Διερεύνηση του προβλήματος μεσοπρόθεσμης πρόγνωσης των εισροών ταμιευτήρων με χρήση στοχαστικών τεχνικών και εργαλείων μηχανικής μάθησης

Παγωτέλης, Παναγιώτης; Pagotelis, Panagiotis

dc.contributor.author	Παγωτέλης, Παναγιώτης	el
dc.contributor.author	Pagotelis, Panagiotis	en
dc.date.accessioned	2025-06-06T09:20:33Z
dc.date.available	2025-06-06T09:20:33Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/62025
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29721
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	LSTM	en
dc.subject	Υδρολογία	el
dc.subject	Πρόβλεψη Εισροών	el
dc.subject	Βροχή-Απορροή	el
dc.subject	Μηχανική Μάθηση	el
dc.subject	LSTM	en
dc.subject	Hydrology	en
dc.subject	Inflow Prediction	en
dc.subject	Rainfall-Runoff	en
dc.subject	Machine Learning	en
dc.title	Διερεύνηση του προβλήματος μεσοπρόθεσμης πρόγνωσης των εισροών ταμιευτήρων με χρήση στοχαστικών τεχνικών και εργαλείων μηχανικής μάθησης	el
heal.type	bachelorThesis
heal.classification	Υδρολογία	el
heal.classification	Hydrology	en
heal.classification	Machine Learning	en
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-11-20
heal.abstract	Η διαχείριση των υδάτινων πόρων είναι ένα θέμα που έχει απασχολήσει την ανθρωπότητα για πολλούς αιώνες. Στη σύγχρονη εποχή, αυτό συνεπάγεται σε ανάγκη διαχείρισης νερού σε ταμιευτήρες, τεχνητούς ή φυσικούς, με στόχο την πλήρη και αδιάλειπτη κάλυψη των αναγκών ύδρευσης και άρδευσης, αλλά και γενικότερο όλων των ανθρώπινων δραστηριοτήτων που απαιτούν νερό. Ειδικότερα, στην Αττική, τις οποίας οι ανάγκες καλύπτονται από ένα σύστημα τριών ταμιευτήρων, του Ευήνου, του Μόρνου και της Υλίκης, θα ήταν ιδιαίτερα χρήσιμη η δυνατότητα πρόβλεψης των εισροών στους ταμιευτήρες για σύντομα διαστήματα στο μέλλον, προκειμένου να μπορεί να γίνεται καλύτερος προγραμματισμός της διάθεσης του νερού από αυτούς. Στην παρούσα εργασία γίνεται διερεύνηση του κατά πόσο μπορούν να χρησιμοποιηθούν τεχνητά ανατροφοδοτούμενα νευρωνικά δίκτυα, και συγκεκριμένα LSTM (Long Short-Term Memory, Δίκτυα Μακράς Βραχύχρονης Μνήμης), προκειμένου να προβλεφθούν οι εισροές στους ταμιευτήρες για την περίοδο Μαρτίου – Σεπτεμβρίου του υδρολογικού έτους, χρησιμοποιώντας σα δεδομένα για την πρόβλεψη τις βροχοπτώσεις και τις εισροές στις λεκάνες για την περίοδο Οκτωβρίου – Φεβρουαρίου. Τα δεδομένα που χρησιμοποιούνται για τη διαδικασία της εκπαίδευσης των μοντέλων (εκπαίδευση και επικύρωση όσον αφορά τα LSTM) έχουν παραχθεί με συνθετικό τρόπο από ιστορικά δεδομένα για τις λεκάνες, ενώ για την αξιολόγηση των μοντέλων χρησιμοποιούνται τα αυτούσια ιστορικά δεδομένα. Γίνεται σύγκριση των αποτελεσμάτων των προβλέψεων με το απλό γραμμικό μοντέλο, χρησιμοποιώντας μετρικές κατάλληλες για προβλήματα υδρολογικής φύσης, όπως είναι η NSE (Nash-Sutcliffe Efficiency) και η KGE (Kling-Gupta Efficiency). Ταυτόχρονα, σκοπός είναι και η βελτιστοποίηση των υπερπαραμέτρων των μοντέλων για την επίτευξη των καλύτερων αποτελεσμάτων. Τελικά, προκύπτει πως η χρήση νευρωνικών δικτύων LSTM είναι υποσχόμενη προσέγγιση για την πρόβλεψη των εισροών σε ταμιευτήρες. Μπορούν να χρησιμοποιηθούν είτε ανεξάρτητα είτε ως μέρος υβριδικών μοντέλων, λειτουργώντας ως εργαλεία υποστήριξης αποφάσεων για τη διαχείριση υδατικών πόρων από αρμόδιους φορείς.	el
heal.abstract	The management of water resources is an issue that has been of concern to humanity for many centuries. In modern times, this implies the need to manage water in reservoirs, artificial or natural, in order to ensure full and uninterrupted coverage of the needs of water supply and irrigation, but more generally of all human activities that require water. In particular, in Attica, whose needs are covered by a system of three reservoirs, the Evinos, Mornos and Yliki, it would be particularly useful to be able to forecast the inflows into the reservoirs for short periods in the future, in order to be able to better plan the allocation of water from them. In this thesis, we investigate whether artificial feedback neural networks, namely LSTMs (Long Short-Term Memory Networks), can be used to predict reservoir inflows for the March – September period of the hydrological year, using rainfall and basin inflows for the October – February period as forecast data. The data used for the model training process (training and validation in terms of LSTMs) are synthetically generated from historical basin data, while the original historical data are used for model evaluation. The results of the predictions are compared with the simple linear model, using metrics suitable for hydrological problems, such as NSE (Nash-Sutcliffe Efficiency) and KGE (Kling-Gupta Efficiency). At the same time, the aim is to optimize the hyperparameters of the models to achieve the best results. Ultimately, it is concluded that LSTM neural networks hold promise for predicting reservoir inflows. They can be used either independently or as part of hybrid models to support decision-making systems for water resource management by relevant agencies.	en
heal.advisorName	Ευστρατιάδης, Ανδρέας	el
heal.committeeMemberName	Μακρόπουλος, Χρήστος	el
heal.committeeMemberName	Ηλιοπούλου, Θεανώ	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Πολιτικών Μηχανικών. Τομέας Υδατικών Πόρων και Περιβάλλοντος. Εργαστήριο Υδρολογίας και Αξιοποίησης Υδατικών Πόρων	el
heal.academicPublisherID	ntua
heal.numberOfPages	61 σ.	el
heal.fullTextAvailability	false