Πρόβλεψη παραγόμενης ενέργειας φωτοβολταϊκών συστημάτων με χρήση αλγοριθμικών διαδικασιών βαθιάς μηχανικής μάθησης

Μπόκαρη, Αγγελική; Bokari, Angeliki

dc.contributor.author	Μπόκαρη, Αγγελική	el
dc.contributor.author	Bokari, Angeliki	en
dc.date.accessioned	2023-11-21T09:44:29Z
dc.date.available	2023-11-21T09:44:29Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/58303
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.25999
dc.rights	Default License
dc.subject	Ενέργεια	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Προβλέψεις	el
dc.subject	Φωτοβολταϊκά συστήματα	el
dc.title	Πρόβλεψη παραγόμενης ενέργειας φωτοβολταϊκών συστημάτων με χρήση αλγοριθμικών διαδικασιών βαθιάς μηχανικής μάθησης	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	2023-07-11
heal.abstract	Η παρούσα διπλωματική εργασία εστιάζει στην πρόβλεψη της παραγόμενης ενέργειας σε φωτοβολταϊκά συστήματα χρησιμοποιώντας τεχνικές μηχανικής μάθησης, τονίζοντας την σημασία που έχει πραγματοποίηση τέτοιου είδους προβλέψεων. Η εργασία ξεκινά με μια ολοκληρωμένη βιβλιογραφική ανασκόπηση που καλύπτει θέματα που σχετίζονται με την ενέργεια, τις ανανεώσιμες πηγές ενέργειας και τα φωτοβολταϊκά συστήματα. Διερευνά την αρχή λειτουργίας των φωτοβολταϊκών στοιχείων και τους παράγοντες που επηρεάζουν την παραγωγή φωτοβολταϊκής ενέργειας, δίνονται έμφαση στη σημασία της πρόβλεψης. Η ανασκόπηση εισάγει επίσης το πεδίο της μηχανικής μάθησης, συμπεριλαμβανομένων κατηγοριών μηχανικής μάθησης, ανάλυσης χρονοσειρών και τεχνητών νευρωνικών δικτύων. Συζητούνται μοντέλα πρόβλεψης ενέργειας, με ιδιαίτερη έμφαση στον αλγόριθμο Extreme Gradient Boosting Regression (XGBR) και σε αρχιτεκτονικές νευρωνικών δικτύων όπως η Long Short-Term Memory (LSTM) και η Gated Recurrent Units (GRU). Η διπλωματική εργασία παρουσιάζει περαιτέρω τη μεθοδολογία που χρησιμοποιήθηκε, συμπεριλαμβανομένων των δεδομένων παραγωγής φωτοβολταϊκών που χρησιμοποιήθηκαν, του περιβάλλοντος ανάπτυξης και των βιβλιοθηκών που χρησιμοποιήθηκαν. Περιγράφονται τεχνικές διαχείρισης και προεπεξεργασίας δεδομένων, όπως διαχωρισμός χρήσιμων και μη χρήσιμων πληροφοριών, μείωση διαστάσεων, χειρισμός ακραίων τιμών και κενών στοιχείων και κανονικοποίηση δεδομένων. Η παρουσίαση και ανάλυση των αποτελεσμάτων αναδεικνύει την εφαρμογή των νευρωνικών δικτύων LSTM, των νευρωνικών δικτύων GRU και του αλγόριθμου XGBR για την πρόβλεψη ενέργειας. Τέλος, παρουσιάζεται μια σύγκριση των αποτελεσμάτων του μοντέλου, παρέχοντας πληροφορίες για την απόδοση και την ακρίβειά τους. Αυτή η έρευνα συμβάλλει στον τομέα των ανανεώσιμων πηγών ενέργειας καταδεικνύοντας την αποτελεσματικότητα των τεχνικών μηχανικής μάθησης στην πρόβλεψη παραγωγής ενέργειας σε φωτοβολταϊκά συστήματα, επιτρέποντας τον καλύτερο σχεδιασμό και αξιοποίηση των ηλιακών πόρων.	el
heal.abstract	This thesis focuses on the forecasting of generated energy in photovoltaic systems using machine learning techniques, emphasizing the importance of making such predictions. The study begins with a comprehensive bibliographic review that covers topics related to energy, renewable energy sources, and photovoltaic systems. It explores the principle of operation of photovoltaic elements and factors influencing the production of photovoltaic energy, emphasizing the importance of forecasting. The thesis also introduces the field of machine learning, including categories of machine learning, time series analysis, and artificial neural networks. Energy prediction models are discussed, with a particular focus on the Extreme Gradient Boosting Regression (XGBR) algorithm and neural network architectures such as Long Short-Term Memory (LSTM) and Gated Recurrent Units (GRU). The thesis further presents the methodology employed, including the photovoltaic generation data used, development environment, and libraries utilized. Data management and pre-processing techniques, such as separation of useful and non-useful information, dimensionality reduction, handling outliers and blanks, and data normalization, are described. The presentation and analysis of results highlight the application of LSTM neural networks, GRU neural networks, and the XGBR algorithm for energy forecasting. Finally, a comparison of the model results is presented, providing insights into their performance and accuracy. This research contributes to the field of renewable energy by demonstrating the effectiveness of machine learning techniques in predicting energy generation in photovoltaic systems, enabling better planning and utilization of solar resources.	en
heal.advisorName	Δουλάμης, Νικόλαος	el
heal.committeeMemberName	Δουλάμης, Νικόλαος	el
heal.committeeMemberName	Δουλάμης, Αναστάσιος	el
heal.committeeMemberName	Κάβουρας, Μαρίνος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας	el
heal.academicPublisherID	ntua
heal.numberOfPages	74 σ.	el
heal.fullTextAvailability	false