Υπερβραχυπρόθεσμη πρόβλεψη φωτοβολταϊκής παραγωγής με χρήση δεδομένων εικόνων του ουρανού

Αντωνιάδης, Αντόνιο; Antoniades, Antonio

dc.contributor.author	Αντωνιάδης, Αντόνιο	el
dc.contributor.author	Antoniades, Antonio	en
dc.date.accessioned	2024-09-06T07:51:40Z
dc.date.available	2024-09-06T07:51:40Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60159
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.27855
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	Υπερβραχυπρόθεσμη πρόβλεψη	el
dc.subject	Φωτοβολταϊκή παραγωγή	el
dc.subject	Επίγειες εικόνες ουρανού	el
dc.subject	Random Forest	en
dc.subject	Antlion Optimizer	en
dc.subject	Ultra-short-term forecasting	en
dc.subject	Photovoltaic production	en
dc.subject	Ground-based sky images	en
dc.subject	Δέντρα απόφασης	el
dc.subject	Βελτιστοποίηση	el
dc.title	Υπερβραχυπρόθεσμη πρόβλεψη φωτοβολταϊκής παραγωγής με χρήση δεδομένων εικόνων του ουρανού	el
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.classification	Ανανεώσιμες πηγές ενέργειας	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-06-21
heal.abstract	Σκοπός της παρούσας διπλωματικής εργασίας είναι η υπερβραχυπρόθεσμη πρόβλεψη φωτοβολταϊκής παραγωγής, μέσω της ανάπτυξης ενός υβριδικού μοντέλου μηχανικής μάθησης. Το προτεινόμενο μοντέλο πρόβλεψης αποτελείται από την τεχνική μηχανικής μάθησης Random Forest και τον εξελικτικό αλγόριθμο Antlion Optimizer, με χρονικό ορίζοντα πρόβλεψης τα δεκαπέντε λεπτά. Η εκπαίδευση και η αξιολόγηση του υβριδικού μοντέλου πραγματοποιείται με δύο σύνολα δεδομένων: ένα με αποκλειστικά αριθμητικά δεδομένα και ένα που περιλαμβάνει αριθμητικά δεδομένα και εικόνες του ουρανού. Στόχος του αναπτυσσόμενου μοντέλου είναι η πρόσεγγιση της πραγματικά παραγόμενης φωτοβολταϊκής παραγωγής, με τη χρήση μετρούμενων μετερεωλογικών μεγεθών. Η απόδοση του προτεινόμενου υβριδικού μοντέλου συγκρίνεται με την απόδοση δύο άλλων μοντέλων μέσω υπολογισμού κατάλληλων μετρητικών σφάλματος. Η ανάπτυξη του κώδικα για τη δημιουργία των μοντέλων της παρούσας διπλωματικής εργασίας υλοποιήθηκε στη γλώσσα προγραμματισμού Python. Η καινοτομία της παρούσας διπλωματικής εργασίας εγκείται στην ενδελεχή αξιολόγηση των δεδομένων ανά καιρική συνθήκη, η οποία αποσαφηνίζει τα ποιοτικά χαρακτηριστηκά της διαδικασίας πρόβλεψης. Επιπλέον, το μοντέλο εκπαιδεύτηκε χρησιμοποιώντας επίγειες εικόνες του ουρανού, επιτρέποντας έτσι την ακριβή προσαρμογή του μοντέλου στις διαφορετικές συνθήκες νεφοκάλυψης.	el
heal.abstract	The aim of this Diploma Τhesis is the ultra-short-term forecasting of photovoltaic production through the development of a hybrid machine learning model. The proposed forecasting model consists of the machine learning technique Random Forest and the evolutionary algorithm Antlion Optimizer, with a forecasting horizon of fifteen minutes. The training and evaluation of the hybrid model are conducted with two datasets: one with exclusively numerical data and another that includes numerical data and sky images. The aim of the developed model is to approach the actual produced photovoltaic output using measured meteorological parameters. The performance of the proposed hybrid model is compared with the performance of two other models by calculating appropriate error metrics. The code for creating the models in this Thesis was implemented in the Python programming language. The innovation of this Thesis lies in the thorough evaluation of the data under different weather conditions, which clarifies the qualitative characteristics of the forecasting process. Additionally, the model was trained using ground-based sky images, allowing for accurate adaptation of the model to different cloud cover conditions.	en
heal.advisorName	Γεωργιλάκης, Παύλος	el
heal.committeeMemberName	Παπαβασιλείου, Αντώνιος	el
heal.committeeMemberName	Δημέας, Άρης-Ευάγγελος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικής Ισχύος	el
heal.academicPublisherID	ntua
heal.numberOfPages	89 σ.	el
heal.fullTextAvailability	false