Βραχυπρόθεσμη Πρόβλεψη Ενεργειακής Ζήτησης: Προσεγγίσεις Βασισμένες Στη Μηχανική Μάθηση

Abstract

Η πρόβλεψη της μελλοντικής ενεργειακής ζήτησης είναι πολύ σημαντική κατά τη διαδικασία λήψης αποφάσεων στον τομέας της ηλεκτρικής ενέργειας, ιδιαίτερα μέσα στο ανταγωνιστικό περιβάλλον που δημιουργήθηκε μετά την απελευθέρωση των αγορών ενέργειας. Η βραχυπρόθεσμη πρόβλεψη φορτίου ηλεκτρισμού συμβάλλει καθοριστικά στην αξιοπιστία ενός συστήματος ηλεκτρικής ενέργειας (ΣΗΕ). Επιπλέον είναι απαραίτητη για την ομαλή λειτουργία του ΣΗΕ, ενώ υψηλά σφάλματα στην πρόβλεψη φορτίου μπορούν να οδηγήσουν σε αύξηση του λειτουργικού κόστους.Διάφορες τεχνικές έχουν αναπτυχθεί για τη βραχυπρόθεσμη πρόβλεψη της ηλεκτρικής κατανάλωσης (STLF). Οι τεχνικές αυτές διακρίνονται κυρίως σε στατιστικές μεθόδους πρόβλεψης και μοντέλα τεχνητής νοημοσύνης (AI). Το φορτίο ενός συστήματος αποτελεί μια στοχαστική, μη στάσιμη διαδικασία ενώ η συμπεριφορά του επηρεάζεται από πλήθος παραγόντων με πιο σημαντικές τις καιρικές συνθήκες, το είδος του τελικού χρήστη, τους εποχιακούς παράγοντες και τα τυχαία γεγονότα. Λόγω των μη γραμμικών σχέσεων που εμφανίζονται μεταξύ της ηλεκτρικής κατανάλωσης και των επιμέρους παραμέτρων, τα τελευταία χρόνια έχει δοθεί έμφαση σε μεθόδους μηχανικής μάθησης (Machine Learning) για την επίλυση τέτοιων προβλημάτων. Τα μοντέλα μηχανικής μάθησης βασίζονται στα διαθέσιμα δεδομένα και εκπαιδεύονται μέσα από αυτά. Σε αυτήν την κατηγορία ανήκουν τα τεχνητά νευρωνικά δίκτυα και οι μηχανές διανυσμάτων υποστήριξης (Support Vector Machines).Αντικείμενο της διπλωματικής εργασίας είναι η ανάπτυξη μιας μεθοδολογίας για τη βραχυπρόθεσμη πρόβλεψη της ενεργειακής ζήτησης στον κτηριακό τομέα. Το πρόβλημα της εξοικονόμησης ενέργειας για οικονομικούς και περιβαλλοντικούς λόγους, καθιστά την ύπαρξη μιας τέτοιας μεθοδολογίας εξαιρετικά σημαντική. Σκοπός επομένως της παρούσας εργασίας είναι η πρόταση συγκεκριμένων λύσεων μέσω μιας πιλοτικής εφαρμογής. Σε αυτή γίνεται χρήση δεδομένων πραγματικού χρόνου, που συλλέχθηκαν από "έξυπνους μετρητές" εγκατεστημένους σε μια αλυσίδα δέκα εμπορικών καταστημάτων στην περιοχή της Αττικής.Αρχικά επιχειρείται η ανάλυση συσχετίσεων μεταξύ της ηλεκτρικής κατανάλωσης και ορισμένων βασικών παραμέτρων που την επηρεάζουν (εσωτερική και εξωτερική θερμοκρασία, ώρες ηλιοφάνειας, είδος ημέρας κ.α.). Στη συνέχεια πραγματοποιείται η βραχυπρόθεσμη πρόβλεψη της ενεργειακής ζήτησης με τη χρήση διανυσμάτων υποστήριξης (SVM). Για την υλοποίηση των αλγορίθμων στην πιλοτική εφαρμογή γίνεται χρήση της γλώσσας Python και της βιβλιοθήκης Scikit-Learn, που αποτελεί δημοφιλή βιβλιοθήκη μηχανικής μάθησης. Τέλος προτείνεται η καταλληλότερη χρονική βάση για τα δεδομένα εισόδου και η βέλτιστη συνάρτηση πυρήνα (kernel) για τη βραχυπρόθεσμη πρόβλεψη με χρονικό ορίζοντα μια ημέρα.