Υβριδικό μοντέλο βαθιάς μάθησης για βραχυπρόθεσμη πρόβλεψη παραγωγής φωτοβολταϊκών και εφαρμογή στην αγορά ηλεκτρικής ενέργειας

Ζωίδης, Νικόλαος; Zoidis, Nikolaos

dc.contributor.author	Ζωίδης, Νικόλαος	el
dc.contributor.author	Zoidis, Nikolaos	en
dc.date.accessioned	2024-02-12T11:09:48Z
dc.date.available	2024-02-12T11:09:48Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/58837
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26533
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Πρόβλεψη φωτοβολταϊκής παραγωγής	el
dc.subject	Photovoltaic power forecasting	en
dc.subject	Τεχνητά νευρωνικά δίκτυα	el
dc.subject	Artificial neural networks	en
dc.subject	Δίκτυα μακράς βραχύχρονης μνήμης	el
dc.subject	Long Short-Term Memory networks (LSTM)	en
dc.subject	Αποσύνθεση πακέτου κυματιδίων	el
dc.subject	Wavelet Packet Decomposition (WPD)	en
dc.subject	Αγορά ηλεκτρικής ενέργειας	el
dc.subject	Energy market	en
dc.title	Υβριδικό μοντέλο βαθιάς μάθησης για βραχυπρόθεσμη πρόβλεψη παραγωγής φωτοβολταϊκών και εφαρμογή στην αγορά ηλεκτρικής ενέργειας	el
heal.type	bachelorThesis
heal.classification	Ανανεώσιμες Πηγές Ενέργειας	el
heal.classification	Βαθιά μάθηση	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 βραχυπρόθεσμη πρόβλεψη φωτοβολταϊκής παραγωγής, μέσω της ανάπτυξης ενός υβριδικού μοντέλου βαθιάς μάθησης, και η εξέτασή του σε ένα πραγματικό πρόβλημα της αγοράς ηλεκτρικής ενέργειας. Το προτεινόμενο μοντέλο πρόβλεψης αποτελείται από μέθοδο αποσύνθεσης πακέτου κυματιδίων και αναδρομικά νευρωνικά δίκτυα μακράς βραχύχρονης μνήμης, διαθέτοντας χρονικό ορίζοντα πρόβλεψης μίας ώρας. Η εκπαίδευση και η αξιολόγηση του υβριδικού μοντέλου πραγματοποιούνται με ετήσια πραγματικά ιστορικά δεδομένα ενός φωτοβολταϊκού σταθμού στη Ροδόπη και διενεργούνται με τη μέθοδο επιτηρούμενης εκπαίδευσης. Στόχος του αναπτυσσόμενου μοντέλου πρόβλεψης αποτελεί η προσέγγιση της δοσμένης πραγματικής παραγόμενης ισχύος μέσω συσχέτισής της με μετρούμενα μετεωρολογικά μεγέθη. Η απόδοση του προτεινόμενου υβριδικού μοντέλου συγκρίνεται με αυτή άλλων κατασκευασμένων μοντέλων μέσω υπολογισμού κατάλληλων μετρητικών σφάλματος. Η ανάπτυξη του κώδικα για τη δημιουργία των μοντέλων πρόβλεψης φωτοβολταϊκής παραγωγής της παρούσας διπλωματικής εργασίας υλοποιείται στη γλώσσα προγραμματισμού Python. Για την ενδελεχή αξιολόγηση του μοντέλου πρόβλεψης διενεργείται πλήρης εποχική και μετεωρολογική ανάλυση, μέσω των οποίων διασαφηνίζονται τα ποιοτικά χαρακτηριστικά της διαδικασίας πρόβλεψης. Η παρούσα διπλωματική εργασία καινοτομεί με την εφαρμογή του προτεινόμενου υβριδικού μοντέλου σε μία ρεαλιστική διαδικασία πρόβλεψης στην αγορά ηλεκτρικής ενέργειας. Τα παραγόμενα αποτελέσματα υπόκεινται σε μηνιαία αξιολόγηση υπό το ρυθμιστικό πλαίσιο του μηχανισμού βέλτιστης ακρίβειας πρόβλεψης, μέσω της οποίας ποσοτικοποιείται η απόδοσή τους.	el
heal.abstract	The purpose of this diploma thesis is the short-term forecasting of photovoltaic power production, through the development of a hybrid deep learning model, and its testing on a realworld electricity market problem. The proposed forecasting model consists of a wavelet packet decomposition method and recurrent long short-term memory neural networks, having a onehour prediction horizon. Training and evaluation of the hybrid model are carried out with annual real historical data of a photovoltaic plant in Rhodope and are performed using the supervised training method. The aim of the developed hybrid model is to approximate the given actual generated power by correlating it with measured meteorological variables. The performance of the proposed hybrid model is compared with that of other constructed models by calculating appropriate error metrics. The code development to create the solar power generation forecasting models of this thesis is implemented in the Python programming language. For the thorough evaluation of the forecasting model, a full seasonal and meteorological analysis is carried out, through which the qualitative characteristics of the forecasting process are clarified. This diploma thesis innovates by applying the proposed hybrid model to a realistic forecasting process in the electricity market. Generated results are subjected to a monthly evaluation under the regulatory framework of the optimal forecasting accuracy mechanism, through which their performance is quantified.	en
heal.advisorName	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	115 σ.	el
heal.fullTextAvailability	false