Σχεδίαση, υλοποίηση και εκπαίδευση μοντέλων Μηχανικής Μάθησης σε ενεργειακά και μετεωρολογικά δεδομένα για την πρόβλεψη φορτίου.

Παναγιώτου, Εμμανουήλ; Panagiotou, Emmanouil

dc.contributor.author	Παναγιώτου, Εμμανουήλ	el
dc.contributor.author	Panagiotou, Emmanouil	en
dc.date.accessioned	2020-12-16T11:49:13Z
dc.date.available	2020-12-16T11:49:13Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/52562
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20260
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-sa/3.0/gr/	*
dc.subject	Πρόβλεψη χρονοσειρών	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Πρόβλεψη φορτίου	el
dc.subject	Προεπεξεργασία δεδομένων	el
dc.subject	LSTM	el
dc.subject	Time series forecasting	en
dc.subject	Deep learning	en
dc.subject	Data preprocessing	en
dc.subject	Load forecasting	en
dc.subject	LSTM	en
dc.title	Σχεδίαση, υλοποίηση και εκπαίδευση μοντέλων Μηχανικής Μάθησης σε ενεργειακά και μετεωρολογικά δεδομένα για την πρόβλεψη φορτίου.	el
dc.title	Designing, implementing and training of Machine Learning models on energy and meteorological data for load forecasting.	en
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.classification	Machine learning	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-10-30
heal.abstract	Η ορθή πρόβλεψη της συμπεριφοράς του καιρού καθώς και της παραγωγής και κατανάλωσης φορτίου είναι ιδιαίτερα σημαντική σε πολλαπλούς επιστημονικούς τομείς καθώς και σε επιχειρήσεις. Μια βελτιωμένη στρατηγική πρόβλεψης μπορεί να βοηθήσει εταιρείες παροχής ενέργειας να ανταποκριθούν στην ισορροπία ζήτησης/προσφοράς, αποφεύγοντας απώλειες και αναπτύσσοντας κέρδη. Σε αυτή την εργασία, μετεωρολογικά δεδομένα που έχουν συλλεχθεί από συσκευές και σένσορες IoT και συνδυάζονται με πανελλαδικά δεδομένα φορτίου, χρησιμοποιούνται για την κατασκευή προβλέψεων καθώς και για την βελτίωση υπαρχόντων προγνώσεων. Τα δεδομένα αποθηκεύονται και φιλτράρονται από κατάλληλες μεθόδους προεπεξεργασίας για την διασφάλιση της ποιότητάς τους καθώς και το ότι οι προβλέψεις θα είναι ανεξάρτητες τυχαίου θορύβου. Τα πανελλαδικά δεδομένα καιρού κανονικοποιούνται σε σχέση με τα δημογραφικά στοιχεία της εκάστοτε περιοχής, σε μια προσπάθεια εκτίμησης της κατανάλωσης της ηλεκτρικής ενέργειας. Για την δημιουργία προβλέψεων μελετώνται και υλοποιούνται διάφορα μοντέλα βαθιάς μηχανικής μάθησης, εστιάζοντας κυρίως σε αναδρομικά δίκτυα LSTM. Γίνεται πειραματισμός και αξιολόγηση σε σχέση με την ποιότητα και το πλήθος των δεδομένων εισόδου, την αποδοτικότητα των μοντέλων, την βελτίωση ήδη υπαρχόντων προγνώσεων, καθώς ως προς τον αριθμό των ημερών για τις οποίες παράγεται πρόβλεψη. Τέλος αναπτύσσεται εργαλείο αυτόματης οπτικοποίησης των παραγόμενων χρονοσειρών πρόβλεψης, έτοιμο για παραγωγή, με φιλικό προς τον χρήστη περιβάλλον.	el
heal.abstract	Proper forecasting of weather behavior as well as predicting load production and consumption is particularly important in multiple scientific fields as well as in businesses. An improved forecasting strategy can assist power or energy providing companies to meet the demand and supply equilibrium, avoiding losses and increasing profits. In this thesis, meteorological data collected from IoT devices and sensors, combined with nationwide load data are used to make predictions as well as to improve existing forecasts. The acquired data are stored and filtered by appropriate preprocessing methods not only ensuring their quality but also that the predictions will be independent of random noise. Nationwide weather data are normalized in relation to the demographics of each region, in an effort to estimate electricity consumption. To generate predictions, multiple machine learning models are built and analysed, focusing mainly on recurrent networks, such as LSTM. Experiments are conducted and evaluation is performed regarding the quality and quantity of the input data, the efficiency of the models, the improvement of existing forecasts, as well as the number of days for which forecasts are generated. Finally a ready for production tool with a user-friendly interface for automatic visualization of the generated predictions and time series is developed.	en
heal.advisorName	Βεσκούκης, Βασίλειος	el
heal.committeeMemberName	Βεσκούκης, Βασίλειος	el
heal.committeeMemberName	Παπασπύρου, Νικόλαος	el
heal.committeeMemberName	Χατζηαργυρίου, Νικόλαος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	80 σ.	el
heal.fullTextAvailability	false