Βραχυπρόθεσμη Πρόβλεψη Φωτοβολταϊκής Παραγωγής με Χρήση Τεχνητών Νευρωνικών Δικτύων

Τριανταφύλλου, Νικόλαος; Triantafyllou, Nikolaos

dc.contributor.author	Τριανταφύλλου, Νικόλαος	el
dc.contributor.author	Triantafyllou, Nikolaos	en
dc.date.accessioned	2023-01-24T09:07:40Z
dc.date.available	2023-01-24T09:07:40Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56863
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24561
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	Βραχυπρόθεσμη πρόβλεψη φωτοβολταϊκής παραγωγής	el
dc.subject	Τεχνητά νευρωνικά δίκτυα	el
dc.subject	Νευρωνικά δίκτυα εμπρόσθιας τροφοδότησης	el
dc.subject	Μηχανές Ακραίας Μάθησης	el
dc.subject	Βελτιστοποίηση υπερπαραμέτρων	el
dc.subject	Short-term photovoltaic power forecasting	en
dc.subject	Artificial neural networks	en
dc.subject	Feedforward neural networks	en
dc.subject	Extreme Learning Machines	en
dc.subject	Hyperparameter optimization	en
dc.title	Βραχυπρόθεσμη Πρόβλεψη Φωτοβολταϊκής Παραγωγής με Χρήση Τεχνητών Νευρωνικών Δικτύων	el
dc.contributor.department	Τομέας Ηλεκτρικής Ισχύος	el
heal.type	bachelorThesis
heal.classification	Ενέργεια	el
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-10-27
heal.abstract	Η συνεχώς αυξανόμενη διείσδυση Ανανεώσιμων Πηγών Ενέργειας στα συστήματα ηλεκτρικής ενέργειας δημιουργεί νέες προκλήσεις, οι οποίες αφορούν διαφορετικές πτυχές του εκάστοτε συστήματος. Οι προκλήσεις αυτές πηγάζουν από την εγγενή μεταβλητότητα της παραγωγής από ανανεώσιμες πηγές, όπως η αιολική και η ηλιακή φωτοβολταϊκή παραγωγή. Τα τελευταία χρόνια, η φωτοβολταϊκή παραγωγή έχει παρουσιάσει σημαντική ανάπτυξη. Ωστόσο, η παραγωγή φωτοβολταϊκής ισχύος παραμένει μια στοχαστική διαδικασία, καθώς εξαρτάται σε μεγάλο βαθμό από την ηλιακή ακτινοβολία και άλλους ευμετάβλητους μετεωρολογικούς παράγοντες. Επομένως, η ακριβής πρόβλεψη της φωτοβολταϊκής παραγωγής αποτελεί ζήτημα ύψιστης σημασίας, καθώς είναι απαραίτητη για τη μαζική ενσωμάτωση της φωτοβολταϊκής παραγωγής. Το αντικείμενο της παρούσας διπλωματικής εργασίας είναι η βραχυπρόθεσμη και η πολύ βραχυπρόθεσμη πρόβλεψη της φωτοβολταϊκής παραγωγής με χρήση τεχνητών νευρωνικών δικτύων. Η πρόβλεψη της φωτοβολταϊκής παραγωγής πραγματοποιείται μέσω της κατασκευής και της εκπαίδευσης δύο διακριτών μοντέλων πρόβλεψης· κάθε μοντέλο πρόβλεψης αποτελούμενο από ένα νευρωνικό δίκτυο εμπρόσθιας τροφοδότησης. Το πρώτο μοντέλο πρόβλεψης είναι ένα στατικό πολυστρωματικό perceptron, το οποίο εκπαιδεύεται με τον αλγόριθμο της προς τα πίσω διάδοσης του σφάλματος, ενώ το δεύτερο μοντέλο εκπαιδεύεται με τον αλγόριθμο που εφαρμόζεται στις Μηχανές Ακραίας Μάθησης. Η διαδικασία εκπαίδευσης και αξιολόγησης των συγκεκριμένων μοντέλων απαιτεί κατάλληλα ιστορικά δεδομένα. Τα ιστορικά δεδομένα που χρησιμοποιούνται στην παρούσα διπλωματική εργασία περιλαμβάνουν μετρήσεις ισχύος καθώς και μετρήσεις διάφορων μετεωρολογικών παραγόντων. Οι μετρήσεις αυτές αφορούν δύο διαφορετικούς φωτοβολταϊκούς σταθμούς παραγωγής, ενώ δίνονται και για διαφορετική χρονική ανάλυση. Τα μοντέλα πρόβλεψης που υλοποιούνται διαθέτουν πληθώρα υπερπαραμέτρων, οι οποίες καθορίζουν σε μεγάλο βαθμό την απόδοσή τους. Για να βελτιωθεί η ακρίβεια των μοντέλων πρόβλεψης, αυτές οι υπερπαράμετροι πρέπει να ρυθμιστούν, καθώς η επιλογή της βέλτιστης διαμόρφωσης υπερπαραμέτρων επηρεάζει άμεσα την απόδοση των μοντέλων. Η αναζήτηση της βέλτιστης αυτής διαμόρφωσης πραγματοποιείται μέσω της διενέργειας δοκιμών για διαφορετικές διαμορφώσεις. Η απόδοση των βελτιστοποιημένων μοντέλων πρόβλεψης αξιολογείται με τη χρήση κατάλληλων δεικτών αξιολόγησης. Οι επιλεγμένοι δείκτες αξιολόγησης χρησιμοποιούνται, επίσης, για τη σύγκριση των αποτελεσμάτων που παράγονται από τα μοντέλα πρόβλεψης. Τα αποτελέσματα αυτά συγκρίνονται με βάση το χρησιμοποιούμενο μοντέλο πρόβλεψης, αλλά και βάσει του χρονικού ορίζοντα της παραγόμενης πρόβλεψης, ώστε να εξαχθούν συμπεράσματα αναφορικά με την απόδοση των μοντέλων και την επίδραση του χρονικού ορίζοντα στην ακρίβεια της πρόβλεψης. Τέλος, προτείνονται ορισμένες επεκτάσεις της παρούσας διπλωματικής εργασίας.	el
heal.abstract	The continuously increasing penetration of Renewable Energy Sources in electric power systems poses new challenges, regarding different aspects of each system. These challenges arise from the inherent variability of renewable production, such as wind and solar photovoltaic production. In recent years, photovoltaic production has exhibited significant growth. However, photovoltaic power generation is still a stochastic process, which largely depends on solar irradiation and other volatile meteorological factors. Therefore, accurate forecasting of photovoltaic production is of utmost importance, since it is necessary for massive photovoltaic integration. The scope of this diploma thesis is the short-term and very short-term forecasting of photovoltaic production using artificial neural networks. Photovoltaic production forecasting is conducted through the construction and training of two distinct forecasting models; each forecasting model consisting of a feedforward neural network. The first forecasting model is a static multilayer perceptron, trained with the backpropagation algorithm, whereas the second model is trained with the Extreme Learning Machine algorithm. The process of training and evaluating these particular models requires appropriate historical data. The historical data that are used in this diploma thesis include power measurements as well as measurements of several meteorological factors. These measurements pertain to two different photovoltaic power plants and are given with different temporal resolutions. The implemented forecasting models involve a plethora of hyperparameters, which largely define the performance of the models. In order to improve the accuracy of these forecasting models, their hyperparameters must be tuned, as the selection of the best hyperparameter configuration directly impacts the models’ performance. The search for the best hyperparameter configuration is carried out by testing and evaluating different configurations. The performance of the optimized forecasting models is evaluated with suitable performance metrics. The selected metrics are also used in order to compare the results that are generated by these forecasting models. These results are compared based on the forecasting model being used as well as on the forecast horizon, for the purpose of drawing conclusions with regard to the models’ performance and the effect of the forecast horizon on forecasting accuracy. Finally, future research on the topic of this diploma thesis is proposed.	en
heal.advisorName	Γεωργιλάκης, Παύλος	el
heal.committeeMemberName	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	128 σ.	el
heal.fullTextAvailability	false