Προβλέψεις ενεργειακής παραγωγής ανεμογεννητριών με τη χρήση μεθόδων μηχανικής μάθησης και μέτα-εκπαίδευσης

Μπουρνάζος, Ηρακλής; Bournazos, Iraklis

dc.contributor.author	Μπουρνάζος, Ηρακλής
dc.contributor.author	Bournazos, Iraklis
dc.date.accessioned	2024-09-02T09:08:45Z
dc.date.available	2024-09-02T09:08:45Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60082
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.27778
dc.rights	Default License
dc.subject	Aριθμητικές προβλέψεις καιρού	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Μέτα- Εκπαίδευση	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Numerical weather predictions	en
dc.subject	Neural Networks	en
dc.subject	Random Forest	en
dc.subject	eXtreme Gradient Boosting (XGBoost)	en
dc.subject	Meta-Learning	en
dc.subject	Τυχαία δάση	el
dc.title	Προβλέψεις ενεργειακής παραγωγής ανεμογεννητριών με τη χρήση μεθόδων μηχανικής μάθησης και μέτα-εκπαίδευσης	el
dc.title	Wind turbine energy forecasting with the use of machine learning and meta-learning methods	en
dc.contributor.department	Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων	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	2024-04-16
heal.abstract	Η αιολική ενέργεια αποτελεί μια από τις πιο οικονομικές και δημοφιλείς ανανεώσιμες πηγές ενέργειας. Η μεταβλητότητα των χαρακτηριστικών του ανέμου δημιουργεί δυσκολίες για την βέλτιστη ενσωμάτωσή της στα δίκτυα ισχύος καθώς και για την συνολική διαχείρισή της. Για τον περιορισμό της μη σταθερότητας και των πιθανών μεταβλητών καταστάσεων ενεργειακής παραγωγής, απαιτούνται ευέλικτα μοντέλα πρόβλεψης παραγωγής ικανά να προσφέρουν αξιόπιστα αποτελέσματα σε εύρος χρονικού ορίζοντα και να συνεισφέρουν στην βελτιστοποιήση της ενεργειακής διαχείρισης και του προγραμματισμού. Επιπλέον, στην απελευθερωμένη αγορά ενέργειας η πρόβλεψη ενεργειακής παραγωγής από τις μονάδες αιολικής ενέργειας επωφελεί όλους τους συμμετέχοντες, προσφέροντας μεγαλύτερη ασφάλεια για τις βέλτιστες τιμές εκκαθάρισης των αγορών. Στην παρούσα διπλωματική εργασία προτείνεται η χρήση μεθόδων μηχανικής μάθησης για τη δημιουργία προβλεπτικών μοντέλων, που βασίζονται σε αριθμητικές προβλέψεις καιρού. Τα μοντέλα αυτά αποσκοπούν στο να παρέχουν ακριβείς και έγκαιρες πληροφορίες σχετικά με την αναμενόμενη ενεργειακή παραγωγή ενός αιολικού πάρκου τα οποίο αποτελείται από 4 ανεμογεννήτριες. Στη συγκεκριμένη προσέγγιση, μέσα από την επεξεργασία και ανάλυση ιστορικών δεδομένων, παρουσιάζονται τα αποτελέσματα δοκιμής, σε διαφορετικά χρονικά πλαίσια, από 5 βασικά μοντέλα μηχανικής μάθησης : το LSTM, το Bi-LSTM, το GRU, ο αλγόριθμος Random Forest και το XGBoost. Αυτή η μελέτη προτείνει τη βελτίωση των αποτελεσμάτων μέσω της συνδυαστικής μεθόδου μέτα-μάθησης για τη βελτίωση των προβλέψεων. Χρησιμοποιούνται δυο μέτα-εκπαιδευτές: Meta-SVR, Meta-XGBoost και τα συνολικά αποτελέσματα συγκρίνονται σε διαφορετικούς χρονικούς ορίζοντες. Τα διαφορετικά αποτελέσματα των βασικών μεθόδων συνθέτονται ώστε να υπάρξει ενίσχυση στις γενικευμένες λύσεις. Τα αποτελέσματα δείχνουν πως υπάρχει σημαντική ενίσχυση με τη χρήση των μεθόδων μέτα-εκπαίδευσης στην ικανότητα γενίκευσης και στην απόδοση των μοντέλων. Μέσω της χρήσης αριθμητικών δεδομένων καιρού μπορεί να πραγματοποιηθεί αξιόπιστη πρόβλεψη αιολικής παραγωγής με βήματα πρόβλεψης τόσο 10 λεπτών όσο και ημερησίων.	el
heal.abstract	Wind energy is one of the most economical and popular renewable energy sources. The variability of wind characteristics poses challenges for its optimal integration into power grids as well as for the overall energy management. To mitigate this variability and potential fluctuations in energy production, flexible forecasting models are essentials. These models should be capable of providing reliable results over various time horizons and contributing to the optimization of energy management and scheduling. Additionally, in the liberalized energy market, forecasting energy production from wind units benefits all participants by offering greater security and optimal market clearing prices. This thesis proposes the use of machine learning methods to create predictive models based on numerical weather predictions. These models aim to provide accurate and timely information regarding the expected energy production of a wind farm consisting of 4 wind turbines. In this approach, the results of testing different machine learning models are presented across various time frames: LSTM, Bi-LSTM, GRU, Random Forest algorithm, and XGBoost. This study suggests improving results through ensemble meta-learning methods to enhance predictions. Two meta-trainers: Meta-SVR, Meta-XGBoost are used, and the overall results are compared across different time horizons. The different outcomes of the basic models are combined to reinforce generalized solutions. The results indicate a significant enhancement in the ability to generalize and the performance of the models. Through the use of numerical weather data, reliable wind production forecasts can be made for both 10-minute intervals and daily forecasts.	en
heal.advisorName	Μαρινάκης, Ευάγγελος
heal.advisorName	Marinakis, Vangelis
heal.committeeMemberName	Ασκούνης, Δημήτριος
heal.committeeMemberName	Ψαρράς, Ιωάννης
heal.committeeMemberName	Μαρινάκης, Ευάγγελος	el
heal.academicPublisher	Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	105
heal.fullTextAvailability	false