Πιθανοτική πρόβλεψη αιολικής παραγωγής με τη χρήση extreme learning machines

Σκεύης, Διονύσης; Skevis, Dionysis

dc.contributor.author	Σκεύης, Διονύσης	el
dc.contributor.author	Skevis, Dionysis	en
dc.date.accessioned	2020-11-18T09:43:52Z
dc.date.available	2020-11-18T09:43:52Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/51939
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.19637
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Πιθανοτική πρόβλεψη	el
dc.subject	Αιολική ισχύς	el
dc.subject	Διάστημα εμπιστοσύνης	el
dc.subject	Πρόβλεψη αιολικής παραγωγής	el
dc.subject	Σφάλμα πρόβλεψης	el
dc.subject	Extreme learning machines	en
dc.subject	Probabilistic forecasting	en
dc.subject	Bootstrapping	en
dc.subject	Wind power forecasting	en
dc.subject	Confidence intervals	en
dc.title	Πιθανοτική πρόβλεψη αιολικής παραγωγής με τη χρήση extreme learning machines	el
heal.type	bachelorThesis
heal.classification	Πρόβλεψη Αιολικής Παραγωγής	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-10-22
heal.abstract	Τα τελευταία χρόνια έχει σημειωθεί μεγάλη αύξηση του ποσοστού της ηλεκτρικής ενέργειας που προέρχεται από αιολικούς σταθμούς παραγωγής. Η αύξηση αυτή όμως, συνοδεύεται και από προβλήματα σταθερότητας του δικτύου, καθώς η αδυναμία της ανθρώπινης παρέμβασης στην παραγωγή καθιστά αβέβαιη την εξισορρόπηση προσφοράς και ζήτησης. Το γεγονός αυτό, καθιστά υψίστης σημασίας την ακριβή πρόβλεψη αιολικής παραγωγής σε βραχυπρόθεσμο ορίζοντα πρόβλεψης για την βέλτιστη συμπαραγωγή αιολικών και συμβατικών σταθμών παραγωγής. Εφόσον η χαοτική φύση της ατμόσφαιρας καθιστά αδύνατη την ακριβή πρόβλεψη παραγωγής, τα τελευταία χρόνια αναπτύσσονται ολοένα και περισσότερα μοντέλα πιθανοτικής πρόβλεψης με σκοπό την ποσοτικοποίηση της αβεβαιότητας των σημειακών προβλέψεων. Σκοπός της παρούσας διπλωματικής εργασίας αποτελεί η ανάπτυξη ενός τέτοιου πιθανοτικού μοντέλου πρόβλεψης αιολικής παραγωγής με χρήση Extreme Learning Machines. Πιο συγκεκριμένα, επανασχεδιάστηκε, το state-of-the-art μοντέλο πολύ-βραχυπρόθεσμης πρόβλεψης (χρονικός ορίζοντας μιας ώρας) που αναπτύχθηκε σε προηγούμενη έρευνα[8], και αξιολογήθηκε η επίδοση του στην παραγωγή βραχυπρόθεσμων προβλέψεων (χρονικός ορίζοντας μιας ημέρας). Για την ανάπτυξη και αξιολόγηση του μοντέλου χρησιμοποιήθηκαν ιστορικά δεδομένα ενός έτους, τα οποία αποτελούνταν από τις προβλέψεις ανέμου και της αντίστοιχες τιμές παραγόμενης ισχύος σε ωριαία βάση. Τα δεδομένα αποτελούν μέρος των δεδομένων που του δόθηκαν στους συμμετέχοντες στον διεθνή διαγωνισμό Global Energy Forecasting Competition 2014 και αφορούν έναν αιολικό σταθμό στην Αυστραλία. Αρχικά, σχεδιάστηκε εκ βάθρων ένα μοντέλο ντετερμινιστικής πρόβλεψης βασισμένο στα Extreme Learning Machines, μοντελοποιώντας την μαθηματική θεωρία που διέπει την λειτουργία τους σε προγραμματιστικό περιβάλλον Python. Στην συνέχεια έγινε μια προσπάθεια προεπεξεργασίας των δεδομένων για την βελτίωση της ακρίβειας του σφάλματος ντετερμινιστικής πρόβλεψης. Για την παραγωγή πιθανοτικών προβλέψεων αιολικής παραγωγής χρησιμοποιήθηκε η μέθοδος προβλέψεων συνόλου. Με την στατιστική μέθοδο Bootstrapping δημιουργήθηκε μια πληθώρα νέων συνόλων δεδομένων εκπαίδευσης και χρησιμοποιήθηκε ο αντίστοιχος αριθμός ντετερμινιστικών μοντέλων για την παραγωγή σημειακών προβλέψεων επί του ίδιου συνόλου δεδομένων εκπαίδευσης. Τέλος, χρησιμοποιώντας την θεωρία πιθανοτήτων και στατιστικής κατασκευάστηκαν τα διαστήματα εμπιστοσύνης για την ποσοτικοποίηση την αβεβαιότητας των προβλέψεων. Εκ των αποτελεσμάτων, διαπιστώθηκε πως για την αξιόπιστη παραγωγή πιθανοτικών προβλέψεων, είναι απαραίτητη η μεταβολή του αριθμού των ντετερμινιστικών μοντέλων που θα χρησιμοποιήσουμε, ανάλογα με τον επιθυμητό βαθμό εμπιστοσύνης. Κλείνοντας αξίζει να σημειωθεί, πως είναι απαραίτητη η θεμελίωση των αποτελεσμάτων σε ένα ευρύτερο πλαίσιο δεδομένων ώστε να αξιολογηθεί, πέραν της αξιοπιστίας, και η ποιότητα των αποτελεσμάτων που παρήγαγε το πιθανοτικό μοντέλο που αναπτύχθηκε.	el
heal.abstract	In recent years, there has been a great increase in the percentage of electrical energy that stems from wind power plants. However, this increase is also accompanied by network stability problems, since the incapacity of human intervention towards production renders the balancing between offer and demand uncertain. This fact makes, the accurate short-term prediction of wind power, of great importance for the optimal co-production of wind and conventional power plants. Since the chaotic nature of atmosphere renders the accurate production prediction unfeasible, more and more models of probabilistic prediction are developed, with the aim of quantifying the uncertainty of spot predictions. The aim of the current thesis is the development of such a probabilistic prediction model of wind power by utilizing Extreme Learning Machines. In particular, the state-of-the-art very short-term prediction model (of a prediction horizon of one hour) that was developed in a previous study [8] has been redesigned, and its performance in the production of short-term predictions (of a prediction horizon of one day) has been evaluated. For the development and evaluation of the model, historical data of one year have been utilized, data which consist of the wind predictions and the corresponding values of produced power on an hourly basis. The data, which pertain to a wind plant in Australia, comprise part of the data that was provided to the participants in the Global Energy Forecasting Competition 2014. Initially, a deterministic prediction model based on Extreme Learning Machines was designed, by modeling the mathematical theory that regulates their function on a Python programming interface. Subsequently, an attempt to pre-process the data for the accuracy enhancement of deterministic prediction error was made. For the production of probabilistic wind power predictions, an ensemble forecast method was employed. With the aid of the statistical method Bootstrapping, an abundance of new training data sets was created, and the respective number of deterministic models for the production of spot predictions of the total training data was utilized. Finally, by employing the theory of probability and statistics, the confidence intervals for the quantification of prediction uncertainty were devised. Ensuing from that, it was ascertained that for a reliable production of probabilistic predictions, the modification of the number of deterministic models that are going to be utilized is essential, depending on the desired confidence interval. In closing, it should be noted that the establishment of the results on a wider data framework is essential, in order for, along with the reliability, the quality of the results produced by the developed probabilistic model to be evaluated.	en
heal.advisorName	Χατζηαργυρίου, Νικόλαος	el
heal.committeeMemberName	Παπαθανασίου, Σταύρος	el
heal.committeeMemberName	Γεωργιλάκης, Παύλος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικής Ισχύος	el
heal.academicPublisherID	ntua
heal.numberOfPages	100 σ.	el
heal.fullTextAvailability	false