Βραχυπρόθεσμη πρόβλεψη ζήτησης ηλεκτρικής ενέργειας στην Ελλάδα.

Εγγoνόπουλος, Ιωάννης

dc.contributor.author	Εγγoνόπουλος, Ιωάννης	el
dc.date.accessioned	2020-12-06T08:11:19Z
dc.date.available	2020-12-06T08:11:19Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52300
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.19998
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nd/3.0/gr/	*
dc.subject	Διερευνητική ανάλυση δεδομένων	el
dc.subject	Βραχυπρόθεσμη πρόβλεψη	el
dc.subject	Ενεργειακή ζήτηση	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Γραμμική παλινδρόμηση	el
dc.subject	Exploratory data analysis	en
dc.subject	Short-term forecasting	en
dc.subject	Energy demand	en
dc.subject	Machine learning	en
dc.subject	Linear regression	en
dc.title	Βραχυπρόθεσμη πρόβλεψη ζήτησης ηλεκτρικής ενέργειας στην Ελλάδα.	el
heal.type	bachelorThesis
heal.classification	Forecasting	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-07-16
heal.abstract	Η πρόβλεψη της ζήτησης φορτίου ηλεκτρικής ενέργειας αποτελεί έναν τομέα της επιστήμης των προβλέψεων που παρουσιάζει ιδιαίτερο ενδιαφέρον μετά την απελευθέρωση των αγορών ενέργειας και το ανταγωνιστικό περιβάλλον που έχει δημιουργηθεί. Η εκ των προτέρων γνώση της συμπεριφοράς φορτίου είναι ζωτικής σημασίας για τον σχεδιασμό, την ανάλυση και τη λειτουργία των συστημάτων ισχύος, ώστε να εξασφαλιστεί μια αδιάκοπη, αξιόπιστη, ασφαλής και οικονομική παροχή ηλεκτρικής ενέργειας. 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 πολλές μεταβλητές όπως: οι καιρικές συνθήκες, οι κοινωνικοοικονομικές συνθήκες, το είδος του τελικού χρήστη, οι εποχιακοί παράγοντες και τα τυχαία γεγονότα. Λόγω των μη γραμμικών σχέσεων που εμφανίζονται μεταξύ της ηλεκτρικής κατανάλωσης και των επιμέρους παραμέτρων, τα τελευταία χρόνια επιλέγονται μέθοδοι μηχανικής μάθησης (Machine Learning) που βασίζονται στα διαθέσιμα δεδομένα και εκπαιδεύονται μέσα από αυτά. Το γεγονός αυτό τα καθιστά κατάλληλα για την επίλυση τέτοιων προβλημάτων. Αντικείμενο της διπλωματικής εργασίας είναι η χρονική διερεύνηση της ζήτησης ηλεκτρικής ενέργειας στην Ελλάδα και η ανάπτυξη μιας μεθοδολογίας για τη βραχυπρόθεσμη πρόβλεψη της ενεργειακής ζήτησης. 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 παράθεση διαφόρων μοντέλων με σκοπό τη βέλτιστη προσέγγιση των πραγματικών δεδομένων. Το χρονικό διάστημα στο οποίο γίνεται η μελέτη είναι από το 2006 έως και το 2016 και αφορά τα δεδομένα της Ελλάδας. Αρχικά, επιχειρείται η εύρεση συσχετίσεων μεταξύ της ηλεκτρικής κατανάλωσης και ορισμένων βασικών μεταβλητών που την επηρεάζουν (θερμοκρασία, εποχή, είδος ημέρας κ.α.). Στη συνέχεια, πραγματοποιείται η βραχυπρόθεσμη πρόβλεψη της ενεργειακής ζήτησης μέσω αλγορίθμων και πακέτων με χρήση της γλώσσας R (2017), που αποτελεί δημοφιλή γλώσσα μηχανικής μάθησης. Συγκεκριμένα, αφού εξετάσουμε ένα μοντέλο αναφοράς με την απλοϊκή μέθοδο (naïve), θα δημιουργήσουμε μοντέλα γραμμικής παλινδρόμησης (linear regression) και μοντέλα random forest τα οποία θα εξετάσουμε σε βάθος. Ένας από τους βασικούς στόχους της μελέτης είναι να διερευνήσουμε πως η απόδοση των μοντέλων σχετίζεται με την επιλογή μεταβλητών σε πρόβλεψη ενός βήματος σύντομων χρονοσειρών (one-step forecasting of short time series). Τέλος, προτείνεται το καταλληλότερο μοντέλο και γίνεται αξιολόγηση των αποτελεσμάτων που προκύπτουν από την ανάλυση. Τα δεδομένα και ο κώδικας από τον οποίον προέκυψαν τα αποτελέσματα της εργασίας, διατίθενται στον παρακάτω σύνδεσμο: https://doi.org/10.6084/m9.figshare.12630503.v2	el
heal.advisorName	Μαμάσης, Νικόλαος	el
heal.advisorName	Νουτσόπουλος, Κωνσταντίνος	el
heal.advisorName	Ευστρατιάδης, Ανδρέας	el
heal.committeeMemberName	Μαμάσης, Νικόλαος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Πολιτικών Μηχανικών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false