Βραχυπρόθεσμη πρόβλεψη φορτίου ηλεκτρικής ενέργειας με χρήση τεχνητών νευρωνικών δικτύων τύπου Long-Short Term Memory

Μαστοράκης, Αλέξιος; Mastorakis, Alexios

dc.contributor.author	Μαστοράκης, Αλέξιος	el
dc.contributor.author	Mastorakis, Alexios	en
dc.date.accessioned	2023-05-08T09:19:04Z
dc.date.available	2023-05-08T09:19:04Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/57647
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.25344
dc.rights	Default License
dc.subject	Πρόβλεψη Χρονοσειρών	el
dc.subject	Τεχνητά Νευρωνικά δίκτυα	el
dc.subject	Κατανάλωση ηλεκτρικής ενέργειας	el
dc.subject	Αναδρομικά νευρωνικά δίκτυα	el
dc.subject	lstm	en
dc.subject	Time Series Forecasting	en
dc.subject	Electricity consumption	en
dc.subject	Artificial Neural Networks	en
dc.subject	Recurrent neural networks	en
dc.title	Βραχυπρόθεσμη πρόβλεψη φορτίου ηλεκτρικής ενέργειας με χρήση τεχνητών νευρωνικών δικτύων τύπου Long-Short Term Memory	el
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.classification	Συστήματα ηλεκτρικής ενέργειας	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-03-09
heal.abstract	Στην παρούσα διπλωματική εργασία επιδιώκεται να πραγματοποιηθεί βραχυπρόθεσμη πρόβλεψη ορίζοντα μίας ώρας, 12 ωρών της ίδια ημέρας και των επόμενων 24 ωρών της επόμενης ημέρας. Η ανάγκη για τέτοια πρόβλεψη αναδείχτηκε με την απελευθέρωση της αγοράς και τη διείσδυση πολλών συμμετεχόντων σε αυτήν. Στο περιβάλλον του ανταγωνισμού και της μεταβλητότητας που χαρακτηρίζει την αγορά, μια εύστοχη πρόγνωση του φορτίου της ηλεκτρικής ενέργειας της επόμενης ημέρας επωφελεί όλους τους συμμετέχοντες, για διαφορετικούς λόγους έκαστο. Η προσέγγισή μας για αυτή την πρόγνωση γίνεται με δύο τρόπους, αρχικά με στατιστικές μεθόδους, δηλαδή με αυτοπαλιδρομικά μοντέλα κινητού μέσου όρου (ARΙMA) , και με τη χρήση ενός απλού νευρωνικού δικτύου (Αrtificial Neural Networks ή ANN) τύπου πολυεπίπεδου Perceptron (MLP ή Multilayer Perceptron) και στην συνέχεια με Αναδρομικά Νευρωνικά Δίκτυα που αποτελούνται από στρώματα νευρώνων Μακράς Βραχείας Μνήμης (Long Short Term Memory ή LSTM). Προκειμένου να μελετηθεί η αποδοτικότητα πρόβλεψης φορτίου μεταξύ των δύο κατηγοριών μοντέλων υλοποιούνται με χρήση δύο διαφορετικών διαστημάτων δεδομένων εισόδου: Το πρώτο διάστημα περιλαμβάνει τις προηγούμενες 24 ώρες και το δεύτερο διάστημα περιλαμβάνει τις προηγούμενες 168 ώρες, δηλαδή ωριαίες τιμές φορτίου της προηγούμενης ημέρας και εβδομάδας αντίστοιχα. Στη συνέχεια, εκτιμάται η απόδοση των μοντέλων, συγκρίνονται τα σφάλματα που προκύπτουν από τις διαφορετικές μεθόδους πρόβλεψης, διαπιστώνεται η υπεροχή των νευρωνικών έναντι των στατιστικών μοντέλων και αξιολογείται η βελτίωση που προσφέρει η χρήση μηχανικής μάθησης στην πρόγνωση της κατανάλωσης ηλεκτρικής ενέργειας.	el
heal.advisorName	Χατζηαργυρίου, Νικόλαος	el
heal.advisorName	Κωνσταντίνου, Θεόδωρος	el
heal.committeeMemberName	Χατζηαργυρίου, Νικόλαος	el
heal.committeeMemberName	Παπαθανασίου, Σταύρος	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	99 σ.	el
heal.fullTextAvailability	false