Πρόβλεψη ζήτησης ηλεκτρικού φορτίου με χρήση
τεχνικών βαθιάς μάθησης

Χορτομάνης, Ιωάννης; Chortomanis, Ioannis

dc.contributor.author	Χορτομάνης, Ιωάννης	el
dc.contributor.author	Chortomanis, Ioannis	en
dc.date.accessioned	2021-11-02T08:59:05Z
dc.date.available	2021-11-02T08:59:05Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54010
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21708
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) "Επιστήμη Δεδομένων και Μηχανική Μάθηση"	el
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	Πρόβλεψη φορτίου	el
dc.subject	Χρονοσειρές	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Τεχνική κυλιόμενου παραθύρου	el
dc.subject	Νευρωνικά δίκτυα πρόσθιας τροφοδότησης	el
dc.subject	Ανατροφοδοτούμενα νευρωνικά δίκτυα	el
dc.subject	Φραγμένα ανατροφοδοτούμενα δίκτυα	el
dc.subject	Δίκτυα μακράς βραχύχρονης μνήμης	el
dc.subject	Ακολουθιακά δίκτυα	el
dc.subject	Χρονικά συνελικτικά δίκτυα	el
dc.subject	Αναδρομική στρατηγική πρόβλεψης	el
dc.subject	Στρατηγική πρόβλεψης πολλαπλής εισόδου πολλαπλής εξόδου	el
dc.subject	Προσαρμοστική κανονικοποίηση χρονοσειράς	el
dc.subject	Load forecasting	en
dc.subject	Time series	en
dc.subject	Deep learning	en
dc.subject	wWndow sliding technique	en
dc.subject	Feed forward neural networks	en
dc.subject	Elman recurrent networks	en
dc.subject	Gated recurrent networks	en
dc.subject	Long short-term memory networks	en
dc.subject	Sequential networks	en
dc.subject	Temporal convolution networks	en
dc.subject	Recursive forecasting strategy	en
dc.subject	Multiple input multiple output forecasting strategy	en
dc.subject	Adaptive time series normalization	en
dc.title	Πρόβλεψη ζήτησης ηλεκτρικού φορτίου με χρήση τεχνικών βαθιάς μάθησης	el
dc.title	Electricity load forecasting using deep learning techniques	en
heal.type	masterThesis
heal.classification	Μηχανική μάθηση	el
heal.classification	Βαθιά μάθηση	el
heal.classification	Τεχνητή νοημοσύνη	el
heal.classification	Επιστήμη υπολογιστών	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-09-14
heal.abstract	Σκοπός της παρούσας μεταπτυχιακής διπλωματικής εργασίας είναι η αναλυτική επεξεργασία δεδομένων που αφορούν την πρόβλεψη κατανάλωσης ηλεκτρικής ενέργειας μέσω τεχνικών Βαθιάς Μηχανικής Μάθησης. Δύο σετ δεδομένων λαμβάνονται υπόψη, με το πρώτο να περιέχει τις καταγραφές κατανάλωσης ηλεκτρικής ενέργειας ενός μετρητή μιας οικίας ανά ένα λεπτό της ώρας ενώ το δεύτερο τις καταγραφές μιας ομάδας μετρητών μιας γειτονιάς ανά μία ώρα. Τα δεδομένα λαμβάνονται στην πρωτόλεια μορφή τους και, αφού προηγηθεί διερευνητική στατιστική ανάλυσή τους, υπόκεινται σε επεξεργασία με διάφορους τρόπους (ενδεικτικά: συμπλήρωση ελλειπουσών τιμών, δειγματοληψία, απαλοιφή τάσεων μεταβολής των τιμών (detrending), κανονικοποίηση, κωδικοποίηση ”one hot” κλπ) ώστε να παραχθεί ένα κατάλληλο σύνολο δεδομένων που να μπορεί να τροφοδοτηθεί με ορθό και αποτελεσματικό τρόπο σε μία διάταξη βαθιάς μάθησης. Για την διαδικασία τόσο της εκπαίδευσης όσο και της πρόβλεψης των νευρωνικών δικτύων χρησιμοποιείται η τεχνική του ”κυλιόμενου παραθύρου” (sliding window), σύμφωνα με την οποία το σύνολο δεδομένων χωρίζεται σε διαδοχικά αλληλοεπικαλυπτόμενα τμήματα δεδομένων σταθερού (στην περίπτωσή μας) μήκους. Αναλύονται διάφορες τεχνικές διαχωρισμού των δεδομένων (απλός και πολλαπλός διαχωρισμός σε σύνολα εκπαίδευσης και ελέγχου, διαχωρισμός σε παρτίδες (batches)), η τεχνική ανακατέματος (shuffling) των παραθύρων καθώς και στρατηγικές πρόβλεψης (αναδρομική, πολλαπλών εισόδωνπολλαπλών εξόδων κλπ). Τα δίκτυα Βαθιάς Μάθησης που χρησιμοποιούνται τελικώς για το έργο της πρόβλεψης περιλαμβάνουν τα Δίκτυα Πρόσθιας Τροφοδότησης, τα Ανατροφοδοτούμενα Δίκτυα τύπου Elman, τα Φραγμένα Ανατροφοδοτούμενα Δίκτυα, τα Δίκτυα Μακράς Βραχύχρονης Μνήμης, τα Ακολουθιακά ή Δίκτυα ΚωδικοποιητήΑποκωδικοποιητή και τα Χρονικά Συνελικτικά Δίκτυα. Για τα δίκτυα αυτά ελήφθησαν αποτελέσματα για το ίδιο έργο πρόβλεψης του ηλεκτρικού φορτίου των επόμενων 24 ωρών και οι επιδόσεις τους συγκρίθηκαν μεταξύ τους. Η εργασία ολοκληρώνεται με προτάσεις βελτίωσης του έργου της πρόβλεψης, η κυριότερη εκ των οποίων είναι η προσαρμοστική κανονικοποίηση της (όποιας) χρονοσειράς εισόδου.	el
heal.abstract	The purpose of this master’s thesis is the detailed processing of data related to the prediction of electricity consumption through Deep Machine Learning techniques. Two sets of data are considered, the first containing the electricity consumption records of a household meter per minute of time and the second the records of a neighborhood meter group per hour. The data are taken in their original form and, after their exploratory statistical analysis, are subjected to processing in various ways (for example: filling in missing values, sampling, eliminating value trends (detrending), normalization, ”one hot” encoding etc) to produce an appropriate data set that can be properly and efficiently fed into a deep learning network. The process of both training and predicting neural networks uses the ”sliding window” technique, according to which the data set is divided into successively overlapping sections of data of constant (in our case) length. Various data separation techniques are analyzed (simple and multiple separation into training and control sets, batch separation), the window shuffling technique as well as prediction strategies (recursive, multiple input multiple output, etc.). The Deep Learning Networks that are ultimately used for the forecasting work include the Feed Forward Neural Networks, the Elman Recurrent Networks, the Gated Recurrent Networks, the Long ShortTerm Memory Networks, the Sequential (or EncoderDecoder) Networks, and the Temporal Convolution Networks. For these networks, results were obtained for the same task of forecasting the electric load of the next 24 hours and their performance was compared with each other. The work is completed with proposals for improving the task of forecasting, the main of which is the adaptive normalization of (any) input time series.	en
heal.advisorName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Κόλλιας, Στέφανος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	94 σ	el
heal.fullTextAvailability	false