Αιτιοκρατική και πιθανοτική πρόβλεψη ηλιακής παραγωγής με χρήση μηχανών ακραίας μάθησης

Κατσιγιάννης, Βασίλειος; Katsigiannis, Vasileios

dc.contributor.author	Κατσιγιάννης, Βασίλειος	el
dc.contributor.author	Katsigiannis, Vasileios	en
dc.date.accessioned	2022-10-14T09:59:22Z
dc.date.available	2022-10-14T09:59:22Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/55938
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23636
dc.rights	Default License
dc.subject	Μηχανές Ακραίας Μάθησης	el
dc.subject	Αιτιοκρατική Πρόβλεψη Ηλιακής Ισχύος	el
dc.subject	Πιθανοτική Πρόβλεψη Ηλιακής Ισχύος	el
dc.subject	Βελτιωμένος Αλγόριθμος Σμήνους Κοτόπουλων	el
dc.subject	Bootstrapping Μηχανές Ακραίας Μάθησης	el
dc.subject	Extreme Learning Machines	en
dc.subject	Deterministic photovoltaic power prediction	en
dc.subject	probabilistic photovoltaic power prediction	en
dc.subject	Improved Chicken Swarm Optimizer	en
dc.subject	Bootstrapping Extreme Learning Machines	en
dc.title	Αιτιοκρατική και πιθανοτική πρόβλεψη ηλιακής παραγωγής με χρήση μηχανών ακραίας μάθησης	el
dc.title	Deterministic and probabilistic forecasting of solar power using extreme learning machines	en
heal.type	bachelorThesis
heal.classification	Ηλιακή Ενέργεια	el
heal.classification	Μηχανική Μάθηση	el
heal.classification	Machine Learning	en
heal.classification	Solar Energy	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-07-01
heal.abstract	Σκοπός της παρούσας διπλωματικής εργασίας είναι η βραχυπρόθεσμη πρόβλεψη παραγόμενης ισχύος από φωτοβολταϊκά πάρκα, με χρήση μεθόδων που βασίζονται σε τεχνητά νευρωνικά δίκτυα. Αναπτύσσονται δύο μοντέλα: για αιτιοκρατική και για πιθανοτική πρόβλεψη. Η παραγωγή σημειακών προβλέψεων, που προκύπτουν από το αιτιοκρατικό μοντέλο, πραγματοποιείται με χρήση μηχανών ακραίας μάθησης, ένα τεχνητό νευρωνικό δίκτυο εμπρόσθιας τροφοδότησης, με πολύ μικρό χρόνο εκπαίδευσης. Το πιθανοτικό μοντέλο αποσκοπεί στον προσδιορισμό διαστημάτων πρόβλεψης για διάφορα επίπεδα εμπιστοσύνης. Για την παραγωγή των διαστημάτων πρόβλεψης εφαρμόζεται το μοντέλο των μηχανών ακραίας μάθησης, σε συνδυασμό με την στατιστική μέθοδο δειγματοληψίας με επανατοποθέτηση, bootstrapping. Και στα δύο μοντέλα, εφαρμόζεται ο βελτιωμένος αλγόριθμος βελτιστοποίησης σμήνους κοτόπουλων, μία στοχαστική μέθοδος βελτιστοποίησης, η οποία προσομοιώνει την αλληλεπίδραση των κοτόπουλων μέσα στο κοπάδι τους, καθώς αυτά αναζητούν τροφή. Και οι δύο περιπτώσεις αποτελούν προβλήματα βελτιστοποίησης ενός στόχου, όπου οι αντικειμενικές συναρτήσεις είναι μετρητικά αξιολόγησης του κάθε είδους πρόβλεψης. Για την εκπαίδευση και την αξιολόγηση των μοντέλων, χρησιμοποιούνται δεδομένα από το φωτοβολταϊκό πάρκο Lamprini, τα οποία αφορούν μετρήσεις ανά λεπτό, για τα έτη 2020 και 2021. Τα δεδομένα παρέχουν πληροφορίες για την παραγόμενη ισχύ από το φωτοβολταϊκό πάρκο, και για τις καιρικές και περιβαλλοντικές συνθήκες που επικρατούν. Για την εξαγωγή αποτελεσμάτων, διακρίθηκαν δώδεκα περιπτώσεις, ανάλογα με την εποχή του έτους, και με τις καιρικές συνθήκες που επικρατούν. Σε κάθε περίπτωση, γίνεται σύγκριση των αποτελεσμάτων πριν και μετά την εφαρμογή του αλγορίθμου βελτιστοποίησης, για το αιτιοκρατικό και το πιθανοτικό μοντέλο. Από τα παραπάνω αποτελέσματα, εξάγονται συμπεράσματα για την απόδοση των μοντέλων, και προτείνονται πιθανές επεκτάσεις της εργασίας. Η ανάπτυξη των μοντέλων πρόβλεψης που αναφέρθηκαν, καθώς και η δημιουργία του βελτιωμένου αλγορίθμου βελτιστοποίησης σμήνους κοτόπουλων, έγινε με χρήση της γλώσσας προγραμματισμού Python.	el
heal.abstract	The purpose of the present diploma thesis is the short-term forecasting of power from photovoltaic farms, employing methods based on artificial neural networks. Two models have been developed: for deterministic and probabilistic forecasting. The Extreme Learning Machines (ELM) model has been used to produce point predictions according to the deterministic method. ELM is a feedforward artificial neural network that can be trainned in a short amount of time. The Bootstrapping Extreme Learning Machines (BELM) model has been applied for probabilistic forecasting. BELM uses bootstrapping, a statistical sampling method with replacement, and ELM as regression model, to produce the prediction intervals for the desired confidence levels. The Improved Chicken Swarm Optimizer (ICSO) is applied to both models, deterministic and probabilistic. ICSO is a stochastic optimization algorithm that simulates the relationships between chickens in a specific swarm as they are searching for food. Both models address the optimization problem as single objective. The objective functions represent the evaluation measurement of each forecast method. Data from photovoltaic farm “Lamprini” that include timeseries information for the produced power and the weather conditions for the years 2020 and 2021, with one-minute timestep, is used to train and evaluate the models. Twelve cases based on the season of the year and the weather conditions, were selected to extract results. In each case the model-outputs were compared before and after the optimization algorithm’s application. Conclusions are extracted from the results, and possible future relative research is introduced. Programming language Python has been used for the development of the afore-mentioned models and the construction of the ICSO.	en
heal.advisorName	Τζιβανίδης, Χρήστος	el
heal.advisorName	Tzivanidis, Christos	en
heal.committeeMemberName	Ρογδάκης, Εμμανουήλ	el
heal.committeeMemberName	Κορωνάκη, Ειρήνη	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών. Τομέας Θερμότητας	el
heal.academicPublisherID	ntua
heal.numberOfPages	73 σ.	el
heal.fullTextAvailability	false