, whose behavior is affected by a number of factors. Τhe most important among these are the weather conditions, the type of the end user, the seasonal factors and random events. Due to the non-linear relations between electric consumption and its components, particular emphasis has been given in the last years on machine learning methods to solve these problems. The machine learning methods are based on the available data and trained through these. In this category belong the artificial neural networks and the support vector machines (SVMs). The objective of the diploma thesis is to develop a methodology for the short-term load forecasting in the building sector. Such a methodology is particularly important because of the problem of saving energy for environmental and economic reasons. This thesis proposes specific solutions through a pilot application. This application uses real time data gathered through smart meters placed in a chain of ten commercial shops in the Attica region. Initially, it is attempted to analyze the correlation between electric consumption and some key parameters that affect it (internal and external temperature, daylight hours, types of day etc.). This is followed by the short-term prediction of energy demand (load forecasting) with the use of the SVMs. For the implementation of the algorithms in the pilot application, the Python language and the Scikit-Learn library, a popular library of machine learning, are used. At the end, the most appropriate time basis for the entry data is proposed as well as the optimal kernel function for the short-term forecasting with the horizon of one day.	en
heal.advisorName	Ψαρράς, Ιωάννης	el
heal.committeeMemberName	Ψαρράς, Ιωάννης	el
heal.committeeMemberName	Ασκούνης, Δημήτριος	el
heal.committeeMemberName	Ασημακόπουλος, Βασίλειος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών.Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων.	el
heal.academicPublisherID	ntua
heal.numberOfPages	159 σ.
heal.fullTextAvailability	true