Σύγκριση μεθόδων πρόβλεψης παραγωγής από ανανεώσιμες πηγές ενέργειας

Γκίκα, Ευαγγελία; Gkika, Evangelia

dc.contributor.author	Γκίκα, Ευαγγελία	el
dc.contributor.author	Gkika, Evangelia	en
dc.date.accessioned	2025-03-17T08:36:00Z
dc.date.available	2025-03-17T08:36:00Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61339
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29035
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	Μηχανική μάθηση	el
dc.subject	Βραχυπρόθεσμη πρόβλεψη	el
dc.subject	Αιολική παραγωγή	el
dc.subject	Φωτοβολταϊκή παραγωγή	el
dc.subject	Τεχνητά νευρωνικά δίκτυα	el
dc.title	Σύγκριση μεθόδων πρόβλεψης παραγωγής από ανανεώσιμες πηγές ενέργειας	el
heal.type	bachelorThesis
heal.classification	Τομέας Ηλεκτρικής Ισχύος	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-10-18
heal.abstract	Σκοπός της παρούσας διπλωματικής εργασίας είναι η σύγκριση διαφόρων μοντέλων μηχανικής μάθησης για την βραχυπρόθεσμη πρόβλεψη της παραγωγής ισχύος από Φωτοβολταϊκά (Φ/Β) και ανεμογεννήτριες. Όλα τα μοντέλα βασίζονται σε τεχνητά νευρωνικά δίκτυα, συγκεκριμένα συγκρίνονται νευρωνικά δίκτυα εμπρόσθιας τροφοδότησης, νευρωνικά δίκτυα με ανάδραση (NARX), καθώς και νευρωνικά δίκτυα μακράς βραχύχρονης μνήμης (LSTM). Η εκπαίδευση και η αξιολόγηση των μοντέλων πραγματοποιείται με πραγματικά δεδομένα Φ/Β και αιολικής παραγωγής, καθώς και μετρήσεις μετεωρολογικών δεδομένων. Για την εκπαίδευση των μοντέλων χρησιμοποιείται αλγόριθμος βελτιστοποίησης που βασίζεται στη μείωση της κλίσης, ενώ δύο από τα μοντέλα επανεκπαιδεύονται με τον αλγόριθμο βελτιστοποίησης σμήνους σωματιδίων (particle swarm optimization). Τα μοντέλα συγκρίνονται βάσει ικανότητας πρόβλεψης Φ/Β και αιολικής παραγωγής, χρησιμοποιώντας ένα σύνολο κατάλληλων μετρητικών αξιολόγησης, καθώς και βάσει της υπολογιστικής πολυπλοκότητάς τους. Η παρούσα διπλωματική εργασία καινοτομεί στην σύγκριση μοντέλων μηχανικής μάθησης, επεκτείνοντας την διαδικασία πρόβλεψης σε δύο διαφορετικές μεταβλητές (Φ/Β παραγωγή – αιολική παραγωγή), αλλά και εισάγοντας μεταευρετικούς αλγορίθμους βελτιστοποίησης και αρχιτεκτονικές βαθιάς μάθησης. Μέσω της αξιολόγησης και σύγκρισης των μοντέλων πρόβλεψης εξάγονται σημαντικά συμπεράσματα για τις ομοιότητες και τις διαφορές της Φ/Β και της αιολικής παραγωγής, καθώς και για τις αρχιτεκτονικές των νευρωνικών δικτύων και την ικανότητά τους στην βραχυπρόθεσμη πρόβλεψη παραγωγής ισχύος.	el
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	85 σ.	el
heal.fullTextAvailability	false