Πρόβλεψη παραγωγής ενέργειας από φωτοβολταϊκά πάρκα με χρήση τεχνητών νευρωνικών δικτύων

Νικολάου, Βασιλική; Nikolaou, Vasiliki

dc.contributor.author	Νικολάου, Βασιλική	el
dc.contributor.author	Nikolaou, Vasiliki	en
dc.date.accessioned	2020-11-19T06:35:11Z
dc.date.available	2020-11-19T06:35:11Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/51952
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.19650
dc.rights	Default License
dc.subject	Time series forecasting	en
dc.subject	Short-term forecasting	en
dc.subject	Neural Networks	en
dc.subject	RES	en
dc.subject	Photovoltaic Production	en
dc.subject	Προβλεψη χρονοσειρών	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Φωτοβολταϊκά	el
dc.subject	Ανανεώσιμες πηγές ενέργειας	el
dc.title	Πρόβλεψη παραγωγής ενέργειας από φωτοβολταϊκά πάρκα με χρήση τεχνητών νευρωνικών δικτύων	el
heal.type	bachelorThesis
heal.classification	Electrical engineering	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-07-26
heal.abstract	Οι ΑΠΕ διαδραματίζουν ολοένα και αποφασιστικότερο ρόλο στην παραγωγή ενέργειαςκαι στην λύση του ενεργειακού ζητήματος. Τα φωτοβολταϊκά συστήματα έχουν πρωταγωνι-στικό ρόλο ανάμεσα στις τεχνολογίες ΑΠΕ, με πλεονεκτήματα που τα καθιστούν ιδιαίτεραελκυστικά στη νέα απελευθερωμένη αγορά ηλεκτρικής ενέργειας και ειδικότερα στα πλαίσιατης“πράσινης”ανάπτυξης που προωθείται παγκοσμίως. Ωστόσο, η στοχαστική φύση τηςπαραγωγής τους, μας οδηγεί στην ανάγκη για δημιουργία ασφαλών προβλέψεων σχετικά μεαυτή. Η πρόοδος των τεχνητών νευρωνικών δικτύων και οι εξαιρετικές επιδόσεις τους στονεντοπισμό συσχετισέων μεταξύ παρατηρήσεων και στις προβλέψεις ακολουθιών μας οδηγούνστην εφαρμογή ορισμένων αρχιτεκτονικών στο πρόβλημα που περιγράφηκε παραπάνω.Αντικείμενο της παρούσας διπλωματικής εργασίας είναι η δημιουργία βραχυπρόθεσμωνπροβλέψεων για τη χρονοσειρά παραγωγής φωτοβολταϊκών πάρκων. Οι προβλέψεις έχουνορίζοντα 24 ωρών (day-ahead) και σκοπός της εργασίας είναι η σύγκριση των αποδόσεων δια-φορετικών μοντέλων. Υλοποιούνται δυο στατιστικά μοντέλα, το μοντέλο παραμένουσας τιμής(Peristence) και ολοκληρωμένο αυτοπαλινδρομικό μοντέλο κινητού μέσου όρου (ARIMA). Α-κόμα σχεδιάζονται και εκπαιδεύονται τρια βαθιά νευρωνικά δίκτυα. ́Ενα αναδρομικό νευρωνικόδίκτυο, συγκεκριμένα μακράς βραχέας μνήμης (LSTM), ένα μονοδιάστατο συνελικτικό νευ-ρωνικό δίκτυο (CNN 1d) και τέλος ο συνδυασμός των παραπάνω αρχιτεκτονικών σε ένα τρίτοδίκτυο (CNN1d-LSTM). Η σχεδίαση των στατιστικών μοντέλων, καθώς και των νευρωνικώνδικτύων, έγινε σε γλώσσαPython, έκδοση 3.7.4, με χρήσηKeras, ενόςhigh-level APIτηςTensorFlowκατάλληλου για την κατασκευή και εκπαίδευση μοντέλων βαθιάς μάθησης. Γιατην σύγκριση των προβλέψεων υπολογίστηκε το Κανονικοποιημένο Μέσο Απόλυτο Σφάλμα(NMAE), σε συνολική και ανά ώρα τιμή.	el
heal.advisorName	Χατζηαργυρίου, Νικόλαος	el
heal.committeeMemberName	Χατζηαργυρίου, Νικόλαος	el
heal.committeeMemberName	Γεωργιλάκης, Παύλος	el
heal.committeeMemberName	Παπαθανασίου, Σταύρος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false