Βραχυπρόθεσμη πρόβλεψη φωτοβολταϊκής παραγωγής με χρήση τεχνητών νευρωνικών δικτύων τύπου μακράς βραχείας μνήμης (long-short term memory)

Οικονόμου, Δήμητρα; Oikonomou, Dimitra

dc.contributor.author	Οικονόμου, Δήμητρα	el
dc.contributor.author	Oikonomou, Dimitra	en
dc.date.accessioned	2024-02-09T10:07:50Z
dc.date.available	2024-02-09T10:07:50Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/58827
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26523
dc.rights	Default License
dc.subject	Βραχυπρόθεσμη πρόβλεψη ισχύος	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Τεχνητά νευρωνικά δίκτυα	el
dc.subject	Αλγόριθμοι LSTM	el
dc.subject	ARIMA	en
dc.subject	Υβριδικό μοντέλο	el
dc.title	Βραχυπρόθεσμη πρόβλεψη φωτοβολταϊκής παραγωγής με χρήση τεχνητών νευρωνικών δικτύων τύπου μακράς βραχείας μνήμης (long-short term memory)	el
heal.type	bachelorThesis
heal.generalDescription	Η ανάγκη πρόβλεψης της παραγόμενης ισχύος αποτελεί βασικό αντικείμενο ενδιαφέροντος της παρούσας διπλωματικής εργασίας. Λόγω της εξάρτησης της ισχύος από τις καιρικές συνθήκες, όπως το νέφος ή ο άνεμος, η ανάγκη αυτή γίνεται ολοένα και πιο επιτακτική. Έτσι, με την βοήθεια της Μηχανικής Μάθησης και των Τεχνητών Νευρωνικών Δικτύων αναπτύσσονται δύο βασικοί αλγόριθμοι για πρόβλεψη για μία ημέρα. Μελετώνται τα σφάλματα για πρόβλεψη συννεφιασμένων, ηλιόλουστων και ημι-συννεφιασμένων ημερών αντίστοιχα. Έπειτα, κατασκευάζεται το υβριδικό μοντέλο και αποτυπώνονται τα τελικά συμπεράσματα. Με τον τρόπο αυτό, προκύπτουν αποτελέσματα σχετικά με την ικανότητα και απόδοση του φωτοβολταϊκού (ΦΒ) πάρκου, καθώς και για το εάν και πως αυτή η απόδοση θα μπορούσε να βελτιστοποιηθεί.	el
heal.classification	Ηλεκτρονική Ισχύος	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-10-16
heal.abstract	Σκοπός της παρούσας διπλωματικής εργασίας είναι η αξιοποίηση των μεθόδων Μηχανικής Μάθησης και των Τεχνητών Νευρωνικών Δικτύων, για την υλοποίηση αλγορίθμων, που εξάγουν αποτελέσματα για βραχυπρόθεσμη πρόβλεψη της ισχύος ενός φωτοβολταϊκού πάρκου, χρησιμοποιώντας ιστορικά δεδομένα του πάρκου, που προέκυψαν ύστερα από κατάλληλες μετρήσεις. Συγκεκριμένα, στόχος είναι η μελέτη δύο βασικών μοντέλων πρόβλεψης, καθώς και του υβριδικού μοντέλου που προκύπτει από τον συνδυασμό τους. Κατόπιν, μελετώνται τα αντίστοιχα σφάλματα κάθε μεθόδου, τα οποία θα οδηγήσουν σε σαφή συμπεράσματα, όσον αφορά την ακρίβεια της πρόβλεψης ισχύος για κάθε περίπτωση, τις απαιτήσεις των μοντέλων, την αποτελεσματικότητά τους και την καταλληλότητά τους για εφαρμογές σε πραγματικό χρόνο. Αρχικά, μελετώνται οι συνθήκες που οδήγησαν στην ανάγκη αναζήτησης μεθόδων πρόβλεψης της ηλιακής ισχύος και οι νέες απαιτήσεις στον χώρο της ενέργειας. Στη συνέχεια, αναπτύσσονται διεξοδικά οι μέθοδοι των Τεχνητών Νευρωνικών Δικτύων, η ανάγκη αξιοποίησής τους και η αιτία διείσδυσής τους στον χώρο της ενέργειας. Έπειτα, γίνεται ενδελεχής ανάπτυξη δύο βασικών αλγορίθμων των Τεχνητών Νευρωνικών Δικτύων, με αναλυτική περιγραφή της υλοποίησής τους σε Η/Υ σε γλώσσα Python και συγκρίνονται τα αντίστοιχα αποτελέσματα. Με βάση τα αποτελέσματα αυτά, γίνεται αυτόματα σύγκριση των μοντέλων μεταξύ τους και με το υβριδικό και προτείνονται ορισμένες πιθανές επεκτάσεις της εργασίας.	el
heal.advisorName	Γεωργιλάκης, Παύλος	el
heal.committeeMemberName	Γεωργιλάκης, Παύλος	el
heal.committeeMemberName	Κορρές, Γεώργιος	el
heal.committeeMemberName	Γκόνος, Ιωάννης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικής Ισχύος	el
heal.academicPublisherID	ntua
heal.numberOfPages	107 σ.	el
heal.fullTextAvailability	false