Πρόβλεψη αιολικής και φωτοβολταϊκής παραγωγής με χρήση τεχνικών μηχανικής μάθησης

Παπαθανασίου, Κωνσταντίνος

dc.contributor.author	Παπαθανασίου, Κωνσταντίνος	el
dc.date.accessioned	2021-03-30T06:19:31Z
dc.date.available	2021-03-30T06:19:31Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53186
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.20884
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	Πρόβλεψη χρονοσειρών	el
dc.subject	Ανανεώσιμες πηγές ενέργειας	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Αναδρομικά νευρωνικά δίκτυα	el
dc.subject	Συνελικτικά νευρωνικά δίκτυα	el
dc.subject	Time series forecasting	en
dc.subject	Renewable energy sources	en
dc.subject	Neural networks	en
dc.subject	Recurrent neural networks	en
dc.subject	Convolutional neural networks	en
dc.title	Πρόβλεψη αιολικής και φωτοβολταϊκής παραγωγής με χρήση τεχνικών μηχανικής μάθησης	el
dc.contributor.department	Τομέας Ηλεκτρικής Ισχύος	el
heal.type	bachelorThesis
heal.classification	Ανανεώσιμες Πηγές Ενέργειας	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-03-15
heal.abstract	Η αυξανόμενη διείσδυση των Ανανεώσιμων Πηγών Ενέργειας (ΑΠΕ) στα συστήματα παραγωγής ηλεκτρικής ενέργειας, θέτει προκλήσεις αναφορικά με την αξιόπιστη και οικονομική λειτουργία τους. Η τυχαιότητα και η αβεβαιότητα της αιολικής και της φωτοβολταϊκής παραγωγής, εξαιτίας της στοχαστικής τους φύσης, συχνά ενδέχεται να επηρεάσουν την ποιότητα της παραγόμενης ενέργειας, ενώ καθιστούν τις αποφάσεις ένταξης μονάδων και διατήρησης εφεδρειών ιδιαίτερα πολύπλοκες. Η ύπαρξη, επομένως, προβλέψεων της παραγωγής τους κρίνεται αναγκαία και αυξανόμενης σημασίας, για την μετάβαση στην δημιουργία συστημάτων ηλεκτρικής ενέργειας βασιζόμενα σε ανανεώσιμες πηγές ενέργειας. Αντικείμενο της παρούσας διπλωματικής αποτελεί η δημιουργία προβλέψεων για την αιολική και την φωτοβολταϊκή παραγωγή με χρονικό ορίζοντα 24 ωρών, χρησιμοποιώντας τεχνικές μηχανικής μάθησης, και συγκεκριμένα τα τεχνητά νευρωνικά δίκτυα. Εξ αυτών, θα εξεταστούν δυο κατηγορίες, τα Αναδρομικά Νευρωνικά Δίκτυα Μακράς και Βραχείας Μνήμης (Long and Short Term Memory ή LSTM) και τα Συνελικτικά Νευρωνικά Δίκτυα (Convolutional Neural Networks ή CNN). Για την μελέτη της αποδοτικότητας τους θα υλοποιηθούν δυο παραλλαγές της κάθε κατηγορίας νευρωνικών δικτύων, τα αναδρομικά νευρωνικά δίκτυα (LSTM) με ή χωρίς την χρήση της αρχιτεκτονικής Κωδικοποιητή-Αποκωδικοποιητή (Encoder-Decoder) και τα συνελικτικά νευρωνικά δίκτυα (TCN) και (WaveNet). Εκτός των διαφορετικών νευρωνικών δικτύων θα δοκιμαστούν και διαφορετικές προσεγγίσεις στην δημιουργία των μοντέλων πρόβλεψης. Πιο αναλυτικά, για την αιολική παραγωγή θα ελεγχθεί η διαφοροποίηση των σφαλμάτων πρόβλεψης, είτε προβλέποντας την συνολική αιολική παραγωγή για μια περιοχή, είτε προβλέποντας την αιολική παραγωγή για κάθε αιολικό πάρκο ξεχωριστά, ενώ για την φωτοβολταϊκή παραγωγή θα εξεταστεί η πρόβλεψη της στο επίπεδο του Ελληνικού συστήματος χρησιμοποιώντας ιστορικές παρατηρήσεις με ή χωρίς επιπλέον χαρακτηριστικά. Τέλος θα εκτιμηθεί η απόδοση του κάθε μοντέλου πρόβλεψης, συγκρίνοντας τα σφάλματα για την μηνιαία και την ετήσια πρόβλεψη της αιολικής και φωτοβολταϊκής παραγωγής, ενώ θα εξαχθούν συμπεράσματα για την αποτελεσματικότητα του κάθε μοντέλου.	el
heal.advisorName	Παπαθανασίου, Σταύρος	el
heal.committeeMemberName	Κορρές, Γεώργιος	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	137 σ.	el
heal.fullTextAvailability	false