Πιθανοτική πρόβλεψη αιολικής παραγωγής με χρήση τεχνητών νευρωνικών δικτύων

Κουσουνάδης-Κνούσεν, Μάρκος; Kousounadis-Knousen, Markos

dc.contributor.author	Κουσουνάδης-Κνούσεν, Μάρκος	el
dc.contributor.author	Kousounadis-Knousen, Markos	en
dc.date.accessioned	2022-01-10T09:37:34Z
dc.date.available	2022-01-10T09:37:34Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54277
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21975
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	Πιθανοτική πρόβλεψη αιολικής παραγωγής	el
dc.subject	Εκτίμηση κάτω και άνω ορίου	el
dc.subject	Πολυκριτηριακή βελτιστοποίηση	el
dc.subject	Βελτιστοποίηση σμήνους σωματιδίων	el
dc.subject	Probabilistic wind power forecasting	en
dc.subject	Lower upper bound estimation	en
dc.subject	Multi-objective optimization	en
dc.subject	Particle swarm optimization	en
dc.subject	Τεχνητά νευρωνικά δίκτυα	el
dc.subject	Artificial neural networks	en
dc.title	Πιθανοτική πρόβλεψη αιολικής παραγωγής με χρήση τεχνητών νευρωνικών δικτύων	el
heal.type	bachelorThesis
heal.classification	Ανανεώσιμες πηγές ενέργειας	el
heal.classification	Τεχνητά νευρωνικά δίκτυα	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-07-09
heal.abstract	Σκοπός της παρούσας διπλωματικής εργασίας είναι η πιθανοτική πρόβλεψη της αιολικής παραγωγής μέσω της ανάπτυξης μοντέλων που βασίζονται σε τεχνητά νευρωνικά δίκτυα. Για την παραγωγή των διαστημάτων πρόβλεψης χρησιμοποιείται η μέθοδος εκτίμησης κάτω και άνω ορίου. Το πρώτο μοντέλο που αναπτύσσεται εκπαιδεύεται στη βάση της ελαχιστοποίησης του κριτηρίου του εύρους κάλυψης, ενώ το δεύτερο μοντέλο εκπαιδεύεται σε πολυκριτηριακά πλαίσια. Ως αλγόριθμος βελτιστοποίησης επιλέγεται η βελτιστοποίηση σμήνους σωματιδίων. Στην περίπτωση του δεύτερου μοντέλου ο αλγόριθμος τροποποιείται έτσι ώστε να είναι κατάλληλος για πολυκριτηριακή βελτιστοποίηση. Για την αρχικοποίηση των βαρών και των πολώσεων των δύο μοντέλων επιλέγεται η τεχνική αρχικοποίησης Nguyen-Widrow. Και στα δύο μοντέλα εφαρμόζεται τελεστής μετάλλαξης ο οποίος μειώνεται γραμμικά. Για την εκπαίδευση και την αξιολόγηση των μοντέλων χρησιμοποιούνται δημόσια διαθέσιμα δεδομένα που προέρχονται από τον διαγωνισμό GEFCom 2014. Τα δεδομένα αφορούν δέκα αιολικούς σταθμούς και χωρίζονται σε εποχές ώστε να είναι δυνατή η εποχική ανάλυση. Η ανάπτυξη του κώδικα για την κατασκευή των μοντέλων πιθανοτικής πρόβλεψης της παρούσας διπλωματικής εργασίας γίνεται στη γλώσσα προγραμματισμού Python. Για τα δεδομένα κάθε εποχής, τα μοντέλα παράγουν διαστήματα πρόβλεψης με ωριαία χρονική ανάλυση. Τα αποτελέσματα των μοντέλων συγκρίνονται μεταξύ τους αλλά και με τα αποτελέσματα άλλων μοντέλων πιθανοτικής πρόβλεψης της διαθέσιμης βιβλιογραφίας. Εξάγονται συμπεράσματα σχετικά με την απόδοση των μοντέλων αλλά και την απόδοση ανά εποχή, και προτείνονται ορισμένες πιθανές μελλοντικές επεκτάσεις της εργασίας.	el
heal.abstract	The purpose of this diploma thesis is the probabilistic forecasting of wind power production through the development of forecasting models consisting of artificial neural networks. The Lower Upper Bound Estimation (LUBE) method is employed in order to generate prediction intervals. The minimization of the Coverage Width based Criterion (CWC) is used as the cost function for the training of the first model developed in this diploma thesis. The second developed model is trained in a multi objective framework. Particle Swarm Optimization (PSO) is chosen as the optimization algorithm. In the case of the second model, PSO is modified in order to suit multi objective optimization. The Nguyen-Widrow initialization technique is chosen for the initialization of the weights and biases. Α linearly decreasing mutation operator is applied to both models. For the training and the evaluation of the models, publicly available data from the Global Energy Forecasting Competition 2014 are used. The data, which are related to ten wind farms, are divided into seasons so that seasonal analysis is possible. The code development for the construction of the probabilistic forecasting models of this diploma thesis is done in Python. For each seasonal dataset, prediction intervals are generated in an hourly time resolution. The results of the models are compared with each other and also with the results of other probabilistic forecasting models found in the available bibliography. Conclusions about the performance of the models and the performance per season are drawn. Possible future research on the topic is also proposed.	en
heal.advisorName	Γεωργιλάκης, Παύλος	el
heal.committeeMemberName	Κορρές, Γεώργιος	el
heal.committeeMemberName	Γκόνος, Ιωάννης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικής Ισχύος	el
heal.academicPublisherID	ntua
heal.numberOfPages	91 σ.	el
heal.fullTextAvailability	false