Βραχυπροθεσμη Προβλεψη Ζητησης Φορτιου Με Τη Χρηση Νευρωνικων Δικτυων Συναρτησεων Ακτινωτης Βασης

Abstract

Αντικείμενο της παρούσας διπλωματικής εργασίας είναι η ανάπτυξη ενός μοντέλου βραχυπρόθεσμης πρόβλεψης ζήτησης φορτίου για το ελληνικό διασυνδεδεμένο σύστημα. Η πρόβλεψη ζήτησης φορτίου θα είναι μία και ενιαία για όλο το σύστημα χωρίς να κάνει χωρική διάκριση δηλαδή για τη βόρεια ή τη νότια Ελλάδα αλλά ούτε και τις πηγές ζήτησης φορτίου δηλαδή αν είναι οικιακό , εμπορικό ή βιομηχανικό.Η πρόβλεψη θα γίνει με τη χρήση νευρωνικών δικτύων και ειδικότερα με τη χρήση συναρτήσεων ακτινωτής βάσης γνωστές ως RBF (Radial Basis Functions).Tα νευρωνικά δίκτυα έχουν την δυνατότητα να "μαθαίνουν" ποια είναι η σχέση εισόδων εξόδων σε ένα σύστημα και έτσι να μπορούν να υπολογίζουν τις εξόδους όταν τους δίνονται κάποιες είσοδοι. Με άλλα λόγια λοιπόν μπορούν να προβλέπουν διάφορες καταστάσεις. Η διαδικασία της μάθησης ονομάζεται training και τα δεδομένα που χρησιμοποιήθηκαν είναι από τα έτη 2004, 2005 και 2006.Το έτος 2007 χρησιμοποιήθηκε για την αξιολόγηση του μοντέλου.Δημιουργήθηκαν δύο μοντέλα, το ωριαίο μηνιαίο και το ημερήσιο εποχικό. Το μοντέλο το οποίο λειτούργησε με μεγαλύτερη ακρίβεια είναι το ημερήσιο εποχικό μοντέλο. Το μοντέλο αυτό αποτελείται από πέντε νευρωνικά δίκτυα καθένα από τα οποία αντιστοιχεί και σε μια συγκεκριμένη χρονική περίοδο. Έτσι λοιπόν δημιουργήθηκαν τα νευρωνικά δίκτυα χειμώνα, άνοιξης, καλοκαιριού, φθινοπώρου καθώς και ένα νευρωνικό δίκτυο για τις ημέρες που αντιστοιχούν σε αργίες, Κυριακές και Σάββατα γνωστές ως special days.Το μοντέλο αυτό έχει ως εισόδους καιρικά και ημερολογιακά χαρακτηριστικά καθώς και φορτία προηγουμένων ωρών από την ημέρα που τα ωριαία φορτία πρέπει να προβλεφθούν. Πριν τη χρήση των RBF και για κάθε ένα από τα νευρωνικά δίκτυα που αφορούν τις εποχές ξεχωριστά χρησιμοποιούμε έναν αυτό-οργανούμενο χάρτη γνωστό ως self-organizing map ο οποίος χρησιμοποιήθηκε για να κατηγοριοποιήσει σε 30 ομάδες τις ημέρες με κριτήριο τα καιρικά και ημερολογιακά χαρακτηριστικά καθώς και φορτία προηγουμένων ωρών. Η ομάδα που ανήκει η κάθε ημέρα τίθεται ως ένα επιπλέον χαρακτηριστικό στην είσοδο του νευρωνικού δικτύου. Η έξοδος του νευρωνικού δικτύου είναι η ημερήσια πρόβλεψη ζήτησης φορτίου δηλαδή είκοσι-τέσσερα φορτία καθένα εκ των οποίων αντιστοιχεί σε μία από τις 24 ώρες τις ημέρας. Η τελική έξοδος του μοντέλου είναι το μέσο απόλυτο ποσοστιαίο σφάλμα γνωστό ως MAPE (Mean Absolute Percentage Error) το οποίο δίνεται από τον τύπο ΜΑPE=(/LR-LF/)/LR*100% με LR το πραγματικό φορτίο και LF το προβλέψιμο φορτίο. Το μέσο απόλυτο ποσοστιαίο σφάλμα για το έτος 2007 είναι 2.89%.