Ανάπτυξη τεχνητών νευρωνικών δικτύων για
πρόβλεψη της κατανάλωσης ηλεκτρικής
ενέργειας.

Μέξης, Φίλιππος Δημήτριος; Mexis, Filippos Dimitrios

dc.contributor.author	Μέξης, Φίλιππος Δημήτριος
dc.contributor.author	Mexis, Filippos Dimitrios
dc.date.accessioned	2020-03-05T12:07:20Z
dc.date.available	2020-03-05T12:07:20Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/49867
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.17565
dc.rights	Default License
dc.subject	Πρόβλεψη ηλεκτρικής ενέργειας	el
dc.subject	καμπύλη φορτίου	el
dc.subject	τεχνητά νευρωνικά δίκτυα	el
dc.subject	εκμάθηση μηχανής	el
dc.subject	ανάλυση χρονοσειρών	el
dc.subject	Electricity consumption forecast	el
dc.subject	load profile	el
dc.subject	Artificial neural networks	el
dc.subject	machine learning	el
dc.subject	time series analysis	el
dc.title	Ανάπτυξη τεχνητών νευρωνικών δικτύων για πρόβλεψη της κατανάλωσης ηλεκτρικής ενέργειας.	el
dc.contributor.department	Παραγωγή & Διαχείριση Ενέργειας	el
heal.type	masterThesis
heal.secondaryTitle	Development of Artificial Neural Networks for predicting electricity consumption.	en
heal.classification	Μηχανική Μάθηση	el
heal.classification	Ενέργεια	el
heal.classification	Νευρωνικά Δίκτυα	el
heal.classification	Machine Learning	en
heal.classification	Energy	en
heal.classification	Neural Networks	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2019-09-26
heal.abstract	Οι διακυμάνσεις και οι μεταβολές της ζήτησης ηλεκτρικής ενέργειας είναι κύριο χαρακτηριστικό των διασυνδεδεμένων συστημάτων, αστικών και μη, και επηρεάζουν σε τεράστιο βαθμό τον προγραμματισμό των εταιριών παροχής ενέργειας καθώς και την χάραξη πολιτικής τόσο σε εθνικό όσο και σε ευρωπαϊκό επίπεδο. Οι μεταβολές στην ζήτηση εξαρτώνται από φυσικούς, κοινωνικούς, οικονομικούς, τεχνικούς και άλλους παράγοντες, με τον καθένα από αυτούς να επηρεάζει το φορτίο με διαφορετικό βαθμό, βαρύτητα και περιοδικότητα. Στο πλαίσιο της παρούσας πτυχιακής εργασίας, θα γίνει μελέτη και ανάλυση με την χρήση προηγμένων υπολογιστικών εργαλείων, μη γραμμικού προγραμματισμού, με σκοπό την ανάπτυξη εργαλείου πρόβλεψης των μεταβολών της ενεργειακής ζήτησης. Το εργαλείο θα υλοποιηθεί μέσω της διαδικασίας εκμάθησης μηχανής, αξιοποιώντας ποικίλα στατιστικά δεδομένα, όπως π.χ. δημογραφικά και μετεωρολογικά στοιχεία, δείκτες ανάπτυξης ενώ παράλληλα θα μελετηθούν περαιτέρω στατιστικά στοιχεία τα οποία ενδέχεται να συμβάλλουν στην διαμόρφωση της ενεργειακής ζήτησης με όχι και τόσο εμφανή τρόπο. Το εργαλείο θα είναι σε θέση να υπολογίζει και να προβλέπει με όσο το δυνατόν καλύτερη ακρίβεια την ζήτηση ηλεκτρικής ενέργειας σε εθνικό επίπεδο με μακροπρόθεσμο ορίζοντα. Η πρότερη γνώση της μελλοντικής ζήτησης, στο βαθμό που είναι εφικτό, διευκολύνει την αποδοτικότερη διαχείριση των ενεργειακών πόρων και, κυρίως, την ανάπτυξη κατάλληλων σχεδίων δράσης με στόχο την εξοικονόμηση ενέργειας και κατ’ επέκταση τη μείωση των εκπομπών CO2 στην ατμόσφαιρα επιτυγχάνοντας έτσι τους στόχους που έχει θέσει η ΕΕ.	el
heal.abstract	Forecasting electricity consumption plays a vital role in keeping the electric power system up and running. Power plants need to have short term forecasting of the upcoming load in order to manage efficiently the generators to provide the power needed instantly, as the electricity cannot be saved in the electrical grid. Moreover, long-term estimation of the load can help European Union member states and European Commission to set energy efficiency goals and develop clean energy policies, by deploying renewable sources, finance energy efficiency investments and control carbon dioxide emissions. Electricity load fluctuations depend on several environmental, social, financial and technical factors in a nonlinear relation that make the load forecasting multivariate and complex. This study aims to predict future energy load for Greece, using non-linear state of the art computational tools, such as artificial neural networks. The latter have been designed in MATLAB® environment, where Neural Autoregressive Time Series Prediction Networks have been deployed. In order to complete the neural network training process, Greece’s historic electricity consumption time series have been used. Similarly, in order to examine the correlation and impact of environmental, economic and demographic parameters to the electricity load, Neural Autoregressive Networks with exogenous input have be exploited. The calculated predictions by the trained neural networks have been examined on their accuracy, reliability and their forecast timeframe. In addition, an analytic comparison has been realised between the forecasts of this research and the prediction of the Greek Independent Power Transmission Operation.	en
heal.advisorName	Δούκας, Χρυσόστομος (Χάρης)
heal.advisorName	Douka, Haris
heal.committeeMemberName	Χατζηαργυρίου, Νικόλαος
heal.committeeMemberName	Doukas, Haris
heal.committeeMemberName	Hatziargyriou, Nikolaos
heal.committeeMemberName	Ψαρράς, Ιωάννης
heal.committeeMemberName	Psarras, John
heal.academicPublisher	Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	94
heal.fullTextAvailability	false