Μοντέλα πρόβλεψης ισχύος σε έξυπνα δίκτυα χαμηλής τάσης με χρήση τεχνικών μηχανικής και βαθιάς μάθησης

Μπλίκα, Αφροδίτη; Blika, Afroditi

dc.contributor.author	Μπλίκα, Αφροδίτη	el
dc.contributor.author	Blika, Afroditi	en
dc.date.accessioned	2023-12-11T10:39:29Z
dc.date.available	2023-12-11T10:39:29Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/58433
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26129
dc.rights	Default License
dc.subject	Βραχυπρόθεσμη Πρόβλεψη Χρονοσειρών	el
dc.subject	Machine Learning (ML)	en
dc.subject	Έξυπνα Δίκτυα	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	Νευρωνικά Δίκτυα	el
dc.subject	Πρόβλεψη Ισχύος Βραχυπρόθεσμου Χρόνου	el
dc.subject	Neural Networks	en
dc.subject	Smart Grids	en
dc.subject	Short-Term Power Forecasting	en
dc.subject	Timeseries Forecasting	en
dc.title	Μοντέλα πρόβλεψης ισχύος σε έξυπνα δίκτυα χαμηλής τάσης με χρήση τεχνικών μηχανικής και βαθιάς μάθησης	el
dc.title	Models for power forecasting in low voltage smart grids using machine learning and deep learning techniques	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.classification	Πρόβλεψη Χρονοσειρών	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-07-12
heal.abstract	Η βραχυπρόθεσμη πρόβλεψη ισχύος (STPF) και φορτίου (STLF) σε ηλεκτρικά δίκτυα και ιδιαίτερα σε έξυπνα ηλεκτρικά δίκτυα είναι κρίσιμη, καθώς συνεισφέρει στην βελτιστοποίηση της λειτουργίας τους τόσο σε επίπεδο αξιοπιστίας και απόδοσης όσο και σε επίπεδο κόστους. Πρόκειται για ένα ζήτημα που παρουσιάζει πολλές προκλήσεις εξ’ αιτίας των πολλαπλών ηλεκτρικών φορτίων που είναι συνδεδεμένα στο δίκτυο και την εξάρτηση της ισχύος τους, ενεργού και αέργου, από πληθώρα εξωγενών μεταβλητών. Στην παρούσα εργασία γίνεται χρήση μοντέλων μηχανικής μάθησης (ML) και βαθιάς μάθησης (DL) –συγκεκριμένα των μοντέλων Light Gradient Boosting Machine (LightGBM), Neural Basis Expansion Analysis Time Series Forecasting (N-BEATS) και Temporal Convolutional Networks (TCN). Επιπλέον δοκιμάζεται και μια μέθοδος ensemble στο μοντέλο N-BEATS με χρήση πολλαπλών instances του μοντέλου με διαφορετική αρχικοποίηση βαρών. Τα μοντέλα εξετάζονται σε σχέση με την προβλεπτική τους ικανότητα σε πολλαπλά σύνολα δεδομένων που αφορούν χρονοσειρές ηλεκτρικής ενέργειας χαμηλής τάσης οι οποίες έχουν συλλεχθεί από έξυπνους μετρητές (smart meters) στο Terni της Ιταλίας. Ερευνάται, επιπλέον, η επίδραση εξωγενών μεταβλητών, όπως τα καιρικά δεδομένα και οι χρονικές μεταβλητές, στην προβλεπτική ικανότητα των μοντέλων. Στο πλαίσιο της ανακάλυψης πρώιμων μοτίβων και συσχετίσεων μεταξύ χρονοσειρών αλλά και για την ενδεχόμενη βελτίωση των μεταγενέστερων προβλέψεων διεξάγεται μία εκτενής διερευνητική ανάλυση δεδομένων (EDA). Κατά τη διάρκεια της πειραματικής διαδικασίας γίνεται προσπάθεια πρόβλεψης χρονοσειρών που αφορούν σε σύνολα δεδομένων ενεργού και αέργου ισχύος, ωριαίας ανάλυσης, που μετρήθηκαν από smart meters τοποθετημένα σε κομβικές θέσεις ενός έξυπνου δικτύου. Ο χρονικός ορίζοντας των προβλέψεων εκτείνεται στη μία ημέρα. Από τα αποτελέσματα των πειραμάτων συμπεραίνεται ότι το πιο αποδοτική μοντέλο κατά μέσο όρο αναδεικνύεται μέσα από τη μέθοδο μηχανικής μάθησης LightGBM με καλύτερες επιδόσεις από τις αρχιτεκτονικές βαθιάς μάθησης στις περισσότερες περιπτώσεις, αλλά και σχετικά χαμηλές υπολογιστικές απαιτήσεις. Παρατηρήθηκε επίσης ότι η τεχνική ensemble στο N-BEATS οδηγεί το μοντέλο σε πολύ καλύτερα αποτελέσματα, με βελτίωση της απόδοσής του στην πρόβλεψη της ενεργούς ισχύος έως 16% με βάση το MASE . Ένα σημαντικό αποτέλεσμα επίσης έγκειται στο ότι –σε αντίθεση με το N-BEATS– για την εξασφάλιση της βέλτιστης απόδοσης του μοντέλου LightGBM είναι αναγκαία η χρήση εξωγενών μεταβλητών. Τα αποτελέσματα της εργασίας μπορούν να αξιοποιηθούν από τον διαχειριστή του έξυπνου συστήματος ηλεκτρικής ενέργειας ως i) ένα εργαλείο πρόβλεψης μηχανικής μάθησης για την αποδοτικότερη λειτουργία του δικτύου και ii) ως έναν οδηγό επιλογής κατάλληλων μεθόδων πρόβλεψης στο πλαίσιο του έξυπνου δικτύου, ο οποίος λαμβάνει υπόψη τόσο την ακρίβεια όσο και τη βιωσιμότητα τους.	el
heal.abstract	Short-term power (STPF) and short-term load (STLF) forecasting in power grids and especially in smart grids is critical, as it contributes to the optimization of their operation both in terms of reliability and performance as well as in terms of costs. STPF and STLF are challenging tasks due to the multiple electrical loads connected to the grid and the dependence of their powers, active and reactive, on a multitude of exogenous variables. In this paper, a comparative study of machine learning (ML) and deep learning (DL) models is conducted – namely Light Gradient Boosting Machine (LightGBM), Neural Basis Expansion Analysis Time Series Forecasting (N-BEATS) and Temporal Convolutional Networks (TCN) models. Additionally, an ensemble model with N-BEATS is evaluated using individual models with different weight initializations. models with different random states. The models are evaluated with respect to their forecasting performance, on day-ahead forecasts, in multiple data sets concerning electricity time series, collected by smart meters placed at crucial nodes of a smart grid. From the experimental results it is concluded that the most efficient model on average emerges through the LightGBM machine learning method with better performance than deep learning architectures in most cases and relatively low computational requirements. It is also observed that the N-BEATS ensemble leads the model to much better results, with an active power forecast accuracy improvement of about 16%. Note here that, contrary to N-BEATS, the use of exogenous variables is necessary to ensure optimal performance of the LightGBM. The results of this work can be leveraged by smart power system operators as i) an effective machine learning forecasting tool for more efficient grid operation and ii) a guide for selecting appropriate forecasting methods in the smart grid context, which takes into account both their accuracy and sustainability.	en
heal.advisorName	Ασκούνης, Δημήτριος	el
heal.committeeMemberName	Ασκούνης, Δημήτριος	el
heal.committeeMemberName	Ψαρράς, Ιωάννης	el
heal.committeeMemberName	Χρυσόστομος, Δούκας	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	88 σ.	el
heal.fullTextAvailability	false