Εφαρµογή µεθόδων µη επιτηρούµενης ταξινόµησης σε δεδοµένα εικόνων του ουρανού για βραχυπρόθεσµη πρόβλεψη φωτοβολταϊκής παραγωγής

Αρμύρας, Κυριάκος; Armyras, Kyriakos

dc.contributor.author	Αρμύρας, Κυριάκος	el
dc.contributor.author	Armyras, Kyriakos	en
dc.date.accessioned	2025-09-12T08:18:09Z
dc.date.available	2025-09-12T08:18:09Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/62430
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.30126
dc.description	Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Παραγωγή και Διαχείριση Ενέργειας”	el
dc.rights	Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nd/3.0/gr/	*
dc.subject	Μη επιτηρούμενη ταξινόμηση	el
dc.subject	Εικόνες του ουρανού	el
dc.subject	Συσταδοποίηση	el
dc.subject	Βραχυπρόθεσμη πρόβλεψη	el
dc.subject	Φωτοβολταϊκή παραγωγή	el
dc.subject	Unsupervised classification	en
dc.subject	Sky images	en
dc.subject	Clustering	en
dc.subject	Short-term forecasting	en
dc.subject	Photovoltaic generation	en
dc.title	Εφαρµογή µεθόδων µη επιτηρούµενης ταξινόµησης σε δεδοµένα εικόνων του ουρανού για βραχυπρόθεσµη πρόβλεψη φωτοβολταϊκής παραγωγής	el
heal.type	masterThesis
heal.classification	Μη Επιτηρούμενη Ταξινόμηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-02-19
heal.abstract	Στόχος της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη δύο μεθοδολογιών ταξινόμησης επίγειων εικόνων του ουρανού δίχως τη χρήση ετικετών, με σκοπό τη βελτίωση της βραχυπρόθεσμης πρόβλεψης φωτοβολταϊκής παραγωγής. Αμφότερες οι μεθοδολογίες βασίζονται στη μη επιτηρούμενη εκπαίδευση και κάνουν χρήση της μεθόδου συσταδοποίησης k-means. Η πρώτη μεθοδολογία που αναπτύχθηκε βασίζεται στην εξαγωγή πολλαπλών χαρακτηριστικών από τις εικόνες του ουρανού, όπως χαρακτηριστικά υφής, φάσματος και ηλιακής θέσης. Η δεύτερη μεθοδολογία βασίζεται στην ομοιότητα της χρωματικής πληροφορίας των pixel των εικόνων. Η μη επιτηρούμενη ταξινόμηση γίνεται για ένα σύνολο δεδομένων επίγειων εικόνων του ουρανού που αφορά διάστημα δύο εβδομάδων. Η αξιολόγηση της ταξινόμησης κάθε μεθοδολογίας γίνεται μέσω κατάλληλων μετρητικών δεικτών μη επιτηρούμενης ταξινόμησης, αλλά και μέσω της σύγκρισης των συστάδων βάσει των τιμών πραγματικής παραγόμενης ισχύος παραπλήσιου φωτοβολταϊκού πάρκου που αντιστοιχούν στη στιγμή λήψης των εικόνων κάθε συστάδας. Η ανάπτυξη του κώδικα για τη δημιουργία των μεθοδολογιών μη επιτηρούμενης ταξινόμησης της παρούσας διπλωματικής εργασίας γίνεται στη γλώσσα προγραμματισμού Python. Η παρούσα διπλωματική εργασία καινοτομεί με την ανάπτυξη και σύγκριση δύο μεθόδων μη επιτηρούμενης ταξινόμησης επίγειων εικόνων του ουρανού με σκοπό τη βελτίωση της βραχυπρόθεσμης πρόβλεψης φωτοβολταϊκής παραγωγής, επεκτείνοντας ήδη υπάρχουσες μεθόδους επιτηρούμενης ταξινόμησης. Τα αποτελέσματα της παρούσας διπλωματικής εργασίας αναδεικνύουν τις δυνατότητες αλλά και κάποιες προκλήσεις που προκύπτουν από την μη επιτηρούμενη ταξινόμηση επίγειων εικόνων του ουρανού χωρίς τη χρήση ετικετών.	el
heal.abstract	The purpose of this thesis is the development of two methods for the automatic classification of ground-based sky images without the use of ground-truth labels, with the aim of improving short-term photovoltaic power forecasting. Both methods leverage unsupervised learning and are based on k-means clustering. The first method developed is based on the extraction of multiple features from the sky images, such as textural, spectral and solar position features. The second method is based on the similarity of the pixel color information of the images. The unsupervised classification is performed on a sky image dataset covering a two-week period. The evaluation of the classification achieved with each methodology is conducted with appropriate evaluation metrics, commonly used for clustering evaluation, as well as by comparing the generated clusters based on the real photovoltaic power values of a photovoltaic park located in close proximity, which correspond to the timestamps of the sky images of each cluster. The development of the code for the creation of the unsupervised classification methods of this diploma thesis is implemented in the Python programming language. This thesis innovates by introducing and comparing two unsupervised sky image classification methods with the ultimate goal of improving short-term photovoltaic power forecasting, building upon existing supervised sky image classification methods. The results highlight the potential, as well as the challenges, of the unsupervised classification of ground-based sky images without the use of ground-truth labels.	en
heal.advisorName	Γεωργιλάκης, Παύλος	el
heal.committeeMemberName	Παπαβασιλείου, Αντώνης	el
heal.committeeMemberName	Δημέας, Άρης-Ευάγγελος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	74 σ.	el
heal.fullTextAvailability	false