Please use this identifier to cite or link to this item:
Title: Βραχυπρόθεσμη πρόβλεψη ηλεκτρικού φορτίου αξιοποιώντας τεχνικές μηχανικής και βαθιάς μάθησης
Other Titles: Short term load forecasting exploiting novel machine and deep learning techniques
Authors: Μαγκλάρας, Αριστείδης
Keywords: Τεχνητή νοημοσύνη
Μηχανική μάθηση
Βαθιά μάθηση
Πρόβλεψη χρονοσειρών
Πρόβλεψη ηλεκτρικού φορτίου
Νευρωνικά δίκτυα
Keywords (translated): Artificial intelligence
Machine learning
Deep learning
Timeseries forecasting
Electric load forecasting
Neural networks
Abstract: Το ενεργειακό δίκτυο είναι απαραίτητο να αφομοιώσει τις αλλαγές που προέρχονται από τους νέους κανονισμούς, την νέα δομή της αγοράς και κυρίως από τις τρέχουσες και μελλοντικές εξελίξεις των ΤΕΠ(Τεχνολογίες Επικοινωνίας και Πληροφορίας). Σχετικές προσπάθειες, υπογραμμίζουν την ανάγκη μετάλλαξης του παρόντος ενεργειακού δικτύου σε ένα βιώσιμο, αυτόνομο, φιλικό προς το περιβάλλον (χαμηλών εκπομπών άνθρακα) έξυπνο δίκτυο, ανεξάρτητο από τις κεντρικές και συχνά απαρχαιωμένες υποδομές παραγωγής ενέργειας μέσω άνθρακα και πετρελαίου. Στην πορεία για αυτήν τη φιλόδοξη κατεύθυνση θα πρέπει να αντιμετωπιστούν αρκετά ανοικτά ακόμα ζητήματα, και ένα από αυτά είναι η ακριβής και έγκυρη πρόβλεψη του ηλεκτρικού φορτίου μέσω της οποίας επιδιώκεται η εξισορρόπηση παραγωγής και ζήτησης και κατ ́ επέκταση η μέγιστη εκμετάλλευση των Ανανεώσιμων Πηγών Ενέργειας (ΑΠΕ). Στην παρούσα διπλωματική επιδιώκεται η πρόβλεψη του ηλεκτρικού φορτίου αξιοποιώντας την τεχνητή νοημοσύνη και συγκεκριμένα την μηχανική και βαθιά μάθηση που αποτελούν το State of the Art στους αλγορίθμους πρόβλεψης. Μετά την εκτενή αναφορά στην βιβλιογραφία και στην θεωρία της πρόβλεψης των χρονοσειρών ακολουθεί η ανάπτυξη τεσσάρων αλγορίθμων μηχανικής και βαθιάς μάθησης και στην συνέχεια με αυτούς επιχειρείται η πρόβλεψη του ηλεκτρικού φορτίου πέντε διαφορετικών γραμμών ισχύος του συστήματος διανομής ηλεκτρικής ενέργειας. Καταλήγοντας τα αποτελέσματα αυτής της πρόβλεψης παρουσιάζονται αναλύονται και εξάγονται σημαντικά συμπεράσματα για την συνολική αντιμετώπιση του προβλήματος.
Abstract (translated): The energy grid is ammendable to accute changes that stem from new regulations, the new structure of the energy markets and mostly from the currrent and future development of Information and Communication Technologies (ICT). Relevant efforts highlight the need to transform this energy network into a sustainable, autonomous, environmentally friendly (low carbon) smart grid, independent of centralized and often obsolete power generation infrastructure through coal and oil. Towards this ambitious one direction several open issues need to be addressed, one of them being the accurate electric load forecasting, through which the balance of demand and generation, and accordingly the maximum exploitation of Renewable Energy Resources, is persued. This diploma thesis aims to tackle the challenging issue of electric load forecasting exploiting artificial intelligence and specifically machine and deep learning which account for the State of the Art forecasting methods. After extensive timeseries forecasting literature review and the development of the forecasting algorithms the results of the experiment are analyzed. Summing up, the result analysis and further study lead to several important and usefull conclusion about the nature and the general tackle of the challenging issue of electric load forecasting
Appears in Collections:Τμήμα Ηλεκτρολ. Μηχαν. και Τεχνολ. Υπολογ. (ΔΕ)

Files in This Item:
File Description SizeFormat 
Nemertes_Magklaras(ele).pdf1.66 MBAdobe PDFView/Open

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.