Πρόβλεψη ηλιακής ακτινοβολίας με χρήση μεθόδων μηχανικής μάθησης και αξιοποίηση δεδομένων νεφοκάλυψης

Φιλίππου, Πέτρος; Filippou, Petros

dc.contributor.author	Φιλίππου, Πέτρος	el
dc.contributor.author	Filippou, Petros	en
dc.date.accessioned	2025-03-11T08:02:56Z
dc.date.available	2025-03-11T08:02:56Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61316
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29012
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	Πολύ Βραχυπρόθεσμη πρόβλεψη	el
dc.subject	Συνελικτικά Νευρωνικά Δίκτυα	el
dc.subject	Υβριδικό Μοντέλο	el
dc.subject	Ultra-Short-Term Forecasting	en
dc.subject	Convolutional Neural Networks	en
dc.subject	Hybrid Model	en
dc.subject	CNN-LSTM	en
dc.title	Πρόβλεψη ηλιακής ακτινοβολίας με χρήση μεθόδων μηχανικής μάθησης και αξιοποίηση δεδομένων νεφοκάλυψης	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-10-18
heal.abstract	Η αυξανόμενη διείσδυση των Ανανεώσιμων Πηγών Ενέργειας (ΑΠΕ) στα συστήματα ηλεκτρικής ενέργειας δημιουργούν προκλήσεις που οφείλονται στην στοχαστική φύση των ΑΠΕ. Η φωτοβολταϊκή παραγωγή, τα τελευταία χρόνια, παρουσιάζει ραγδαία ανάπτυξη και η ενσωμάτωσή της στα δίκτυα αυξάνεται με την πάροδο των χρόνων. Ωστόσο, η παραγωγή ηλεκτρικής ενέργειας από φωτοβολταϊκά πλαίσια αποτελεί στοχαστική διαδικασία, καθώς εξαρτάται από την ηλιακή ακτινοβολία και άλλους μετεωρολογικούς παράγοντες που μεταβάλλονται με στοχαστική συμπεριφορά. Συνεπώς, η πρόβλεψη της ηλιακής ακτινοβολίας αποτελεί σημαντική διαδικασία για την ομαλή ενσωμάτωση της φωτοβολταϊκής παραγωγής στα συστήματα ηλεκτρικής ενέργειας. Σκοπός της παρούσας Διπλωματικής Εργασίας είναι η πολύ βραχυπρόθεσμη πρόβλεψη της ηλιακής ακτινοβολίας και της φωτοβολταϊκής παραγωγής με την χρήση συνελικτικών νευρωνικών δικτύων και δικτύων μακράς βραχύχρονης μνήμης. Η πρόβλεψη πραγματοποιείται μέσω της κατασκευής και της εκπαίδευσης τριών συνελικτικών νευρωνικών δικτύων που βασίζονται στις αρχιτεκτονικές των μοντέλων VGG16 και ResNet50, και την κατασκευή και την εκπαίδευση ενός υβριδικού μοντέλου που συνδυάζει τις δυνατότητες των συνελικτικών δικτύων και των δικτύων μακράς βραχύχρονης μνήμης. Η εκπαίδευση και η αξιολόγηση των μοντέλων βασίζεται σε επίγειες εικόνες του ουρανού που παρέχουν δεδομένα νεφοκάλυψης από φωτοβολταϊκό πάρκο και αντίστοιχες μετρήσεις μετεωρολογικών παραγόντων. Κατά την εκπαίδευση εκτελείται αξιολόγηση με χρήση κατάλληλων δεικτών παρακολούθησης των σφαλμάτων. Η απόδοση των αναπτυσσόμενων μοντέλων αξιολογείται με τη χρήση κατάλληλων δεικτών αξιολόγησης. Γίνεται αξιολόγηση μεταξύ των προβλέψεων που παράγονται από τα μοντέλα σε διαφορετικές καιρικές συνθήκες για την ανάλυση της συμπεριφοράς και της ακρίβειάς τους. Η ανάπτυξη του κώδικα για την δημιουργία των μοντέλων, την επεξεργασία του συνόλου δεδομένων και την εξαγωγή των αποτελεσμάτων υλοποιήθηκε στη γλώσσα προγραμματισμού Python. Η καινοτομία της παρούσας διπλωματικής εργασίας είναι η χρήση δεδομένων νεφοκάλυψης από επίγειες εικόνες του ουρανού και ο συνδυασμός τους με μετρήσεις μετεωρολογικών παραγόντων, καθώς και η ανάλυση σε διαφορετικές καιρικές συνθήκες και καταστάσεις των νεφών.	el
heal.abstract	The increasing penetration of Renewable Energy Sources (RES) into power systems introduces challenges due to the stochastic nature of RES. Photovoltaic generation has grown rapidly in recent years, and its integration into power grids is increasing over time. However, electricity generation from photovoltaic panels is a stochastic process, as it depends on solar irradiance and other meteorological factors that exhibit stochastic behavior. Consequently, the prediction of solar irradiance is a critical process for the smooth integration of photovoltaic generation into power systems. The aim of this Diploma Thesis is the ultra-short-term forecasting of solar irradiance and photovoltaic generation using Convolutional Neural Networks and Long-Short-Term Memory networks. The forecasting is carried out by constructing and training three Convolutional Neural Networks based on the VGG16 and ResNet50 model architecture, as well as by developing and training a hybrid model that combines the capabilities of Convolutional Networks and Long-Short-Term Memory networks. The training and evaluation of the models are based on ground-based sky images, providing cloud cover data from a photovoltaic park, along with corresponding measurements of meteorological factors. During training, evaluation is performed using appropriate error tracking metrics. The performance of the developed models is evaluated using suitable assessment indicators. Comparisons are made between the forecasts produced by the models under different weather conditions, analyzing their behavior and accuracy. The development of the code for the model creation, dataset processing, and result extraction was implemented in the Python programming language. The innovation of this Diploma Thesis lies in the use of cloud cover data from ground based sky images, combined with measurements of meteorological factors, as well as the analysis under different weather conditions and cloud states.	en
heal.advisorName	Γεωργιλάκης, Παύλος	el
heal.committeeMemberName	Δημέας, Άρης-Ευάγγελος	el
heal.committeeMemberName	Νικολαΐδης, Βασίλειος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικής Ισχύος	el
heal.academicPublisherID	ntua
heal.numberOfPages	123 σ.	el
heal.fullTextAvailability	false