Ανάπτυξη συστήματος διαδικασιών μηχανικής μάθησης για τη βραχυπρόθεσμη πρόβλεψη ζήτησης ηλεκτρικής ενέργειας

Πουντρίδης, Θεοδόσιος; Pountridis, Theodosios

dc.contributor.author	Πουντρίδης, Θεοδόσιος	el
dc.contributor.author	Pountridis, Theodosios	en
dc.date.accessioned	2023-05-04T08:10:44Z
dc.date.available	2023-05-04T08:10:44Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/57619
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.25316
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nd/3.0/gr/	*
dc.subject	MLflow	en
dc.subject	NBeats	en
dc.subject	LightGBM	en
dc.subject	Machine learning operations (MLOps)	en
dc.subject	Μηχανική μάθηση	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Πρόβλεψη χρονοσειρών	el
dc.subject	Πρόβλεψη φορτίου βραχυπρόθεσμου χρόνου (STLF)	el
dc.subject	Πολλαπλές χρονοσειρές	el
dc.subject	Machine learning	en
dc.title	Ανάπτυξη συστήματος διαδικασιών μηχανικής μάθησης για τη βραχυπρόθεσμη πρόβλεψη ζήτησης ηλεκτρικής ενέργειας	el
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.classification	Πρόβλεψη χρονοσειρών	el
heal.classification	Πρόβλεψη φορτίου βραχυπρόθεσμου χρόνου (STLF)	el
heal.classification	Software development	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-03
heal.abstract	Η βραχυπρόθεσμη πρόβλεψη ζήτησης ηλεκτρικής ενέργειας αποτελεί σημαντικό εργαλείο για την διασφάλιση της εύρυθμης λειτουργίας των συστημάτων ηλεκτρικής ενέργειας και για την αγοραπωλησία ενέργειας. Επίσης, μειώνει το κόστος αγοράς και παραγωγής της ενέργειας από τους παρόχους, πράγμα που μπορεί να μειώσει την τιμή και για τους καταναλωτές. Για την επίτευξη του προαναφερθέντος στόχου είναι ιδιαίτερα χρήσιμη χρήση μηχανικής μάθησης. Ωστόσο, η διαδικασία της εφαρμογής τεχνικών μηχανικής μάθησης δύναται να καταστεί μια περίπλοκη και χρονοβόρα διαδικασία. Στην παρούσα εργασία πραγματοποιείται ανάπτυξη εργαλείου λογισμικού με σκοπό την αυτοματοποίηση του κύκλου ζωής μηχανικής μάθησης της πρόβλεψης φορτίου με χρήση των μεθόδων διαδικασιών μηχανικής μάθησης (MLOps - Machine Learning Operations). Η εφαρμογή αυτή διευκολύνει και επιταχύνει κατά πολύ την διαδικασία αυτή. Από την εφαρμογή αυτή υποστηρίζεται πληθώρα μοντέλων τόσο μηχανικής μάθησης, όσο και βαθιάς μάθησης, καθώς και πολυμεταβλητές (multivariate) και πολλαπλές (multiple) χρονοσειρές. Επίσης, παρέχεται και υποστήριξη για συμμεταβλητές (covariates). Σε αυτό το πλαίσιο, πραγματοποιείται εφαρμογή του εν λόγω εργαλείου στο πρόβλημα πρόβλεψης πολλαπλών χρονοσειρών είκοσι χωρών της Ευρώπης. Γίνεται συγκριτική μελέτη για τα μοντέλα Light Gradient Boosting Machine (LightGBM) και Neural Basis Expansion Analysis for Time Series forecasting (NBeats). Για τις δύο μεθόδους αυτές εκτελείται βελτιστοποίηση υπερπαραμέτρων, η οποία δείχνει την σημαντικότητα των παραμέτρων του κάθε μοντέλου. Επιπλέον, πραγματοποιείται αξιολόγηση των βέλτιστων μοντέλων, και εξήγηση των αποτελεσμάτων τους και των πλεονεκτημάτων του κάθε μοντέλου. Επιπροσθέτως, για την χρονοσειρά της Πορτογαλίας πραγματοποιείται εξήγηση της συμβολής της κάθε χρονικής στιγμής του παραθύρου πρότερης γνώσης των προαναφερθέντων μοντέλων με χρήση SHapley Additive exPlanations (SHAP). Ακόμα, πραγματοποιείται σύγκριση με τα αποτελέσματα των μοντέλων αν εκπαιδευτούν σε κάθε χρονοσειρά ξεχωριστά. Τελικά, η αυτοματοποίηση που προσφέρει η εφαρμογή της παρούσας εργασίας, καθώς και η επιτάχυνση του κύκλου ζωής μηχανικής μάθησης και η υψηλή ακρίβεια των αποτελεσμάτων την καθιστά απαραίτητο εργαλείο για τους παρόχους ηλεκτρικής ενέργειας.	el
heal.abstract	Short-term load forecasting is an important tool for ensuring the smooth operation of power systems and for energy trading. It also reduces the cost of suppliers to purchase and produce energy, which can also reduce the price for consumers. To achieve the above-mentioned objective, the use of machine learning is very useful. However, the process of applying machine learning techniques can become a complex and timeconsuming task. In this thesis, a software tool is developed to automate the machine learning life cycle of load forecasting using Machine Learning Operations (MLOps) methods. This application facilitates and accelerates this process greatly. The application supports a variety of both machine learning and deep learning models, as well as multivariate and multiple time series. Support for covariates is also provided. Then, the tool is applied to the multiple time series forecasting problem of twenty European countries. A comparative study of the Light Gradient Boosting Machine (LightGBM) model and the Neural Basis Expansion Analysis for Time Series forecasting (NBeats) model is done. For these two methods, hyperparameter optimization is performed, which shows the importance of the parameters of each model. In addition, the optimal models are evaluated for all timeseries, and their results are explained, along with the advantages of each model. In addition, for the Portuguese time series, an explanation of the contribution of each time point of the lookback window of the aforementioned models is carried out using SHapley Additive exPlanations (SHAP). Also, these results are compared with the results of the models if they are trained on each time series separately. Finally, the automation offered by the application of this thesis, as well as the acceleration of the machine learning life cycle and the high accuracy of the results makes it an indispensable tool for electricity providers.	en
heal.advisorName	Ασκούνης, Δημήτριος	el
heal.committeeMemberName	Ασκούνης, Δημήτριος	el
heal.committeeMemberName	Ψαρράς, Ιωάννης	el
heal.committeeMemberName	Δούκας, Χρυσόστομος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων	el
heal.academicPublisherID	ntua
heal.numberOfPages	87 σ.	el
heal.fullTextAvailability	false