Παρακαλώ χρησιμοποιήστε αυτό το αναγνωριστικό για να παραπέμψετε ή να δημιουργήσετε σύνδεσμο προς αυτό το τεκμήριο: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/17738
Τίτλος: Πιθανοτική Πρόβλεψη Αιολικής Παραγωγής με τη χρήση Extreme Learning Machines
Συγγραφείς: Σκεύης, Διονύσης
Χατζηαργυρίου Νικόλαος
Λέξεις κλειδιά: πιθανοτική πρόβλεψη, Extreme Learning Machines, αιολική ισχύς, Bootstrapping, διάστημα εμπιστοσύνης, πρόβλεψη αιολικής παραγωγής, σφάλμα πρόβλεψης, αριθμητικές προβλέψεις καιρού
probabilistic forecasting, Extreme Learning Machines, wind power, Bootstrapping, confidence intervals, wind power forecasting, forecast error, numerical weather prediction
Ημερομηνία έκδοσης: 22-Οκτ-2020
Περίληψη: Τα τελευταία χρόνια έχει σημειωθεί μεγάλη αύξηση του ποσοστού της ηλεκτρικής ενέργειας που προέρχεται από αιολικούς σταθμούς παραγωγής. Η αύξηση αυτή όμως, συνοδεύεται και από προβλήματα σταθερότητας του δικτύου, καθώς η αδυναμία της ανθρώπινης παρέμβασης στην παραγωγή καθιστά αβέβαιη την εξισορρόπηση προσφοράς και ζήτησης. Το γεγονός αυτό, καθιστά υψίστης σημασίας την ακριβή πρόβλεψη αιολικής παραγωγής σε βραχυπρόθεσμο ορίζοντα πρόβλεψης για την βέλτιστη συμπαραγωγή αιολικών και συμβατικών σταθμών παραγωγής. Εφόσον η χαοτική φύση της ατμόσφαιρας καθιστά αδύνατη την ακριβή πρόβλεψη παραγωγής, τα τελευταία χρόνια αναπτύσσονται ολοένα και περισσότερα μοντέλα πιθανοτικής πρόβλεψης με σκοπό την ποσοτικοποίηση της αβεβαιότητας των σημειακών προβλέψεων. Σκοπός της παρούσας διπλωματικής εργασίας αποτελεί η ανάπτυξη ενός τέτοιου πιθανοτικού μοντέλου πρόβλεψης αιολικής παραγωγής με χρήση Extreme Learning Machines. Πιο συγκεκριμένα, επανασχεδιάστηκε, το state-of-the-art μοντέλο πολύ-βραχυπρόθεσμης πρόβλεψης (χρονικός ορίζοντας μιας ώρας) που αναπτύχθηκε σε προηγούμενη έρευνα[8], και αξιολογήθηκε η επίδοση του στην παραγωγή βραχυπρόθεσμων προβλέψεων (χρονικός ορίζοντας μιας ημέρας). Για την ανάπτυξη και αξιολόγηση του μοντέλου χρησιμοποιήθηκαν ιστορικά δεδομένα ενός έτους, τα οποία αποτελούνταν από τις προβλέψεις ανέμου και της αντίστοιχες τιμές παραγόμενης ισχύος σε ωριαία βάση. Τα δεδομένα αποτελούν μέρος των δεδομένων που του δόθηκαν στους συμμετέχοντες στον διεθνή διαγωνισμό Global Energy Forecasting Competition 2014 και αφορούν έναν αιολικό σταθμό στην Αυστραλία. Αρχικά, σχεδιάστηκε εκ βάθρων ένα μοντέλο ντετερμινιστικής πρόβλεψης βασισμένο στα Extreme Learning Machines, μοντελοποιώντας την μαθηματική θεωρία που διέπει την λειτουργία τους σε προγραμματιστικό περιβάλλον Python. Στην συνέχεια έγινε μια προσπάθεια προεπεξεργασίας των δεδομένων για την βελτίωση της ακρίβειας του σφάλματος ντετερμινιστικής πρόβλεψης. Για την παραγωγή πιθανοτικών προβλέψεων αιολικής παραγωγής χρησιμοποιήθηκε η μέθοδος προβλέψεων συνόλου. Με την στατιστική μέθοδο Bootstrapping δημιουργήθηκε μια πληθώρα νέων συνόλων δεδομένων εκπαίδευσης και χρησιμοποιήθηκε ο αντίστοιχος αριθμός ντετερμινιστικών μοντέλων για την παραγωγή σημειακών προβλέψεων επί του ίδιου συνόλου δεδομένων εκπαίδευσης. Τέλος, χρησιμοποιώντας την θεωρία πιθανοτήτων και στατιστικής κατασκευάστηκαν τα διαστήματα εμπιστοσύνης για την ποσοτικοποίηση την αβεβαιότητας των προβλέψεων. Εκ των αποτελεσμάτων, διαπιστώθηκε πως για την αξιόπιστη παραγωγή πιθανοτικών προβλέψεων, είναι απαραίτητη η μεταβολή του αριθμού των ντετερμινιστικών μοντέλων που θα χρησιμοποιήσουμε, ανάλογα με τον επιθυμητό βαθμό εμπιστοσύνης. Κλείνοντας αξίζει να σημειωθεί, πως είναι απαραίτητη η θεμελίωση των αποτελεσμάτων σε ένα ευρύτερο πλαίσιο δεδομένων ώστε να αξιολογηθεί, πέραν της αξιοπιστίας, και η ποιότητα των αποτελεσμάτων που παρήγαγε το πιθανοτικό μοντέλο που αναπτύχθηκε.
URI: http://artemis.cslab.ece.ntua.gr:8080/jspui/handle/123456789/17738
Εμφανίζεται στις συλλογές:Διπλωματικές Εργασίες - Theses

Αρχεία σε αυτό το τεκμήριο:
Αρχείο Περιγραφή ΜέγεθοςΜορφότυπος 
Διπλωματική_Σκεύης_Διονύσης.pdf3.2 MBAdobe PDFΕμφάνιση/Άνοιγμα


Όλα τα τεκμήρια του δικτυακού τόπου προστατεύονται από πνευματικά δικαιώματα.