Εφαρμογή αλγορίθμων μηχανικής μάθησης για πρόβλεψη χρονοσειρών κατανάλωσης ηλεκτρικής ενέργειας

Ζαχαράκη-Ρήγα, Χριστίνα; Zacharaki-Riga, Christina

dc.contributor.author	Ζαχαράκη-Ρήγα, Χριστίνα	el
dc.contributor.author	Zacharaki-Riga, Christina	en
dc.date.accessioned	2022-06-01T08:15:06Z
dc.date.available	2022-06-01T08:15:06Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55227
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22925
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Τεχνο-οικονομικά συστήματα”	el
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
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	Μηχανική μάθηση	el
dc.subject	Ηλεκτρική ενέργεια	el
dc.subject	Χρονοσειρές	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Μοντέλα ARIMA	el
dc.subject	Machine learning	en
dc.subject	Electrical energy	en
dc.subject	Time series	en
dc.subject	Neural networks	en
dc.subject	ARIMA models	en
dc.title	Εφαρμογή αλγορίθμων μηχανικής μάθησης για πρόβλεψη χρονοσειρών κατανάλωσης ηλεκτρικής ενέργειας	el
heal.type	masterThesis
heal.classification	Μηχανική μάθηση	el
heal.language	el
heal.access	campus
heal.recordProvider	ntua	el
heal.publicationDate	2022-01-20
heal.abstract	Τα τελευταία χρόνια εμφανίζεται επιτακτική η ανάγκη αντιμετώπισης διάφορων παραμέτρων που επιβαρύνουν το φαινόμενο της κλιματικής κρίσης. Για την αντιμετώπιση και την πρόληψη του φαινομένου αυτού είναι σημαντική η συνδρομή των αλγορίθμων μηχανικής μάθησης. Ειδικά ο τομέας της ενέργειας είναι ένας από τους πιο σημαντικούς παράγοντες που επηρεάζουν το περιβάλλον και εντείνουν αυτή την κατάσταση. Μάλιστα, τη σημερινή εποχή λόγω της διαθέσιμης υπολογιστικής ισχύος, των εξελιγμένων εφαρμογών (π.χ. coin mining), της ανάπτυξης της οικονομίας και της αύξησης του πληθυσμού παρατηρείται αύξηση στις ενεργειακές απαιτήσεις. Η δυνατότητα πρόβλεψης των ενεργειακών αναγκών συμβάλλει καθοριστικά στην επίτευξη σημαντικών ποσοστών εξοικονόμησης ενέργειας και στη σωστή χρήση της. Συνεπώς κρίνεται σκόπιμο να αναπτυχθούν μέθοδοι πρόβλεψης της κατανάλωσης ηλεκτρικής ενέργειας για την βελτίωση της απόδοσης των ενεργειακών συστημάτων. Στην παρούσα διπλωματική πραγματοποιούνται μοντελοποιήσεις για την κατανάλωση ηλεκτρικής ενέργειας σε πανελλαδικό επίπεδο. Για τα σενάρια αυτά χρησιμοποιείται ως είσοδος η χρονοσειρά κατανάλωσης ηλεκτρικής ενέργειας, η τιμή αγοράς και οι βαθμοημέρες θέρμανσης και ψύξης. Αρχικά γίνεται πρόβλεψη με τη μέθοδο ARIMA και στη συνέχεια εκπαιδεύονται μοντέλα τεχνητών νευρωνικών δικτύων LSTM ενός ή περισσότερων επιπέδων. Για τη μοντελοποίηση αυτή χρησιμοποιήθηκε η γλώσσα προγραμματισμού Python και κάποιες βασικές βιβλιοθήκες της. Τέλος αξιολογούνται τα σενάρια με τις βασικές μετρικές σφαλμάτων, όπως το μέσο τετραγωνικό σφάλμα και τη συνιστώσα R2. Με βάση αυτά τα κριτήρια εξάγονται συμπεράσματα και προτείνονται περισσότερες ενέργειες για την ανάπτυξη βελτιωμένων μοντέλων (π.χ. υβριδικά μοντέλα) με στόχο πιο ακριβείς προβλέψεις.	el
heal.abstract	In recent years, the need to deal with various parameters that aggravate the phenomenon of climate crisis has become urgent. The contribution of machine learning algorithms is important for dealing with and preventing this phenomenon. The energy sector in particular is one of the most important factors influencing the environment and exacerbating this situation. In fact, today due to the available computing power, the advanced applications (e.g. coin mining) and the growth of the economy and population there is an increase in energy requirements. The ability to predict energy needs contributes significantly to achieving significant percentages of energy savings and its proper use. It is therefore appropriate to develop methods for forecasting electricity consumption to improve the efficiency of energy systems. In the present thesis, modeling activities are carried out for the consumption of electricity at nationwide level. For these scenarios, the time series of electricity consumption, the purchase price and the degrees of heating and cooling are used as input. Initially prediction is made with the ARIMA method and then various models of artificial neural networks LSTM of one or more levels are trained. The Python programming language and some of its basic libraries were used for this modeling. Finally, the scenarios with the basic metric errors, such as the mean square error and the R2 coefficient, are evaluated. Based on these criteria, conclusions are drawn, and additional actions are proposed for the development of improved models (e.g. hybrid models) with the aim of more accurate predictions.	en
heal.advisorName	Ασκούνης, Δημήτριος	el
heal.committeeMemberName	Ψαρράς, Ιωάννης	el
heal.committeeMemberName	Δούκας, Χρυσόστομος (Χάρης)	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	91 σ.	el
heal.fullTextAvailability	false