Πρόβλεψη φωτοβολταϊκής ισχύος με Federated Learning

Σπυρόπουλος, Λεωνίδας; Spyropoulos, Leonidas

dc.contributor.author	Σπυρόπουλος, Λεωνίδας	el
dc.contributor.author	Spyropoulos, Leonidas	en
dc.date.accessioned	2024-12-10T09:28:49Z
dc.date.available	2024-12-10T09:28:49Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60520
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28216
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 ισχύος	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Τεχνητά νευρωνικά δίκτυα	el
dc.subject	Δίκτυα μακράς βραχυπρόθεσμης μνήμης	el
dc.subject	Photovoltaic power forecasting	en
dc.subject	Machine learning	en
dc.subject	Artificial neural networks	en
dc.subject	Long short-term memory networks	en
dc.subject	Federated learning	en
dc.title	Πρόβλεψη φωτοβολταϊκής ισχύος με Federated Learning	el
dc.title	Federated Learning for photovoltaic power forecasting	en
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.classification	Πρόβλεψη φωτοβολταϊκής ισχύος	el
heal.classification	Machine learning	en
heal.classification	Federated learning	en
heal.classification	Photovoltaic power forecasting	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-07-15
heal.abstract	Στην παρούσα εργασία, διερευνώνται οι δυνατότητες του Federated Learning (FL) για την ενίσχυση της πρόβλεψης ισχύος φωτοβολταϊκών συστημάτων με διατήρηση της ιδιωτικότητας των δεδομένων. Η έρευνα υπογραμμίζει την επιτακτική ανάγκη για αποτελεσματικές και ασφαλείς μεθόδους πρόβλεψης της παραγωγής ηλιακής ενέργειας, δεδομένης της αυξανόμενης εξάρτησης από τις ανανεώσιμες πηγές ενέργειας και της ευαισθησίας των σχετικών δεδομένων. Τονίζεται η σημασία της ιδιωτικότητας στην πρόβλεψη ισχύος, καθώς πρέπει να προστατεύονται ευαίσθητα δεδομένα από διαφορετικά φωτοβολταϊκά συστήματα. Το Federated Learning προσφέρει μια πολλά υποσχόμενη λύση, επιτρέποντας την εκπαίδευση μοντέλων σε τοπικά δεδομένα χωρίς να απαιτείται ανταλλαγή δεδομένων, καθώς οι μέχρι τώρα συγκεντρωτικοί αλγόριθμοι πρόβλεψης βασίζονται στη συνάθροιση δεδομένων. Το FL διατηρεί την ιδιωτικότητα και συμμορφώνεται με τους κανονισμούς προστασίας δεδομένων. Αξιολογώντας προηγούμενες εφαρμογές και έρευνες στον FL, διαπιστώθηκε ότι ενώ το FL έχει εφαρμοστεί σε διάφορους τομείς, η χρήση του στην πρόβλεψη ισχύος φωτοβολταϊκών παραμένει ένας ανοικτός προς διερεύνηση τομέας με το υλικό να μην είναι απεριόριστο. Στο παρόν έργο συγκρίνονται έξι (6) διαφορετικές στρατηγικές FL (FedAvg, FaultTolerantFedAvg, FedProx, FedMedian, FedAdam και FedYogi) χρησιμοποιώντας ένα μοντέλο LSTM για την πρόβλεψη ισχύος των φωτοβολταϊκών συστημάτων. Η εφαρμογή αυτών των στρατηγικών σε δεδομένα από επτά (7) φωτοβολταϊκά συστήματα σε διαφορετικές τοποθεσίες παρείχε ένα ισχυρό πλαίσιο για ανάλυση. Χρησιμοποιώντας μετρικές αξιολόγησης όπως RMSE, nRMSE, MBE και R2, πραγματοποιήθηκε μια ολοκληρωμένη αξιολόγηση των επιδόσεων. Τα αποτελέσματα έδειξαν ότι οι στρατηγικές FL μπορούν να προβλέψουν αποτελεσματικά την ισχύ των φωτοβολταϊκών συστημάτων, διατηρώντας παράλληλα το απόρρητο των δεδομένων. Κάθε στρατηγική έδειξε διαφορετικά επίπεδα ακρίβειας και ευρωστίας, με ορισμένες στρατηγικές να αποδίδουν καλύτερα.	el
heal.abstract	In this paper, we investigate the potential of Federated Learning (FL) for enhancing PV power prediction while maintaining data privacy. The research highlights the urgent need for efficient and secure methods to predict solar power generation, given the increasing dependence on renewable energy sources and the sensitivity of the associated data. The importance of privacy in power forecasting is emphasised, as sensitive data from different PV systems must be protected. Federated Learning offers a promising solution, enabling model training on local data without requiring data exchange, as the previously centralized forecasting algorithms rely on data aggregation. FL maintains privacy and complies with data protection regulations. Evaluating previous applications and research in FL, it was found that while FL has been applied in various fields, its use in PV power forecasting remains an open area to be explored with the literature not being unlimited. In this project, six (6) different FL strategies (FedAvg, FaultTolerantFedAvg, FedProx, FedMedian, FedAdam and FedYogi) are compared using an LSTM model for power forecasting of PV systems. Applying these strategies to data from seven (7) PV systems at different locations provided a robust framework for analysis. Using evaluation metrics such as RMSE, nRMSE, MBE and R2, a comprehensive performance evaluation was performed. The results showed that FL strategies can effectively predict the performance of PV systems while maintaining data confidentiality. Each strategy demonstrated different levels of accuracy and robustness, with certain strategies performing better.	en
heal.advisorName	Μαρινάκης, Ευάγγελος	el
heal.committeeMemberName	Ασκούνης, Δημήτριος	el
heal.committeeMemberName	Ψαρράς, Ιωάννης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων	el
heal.academicPublisherID	ntua
heal.numberOfPages	108 σ.	el
heal.fullTextAvailability	false