Μοντελοποίηση φορτίων και παραγωγής σε δίκτυα διανομής με χρήση στατιστικής με σκοπό την παραγωγή τεχνητών δεδομένων για μελέτες βέλτιστης λειτουργίας

Γκοβάτσος, Νικόλαος; Gkovatsos, Nikolaos

dc.contributor.author	Γκοβάτσος, Νικόλαος	el
dc.contributor.author	Gkovatsos, Nikolaos	en
dc.date.accessioned	2024-06-19T09:57:46Z
dc.date.available	2024-06-19T09:57:46Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/59749
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.27445
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	Μοντελοποίηση Φορτίων	el
dc.subject	Δίκτυα διανομής	el
dc.subject	Αύξηση δεδομένων	el
dc.subject	Γκαουσιανά μείγματα	el
dc.subject	Μελέτη ροών φορτίου	el
dc.subject	Load Modeling	en
dc.subject	Distribution networks	en
dc.subject	Data augmentation	en
dc.subject	Gaussian mixtures	en
dc.subject	Power flow analysis	en
dc.title	Μοντελοποίηση φορτίων και παραγωγής σε δίκτυα διανομής με χρήση στατιστικής με σκοπό την παραγωγή τεχνητών δεδομένων για μελέτες βέλτιστης λειτουργίας	el
heal.type	bachelorThesis
heal.classification	Γενετικοί αλγόριθμοι	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-03-20
heal.abstract	Ένα γενικό πρόβλημα, το οποίο σίγουρα συνδέεται και με την εμφάνιση νέων τεχνολογιών, είναι η ανεπάρκεια δεδομένων για την εκπαίδευση των αλγορίθμων μηχανικής μάθησης, με τη χρήση της οποίας καλούμαστε εμείς να κάνουμε προβλέψεις και αναλύσεις. Έτσι και στα δίκτυα διανομής για την εποπτεία, καθώς επίσης, την εύρυθμη λειτουργία των ηλεκτρικών δικτύων απαιτείται μεγάλος αριθμός δεδομένων. Ειδικά τα τελευταία χρόνια, με την ένταξη νέων φορτίων όπως τα ηλεκτρικά οχήματα και τις μονάδες αποθήκευσης ενέργειας δικτυακής κλίμακας, αναπόφευκτη ήταν η επέκταση των δικτύων, η ανανέωση και η αναβάθμιση τους. Ως αποτέλεσμα, σε πολλές των περιπτώσεων τα δεδομένα που έχουμε να διαχειριστούμε είναι ανεπαρκή ή ακόμα και αυτά τα ελάχιστα δεδομένα φορτίων του δικτύου που έχουμε στη διάθεση μας, παραμένουν στη διάθεση λίγων λόγω του κώδικα εμπιστευτικότητας. Το πρόβλημα αυτό καλούμαστε να λύσουμε στην παρούσα διπλωματική εργασία. Χρησιμοποιώντας αλγορίθμους μηχανικής μάθησης και άλλες στατιστικές προσεγγίσεις, προσπαθούμε να πετύχουμε την απόκτηση περισσότερων δεδομένων μέσω της δημιουργίας συνθετικών. Στην παρούσα εργασία, η προτεινόμενη τεχνική υλοποιήθηκε σε περιβάλλον PyCharm με χρήση της γλώσσας προγραμματισμού ‘Python’ και εφαρμόστηκε για να δημιουργήσει συνθετικά δεδομένα ενός χρόνου, τόσο ενεργού, όσο και άεργου ισχύος για 3 διαφορετικούς ζυγούς. Βασικό μέλημα αποτελεί η διατήρηση της ίδιας συσχέτισης των δεδομένων φορτίου των διαφορετικών ζυγών μεταξύ τους, αρχικά και τελικά. Στο τέλος, τα δεδομένα ελέγχονται για την καταλληλόλητας τους, συγκρίνοντας κάποια στατιστικά τους μετρικά και μέσω μιας μελέτης ροών φορτίου.	el
heal.abstract	A general problem, which is certainly linked to the emergence of new technologies, is the inadequacy of data for the training of machine learning algorithms, with the use of which we are asked to make predictions and analyses. Thus, in the distribution networks, a large amount of data is required for the supervision, as well as the orderly operation of the electrical networks. Especially in recent years, with the inclusion of new loads such as electric vehicles and grid-scale energy storage units, it was inevitable to expand networks, renew and upgrade them. As a result, in many cases the data we have to manage is insufficient, or even the minimal network load data we have, remains available to a few because of the confidentiality code. We are called to solve this problem in this thesis. Using machine learning algorithms and other statistical approaches, we strive to achieve more data acquisition through synthetic generation. In the present work, the proposed technique was implemented in a PyCharm environment using 'Python' programming language and applied to generate one-time synthetic data of both active and reactive power for 3 different buses. A key concern is to maintain the same correlation of the load data of the different buses with each other, initially and finally. Finally, the data is checked for suitability by comparing some statistical metrics and through a power flow analysis.	en
heal.advisorName	Χατζηαργυρίου, Νικόλαος	el
heal.committeeMemberName	Κορρές, Γεώργιος	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	80 σ.	el
heal.fullTextAvailability	false