Βραχυχρόνια πρόβλεψη φορτίου ενέργειας με χρήση βαθιάς μάθησης
Loading...
Date
2024-09-17
Authors
Τουρλίδα, Βάγια
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Στη σύγχρονη εποχή της ραγδαίας τεχνολογικής προόδου, η διατήρηση της ισορροπίας μεταξύ παραγωγής και κατανάλωσης ενέργειας αποτελεί σημαντική πρόκληση για τη βιομηχανία ενέργειας. Οι παράγοντες που επηρεάζουν την κατανάλωση ενέργειας είναι πολυάριθμοι και ποικίλοι. Ειδικότερα, παράμετροι όπως οι καιρικές συνθήκες και οι παγκόσμιες κρίσεις, όπως η πανδημία COVID-19—μία από τις μεγαλύτερες υγειονομικές κρίσεις των τελευταίων ετών—έχουν σοβαρές επιπτώσεις στην καταναλωτική συμπεριφορά. Η πανδημία, για παράδειγμα, προκάλεσε σημαντικές αλλαγές στον τρόπο ζωής των ανθρώπων, οι οποίες επηρεάζουν άμεσα τη ζήτηση ενέργειας. Γίνεται λοιπόν προφανές πως τέτοιες μεταβλητές αλλά και άλλες παρόμοιες καθιστούν την πρόβλεψη και τη διαχείριση της ηλεκτρικής ενέργειας ιδιαίτερα δύσκολη. Αυτή η μελέτη επικεντρώνεται στην πρόβλεψη της κατανάλωσης ενέργειας σε ωριαίο επίπεδο, χρησιμοποιώντας μοντέλα βαθιάς μάθησης. Στο πλαίσιο της διπλωματικής εργασίας αναπτύχθηκαν και συγκρίθηκαν διάφορες αρχιτεκτονικές, περιλαμβάνοντας μοντέλα Μακροχρόνιας Μνήμης (LSTM), Συνελικτικά Νευρωνικά Δίκτυα (CNN) και υβριδικά μοντέλα (CNN-LSTM). Στόχος ήταν η επίτευξη της μέγιστης δυνατής ακρίβειας στην πρόβλεψη, ακόμη και υπό συνθήκες μη κανονικότητας, όπως η πανδημία COVID-19. Επιπλέον, δόθηκε ιδιαίτερη έμφαση στη βελτίωση των δεδομένων καιρού χρησιμοποιώντας μοντέλα LSTM, με σκοπό την βελτίωση της ποιότητας των εισερχόμενων δεδομένων και την ενίσχυση της ακρίβειας των προβλέψεων. Τέλος, πραγματοποιήθηκε ανάλυση της απόδοσης των διάφορων μοντέλων, τόσο συγκριτικά μεταξύ τους όσο και σε σύγκριση με άλλα μοντέλα που εμφανίζονται στη βιβλιογραφία και χρησιμοποιούν το ίδιο σύνολο δεδομένων. Σκοπός ήταν να αξιολογηθεί η αποτελεσματικότητα κάθε μοντέλου και η επίδραση της ποιότητας των δεδομένων εισόδου στην τελική ακρίβεια των προβλέψεων.
Description
Keywords
Πρόβλεψη ενέργειας, Βραχυπρόθεσμη πρόβλεψη φορτίου, Βαθιά μάθηση, Πολυμεταβλητές, Μη-γραμμικό πρόβλημα, Μηχανική μάθηση, Τεχνητή νοημοσύνη, Διόρθωση καιρικών δεδομένων