Μοντελοποίηση μεσοπρόθεσμης πρόβλεψης ζήτησης ηλεκτρικής ενέργειας με χρήση κλιματικών δεδομένων

Παππά, Στέφανος; Pappa, Stefanos

dc.contributor.author	Παππά, Στέφανος	el
dc.contributor.author	Pappa, Stefanos	en
dc.date.accessioned	2025-02-14T10:55:50Z
dc.date.available	2025-02-14T10:55:50Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61110
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28806
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc/3.0/gr/	*
dc.subject	Ηλεκτρική ζήτηση	el
dc.subject	Κλιματικά δεδομένα	el
dc.subject	Γραμμική παλινδρόμηση	el
dc.subject	Ελληνικό ενεργειακό σύστημα	el
dc.subject	Μεσοπρόθεσμη πρόβλεψη	el
dc.subject	Electricity demand	en
dc.subject	Climate data	en
dc.subject	Linear regression	en
dc.subject	Greek energy system	en
dc.subject	Midterm forecasting	en
dc.title	Μοντελοποίηση μεσοπρόθεσμης πρόβλεψης ζήτησης ηλεκτρικής ενέργειας με χρήση κλιματικών δεδομένων	el
dc.title	Modeling medium-term electricity demand forecasting using climate data	en
heal.type	bachelorThesis
heal.classification	Πρόβλεψη ηλεκτρικής ζήτησης	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-10-08
heal.abstract	Η ακριβής πρόβλεψη της ζήτησης ηλεκτρικής ενέργειας, είτε βραχυπρόθεσμα, είτε μακροπρόθεσμα είναι ζωτικής σημασίας για την αποτελεσματική και αξιόπιστη λειτουργία του ελληνικού ηλεκτρικού συστήματος, καθώς το τελευταίο αναμένεται να κληθεί να αντιμετωπίσει μεγάλες προκλήσεις, από την κλιματική κρίση και την υπερθέρμανση του πλανήτη και κατ’ επέκταση της ίδιας της χώρας, μέχρι τον εξηλεκτρισμό των ενεργειακών συστημάτων και την αυξανόμενη διείσδυση των ανανεώσιμων πηγών ενέργειας. Σκοπός της παρούσας διπλωματικής εργασίας είναι η δημιουργία 2 μοντέλων πρόβλεψης, ένα αξιόπιστο μοντέλο πρόβλεψης της ζήτησης ηλεκτρικής ενέργειας το οποίο να είναι αρκετά ευέλικτο ώστε να μπορεί να πραγματοποιεί προβλέψεις τόσο με ημερήσιο, όσο και με μηνιαίο χρονικό βήμα, καθώς και ένα για την ημερήσια αιχμή της ζήτησης, για χρονικό ορίζοντα ενός έτους. Η πρόβλεψη αφορά το διασυνδεδεμένο ηλεκτρικό σύστημα της Ελλάδας και για αυτή χρησιμοποιούνται κλιματικές παράμετροι και άλλες σχετικές μεταβλητές που κρίνεται πως επηρεάζουν τη συνολική ζήτηση. Για την επίτευξη του στόχου αυτού, στα πλαίσια της συγκεκριμένης μελέτης, αξιοποιείται η μέθοδος της γραμμικής παλινδρόμησης πολλών μεταβλητών. Όσον αφορά την πρόβλεψη της ηλεκτρικής ζήτησης, αλλά και της αιχμής της, αποφεύγεται η συνηθισμένη τακτική της ενσωμάτωσης ενός μοντέλου ARIMA στα υπό κατασκευή μοντέλα, εφόσον αυτό έχει αποδειχθεί μη ακριβές για προβλέψεις ενός χρονικού διαστήματος και έπειτα, και για αυτόν τον λόγο προτείνεται μία εναλλακτική μέθοδος. Δημιουργούνται 7 επιμέρους μοντέλα πρόβλεψης ημερήσιας ηλεκτρικής ζήτησης (ένα για κάθε ημέρα της εβδομάδας), έναντι ενός ενιαίου ημερήσιου μοντέλου (το οποίο δημιουργείται και με το οποίο συγκρίνονται), προκειμένου να εξαλειφθεί το πρόβλημα της αυτοσυσχέτισης που συνοδεύεται από τη συσσώρευση του σφάλματος πρόβλεψης πολλών επόμενων χρονικών περιόδων και που, υπό άλλες συνθήκες, θα επιλυόταν από το μοντέλο ARIMA. Επιπλέον, σε κάθε ένα από τα 7 ημερήσια μοντέλα (αλλά και στο ενιαίο ημερήσιο) συμπεριλαμβάνεται ως παράμετρος και η μέση μηνιαία ηλεκτρική ζήτηση ημέρας, όπως αυτή προκύπτει, αποκλιμακούμενη, από ένα μηνιαίο μοντέλο πρόβλεψης, που δημιουργείται για να αποτυπώσει και να ενσωματώσει στα ημερήσια μοντέλα τις πιο μακροπρόθεσμες τάσεις που επηρεάζουν τη ζήτηση και για να αυξήσει την ακρίβεια των μοντέλων. Επιπλέον, 7 επιμέρους μοντέλα δημιουργούνται, ακολουθώντας ίδια λογική με αυτά της ημερήσιας ζήτησης, και για την πρόβλεψη της ημερήσιας αιχμής ζήτησης, χωρίς όμως να ενσωματώνεται η αποκλιμακούμενη μηνιαία ηλεκτρική ζήτηση ως παράμετρος. Από τα αποτελέσματα της προτεινόμενης μεθοδολογίας, προκύπτει το συμπέρασμα ότι τα 7 ημερήσια μοντέλα μπορούν να προβλέψουν με πολύ ικανοποιητική ακρίβεια και χαμηλή αυτοσυσχέτιση την ηλεκτρική ζήτηση, τόσο ημερησίως και για 365 ημέρες μπροστά, όσο και μηνιαίως (προσθέτοντας τις αντίστοιχες ημερήσιες προβλέψεις) και για 12 μήνες μπροστά. Ωστόσο, τα 7 ημερήσια μοντέλα κρίνονται ακατάλληλα για την πρόβλεψη της ημερήσιας αιχμής της ηλεκτρικής ζήτησης, με το μεγαλύτερο μερίδιο ευθύνης να το φέρει η επιλογή της μεθόδου της γραμμικής παλινδρόμησης, η οποία δεν δύναται να αποτυπώσει τις πολύπλοκες συσχετίσεις που συνοδεύουν τις αιχμές της ζήτησης, με αποτέλεσμα να δημιουργείται η ανάγκη για μελλοντική δοκιμή άλλης, πολυπλοκότερης μεθόδου.	el
heal.abstract	Accurate forecasting of electricity demand, either in the short or long term, is vital for the efficient and reliable operation of the greek electricity system, as the latter is expected to face major challenges, from the climate crisis and global warming, to the electrification of energy systems and the increasing penetration of renewable energy sources. The aim of this thesis is to create 2 forecasting models, a reliable electricity demand forecasting model that is flexible enough to make forecasts with both daily and monthly time step, and one for daily peak demand, with a prediction timeframe of one year. The forecast is applied to the greek interconnected electrical system and for this, climate parameters and other relevant variables that can affect the overall demand are used. In order to achieve this objective, the method of linear multivariable regression is used. As far as the forecasting of electricity demand, and its peak, is concerned, the usual practice of incorporating an ARIMA model into the models under construction is avoided, since it proves to be inaccurate for forecasts of one time interval and beyond, and for this reason an alternative method is proposed. Seven individual daily electricity demand forecast models (one for each day of the week) are created, versus a single daily model (which is created and compared with), in order to eliminate the autocorrelation problem that is caused by the accumulation of forecast error over several subsequent time periods and which, under other circumstances, would be solved by the ARIMA model. In addition, each of the 7 daily models (as well as the single daily model) includes as a parameter the average monthly electricity demand for each day as derived from a monthly forecast model, which is created to capture and incorporate into the daily models the longer-term trends affecting demand and to increase the accuracy of the models. In addition, 7 daily models are created, following the same path as the daily demand models, to forecast the daily peak demand, but without incorporating the average monthly electricity demand as a parameter. From the results of the proposed methodology, it is concluded that the 7 daily models can forecast with high accuracy and low autocorrelation the electricity demand, both daily and 365 days ahead, and monthly (by adding the corresponding daily forecasts) and 12 months ahead. However, the 7 daily models are found to be inadequate for forecasting the daily electricity peak demand, proving that the choice of linear regression as a prediction method is not correct, as it cannot capture the complex correlations that accompany demand peaks, thus creating the need for future testing of another, more complex method.	en
heal.advisorName	Κάραλης, Γεώργιος	el
heal.committeeMemberName	Κάραλης, Γεώργιος	el
heal.committeeMemberName	Ριζιώτης, Βασίλειος	el
heal.committeeMemberName	Βουτσινάς, Σπυρίδων	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών. Τομέας Ρευστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	170 σ.	el
heal.fullTextAvailability	false