Πρόβλεψη φωτοβολταϊκής παραγωγής με μεθόδους μηχανικής μάθησης και τεχνητά νευρωνικά δίκτυα

Σχινάς, Γεώργιος; Schinas, Georgios

dc.contributor.author	Σχινάς, Γεώργιος	el
dc.contributor.author	Schinas, Georgios	en
dc.date.accessioned	2023-01-24T09:18:26Z
dc.date.available	2023-01-24T09:18:26Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56866
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24564
dc.rights	Αναφορά Δημιουργού 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	Πρόβλεψη παραγωγής ισχύος	el
dc.subject	Φφωτοβολταϊκά	el
dc.subject	Τεχνητά νευρωνικά δίκτυα	el
dc.subject	Μηχανές διανυσμάτων υποστήριξης	el
dc.subject	Machine learning	en
dc.subject	Power generation forecasting	el
dc.subject	Photovoltaics	el
dc.subject	Artificial neural networks	el
dc.subject	Support vector machines	el
dc.title	Πρόβλεψη φωτοβολταϊκής παραγωγής με μεθόδους μηχανικής μάθησης και τεχνητά νευρωνικά δίκτυα	el
dc.title	Photovoltaic power forecasting via machine learning methods and artificial neural networks	en
dc.contributor.department	Τομέας Ηλεκτρικής Ισχύος	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.classification	Ανανεώσιμες πηγές ενέργειας	el
heal.classification	Machine Learning	en
heal.classification	Renewable energy sources	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-10-27
heal.abstract	Σκοπός αυτής της εργασίας είναι η αξιοποίηση δύο μεθόδων μηχανικής μάθησης, των Τεχνητών Νευρωνικών Δικτύων και των Μηχανών Διανυσμάτων Υποστήριξης, για την δημιουργία μοντέλων τεχνητής νοημοσύνης που εξάγουν βραχυπρόθεσμες προβλέψεις για την παραγωγή ενεργού ισχύος δύο φωτοβολταϊκών πάρκων, αξιοποιώντας ιστορικά δεδομένα από μετρητές και αισθητήρες των ίδιων πάρκων. Στόχος της δημιουργίας των μοντέλων είναι η διεξαγωγή μελέτης πάνω στην ικανότητα των μοντέλων μηχανικής μάθησης να προβλέπουν με ακρίβεια την παραγόμενη ισχύ, στις απαιτήσεις τους όσον αφορά στη μορφή τους και στο είδος των δεδομένων εισόδου τους, και τέλος, στην καταλληλότητά τους για χρήση σε πραγματικές εφαρμογές.	el
heal.abstract	The scope of this diploma thesis is the utilization of two Machine Learning methods, Artificial Neural Networks and Support Vector Machines, to develop artificial intelligence models capable of forecasting the real power produced by two photovoltaic power stations, using historic data collected from sensors and data acquisition systems of said stations. The creation of these models serves the purpose of studying their ability to generate accurate predictions of the produced real power, as well as identifying their structural demands, determining their ideal input data, and examining their suitability for real time applications.	en
heal.advisorName	Γεωργιλάκης, Παύλος	el
heal.committeeMemberName	Σούντρης, Δημήτριος	el
heal.committeeMemberName	Γκόνος, Ιωάννης	el
heal.committeeMemberName	Γεωργιλάκης, Παύλος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικής Ισχύος.	el
heal.academicPublisherID	ntua
heal.numberOfPages	76 σ.	el
heal.fullTextAvailability	false