Ανάλυση, κατηγοριοποίηση και πρόβλεψη φορτίου καταναλωτών Ελληνικής αγοράς ηλεκτρικής ενέργειας.

Βουτσινάς, Ευάγγελος; Voutsinas, Evangelos

dc.contributor.author	Βουτσινάς, Ευάγγελος	el
dc.contributor.author	Voutsinas, Evangelos	en
dc.date.accessioned	2021-07-28T07:08:07Z
dc.date.available	2021-07-28T07:08:07Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53708
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21406
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Παραγωγή και Διαχείριση Ενέργειας”	el
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	Κατηγοριοποίηση	el
dc.subject	Βραχυπρόθεσμη πρόβλεψη	el
dc.subject	Κ-μέσων	el
dc.subject	Mini Batch Κ-μέσων	el
dc.subject	Μείωση διαστάσεων	el
dc.subject	Κατευθυνόμενη κατηγοριοποίηση	el
dc.subject	Τεχνητό νευρωνικό δίκτυο	el
dc.subject	Clustering	en
dc.subject	Short Term Load Forecast	en
dc.subject	K-means	en
dc.subject	Dimensionality reduction	en
dc.subject	Mini Batch K-means	en
dc.subject	Guided clustering	en
dc.subject	Artificial Neural Network	en
dc.title	Ανάλυση, κατηγοριοποίηση και πρόβλεψη φορτίου καταναλωτών Ελληνικής αγοράς ηλεκτρικής ενέργειας.	el
heal.type	masterThesis
heal.secondaryTitle	Analysis, classification and load forecast of Medium Voltage consumers of the Greek electricity market	en
heal.classification	Ενέργεια	el
heal.classification	Μηχανική Μάθηση	el
heal.classification	Αλγόριθμοι κατηγοριοποίησης	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-07-07
heal.abstract	Η παρούσα διπλωματική εργασία πραγματεύεται τη μελέτη της κατηγοριοποίησης και της βραχυπρόθεσμης πρόβλεψης στα Συστήματα Ηλεκτρικής Ενέργειας, καθώς και την υλοποίηση τους με Python για πελάτες Μέσης Τάσης του Ελληνικού Διασυνδεδεμένου Δικτύου Διανομής Ηλεκτρικής Ενέργειας. Εκπονήθηκε στο Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών «Παραγωγή και Διαχείριση Ενέργειας» του Εθνικού Μετσόβιου Πολυτεχνείου με επιβλέποντα καθηγητή τον κ. Νικόλαο Χατζηαργυρίου. Η εργασία δίνει λύση στο πρόβλημα της υλοποίησης πρόβλεψης όταν δεν είναι γνωστά τα δεδομένα της χρονοσειράς ζήτησης φορτίου ενός καταναλωτή. Η απάντηση βρίσκεται στην υλοποίηση κατηγοριοποίησης σε ομάδες καταναλωτών με γνωστές χρονοσειρές και ταξινόμηση του άγνωστου σε αυτές. Πρακτικά με την κατηγοριοποίηση που υλοποιείται, ένας πελάτης με γνωστό μόνο το τυπικό προφίλ κατανάλωσης φορτίου του μπορεί να καταχωρηθεί στην αντίστοιχη ομάδα που είναι πιο αντιπροσωπευτική για αυτόν και να γίνει εκτίμηση της ζήτησης φορτίου του. Αρχικά, παρουσιάζονται οι μέθοδοι αναγνώρισης προτύπων που χρησιμοποιούνται και η σημασία τους για το σύστημα ηλεκτρικής ενέργειας. Στη συνέχεια, αναλύονται οι κυριότερες τεχνικές κατηγοριοποίησης, καθώς και οι δείκτες αξιολόγησης που χρησιμοποιούνται για τη σύγκρισή τους. Ακόμη, καταγράφονται οι σημαντικότερες μεθοδολογίες που ακολουθούνται για την υλοποίηση της βραχυπρόθεσμης πρόβλεψης και αναλύονται τα τεχνητά νευρωνικά δίκτυα που θα χρησιμοποιηθούν στην παρούσα εργασία. Έπειτα, περιγράφεται η διαδικασία που ακολουθήθηκε για την υλοποίηση της κατηγοριοποίησης των τυπικών προφίλ των καταναλωτών, δηλαδή η συλλογή και η διαμόρφωση των δεδομένων που τροφοδοτήθηκαν στον αλγόριθμο K-μέσων. Τα πρώτα αποτελέσματα που εξήχθησαν ανέδειξαν την ανάγκη εύρεσης βελτίωσης του αλγορίθμου λόγω της φύσης των δεδομένων, τα οποία επειδή συγκεντρώνονται σημαντικά σε μικρό τμήμα του συνολικού εύρους, ταξινομούνται σε ομάδες εξαιρετικά άνισα με μία εξ αυτών να περιέχει τη συντριπτική πλειοψηφία των δεδομένων. Έτσι, εφαρμόστηκαν οι εξής βελτιώσεις: η μείωση των διαστάσεων των δεδομένων, ο αλγόριθμος Mini Batch K-means, η υλοποίηση καθοδηγούμενης κατηγοριοποίησης με K-means (guided K-means) που έδωσε τη βέλτιστη απόκριση, καθώς και ο συνδυασμός τους. Το επόμενο βήμα είναι η περιγραφή και η υλοποίηση μοντέλου πρόβλεψης το οποίο κατασκευάζεται για την βραχυπρόθεσμη πρόβλεψη κάθε μίας από τις ομάδες που προκύπτουν από το βήμα της κατηγοριοποίησης. Έτσι, δημιουργούνται 15 μοντέλα που έχουν κατασκευαστεί με τεχνητά νευρωνικά δίκτυα και που το καθένα τροφοδοτείται από τη χρονοσειρά που περιγράφει το προφίλ της αντίστοιχης ομάδας για το έτος 2019. Ως αποτέλεσμα προκύπτει η πρόβλεψη φορτίου των επόμενων 24 ωρών για κάθε τυπικό προφίλ των Ελλήνων πελατών Μέσης Τάσης του διασυνδεδεμένου συστήματος, όπου παρατηρείται η αύξηση της ακρίβειάς της για ομάδες με μεγαλύτερη κατανάλωση. Τέλος, αξιολογούνται τα αποτελέσματα που εξήχθησαν, παρουσιάζονται τα συμπεράσματα που προέκυψαν και προτείνονται μελλοντικά βήματα έρευνας με βάση την εργασία αυτή.	el
heal.abstract	This post-graduate thesis focuses on the study and implementation of classification and short-term forecasting with Python in systems of Electric Power and particularly with regards to customers connected to the Greek Medium Voltage Power Grid. It was conducted for the Inter – Departmental Postgraduate Course: «Energy Production and Management» coordinated by the National Technical University of Athens and supervised by Professor Nikolaos Hatziargyriou. The work solves the problem of forecast implementation when the load time series of a consumer are not known. The answer lies in implementing classification into consumer groups with known time series and classifying the unknown in them. Practically with the categorization that is implemented, a customer with known only his typical consumption profile can be registered in the respective group that is more representative for him and his load demand can be estimated. Initially, the pattern recognition methods used are presented along with their importance for the electricity system. Then, the main categorization techniques are analyzed, as well as the evaluation indicators used to compare them. Furthermore, the most important methodologies the short-term forecasting are described and an analysis of artificial neural networks used to implement predictions in this thesis provided. The procedure followed for the implementation of clustering the typical consumer profiles is described, starting with the collection and configuration of the data fed to the K-means algorithm. The first results obtained revealed the necessity to find an algorithm improvement due to the nature of the data that are significantly concentrated in a part of the total range. This element results in classification into extremely unequal groups, where only one of them is populated by the vast majority of data. Thus, the following improvements were implemented: the reduction of data dimensions, the Mini Batch K-means algorithm, the implementation of guided K-means categorization, as well as their combination. The best results were taken from guided K-means for 15 clusters in total. Subsequently, a forecasting model is described and implemented for the short-term prediction of each of the groups resulting from the classification step. Thus, 15 models are created with artificial neural networks with the same architecture between them. Each one is fed by the time series that describes the typical profile of the corresponding cluster for the year 2019 which consists of the mean values of all consumers that are part of the same group. This results in a load forecast for the next 24 hours for each typical profile of every group that describes Greek Medium Voltage customers of the interconnected system. The outcome of forecasting shows that accuracy increases for clusters with higher energy consumption. Finally, the results are evaluated and the conclusions drawn are presented, followed by the prospects and suggestions for future research on this topic.	en
heal.advisorName	Χατζηαργυρίου, Νικόλαος	el
heal.advisorName	Hatziargyriou, Nikolaos	en
heal.committeeMemberName	Χατζηαργυρίου, Νικόλαος	el
heal.committeeMemberName	Παπαθανασίου, Σταύρος	el
heal.committeeMemberName	Τσεκούρας, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	90 σ.	el
heal.fullTextAvailability	false