Σχεδίαση, υλοποίηση και εκπαίδευση μοντέλων Μηχανικής Μάθησης σε ενεργειακά και μετεωρολογικά δεδομένα για την πρόβλεψη φορτίου.

Abstract

Η ορθή πρόβλεψη της συμπεριφοράς του καιρού καθώς και της παραγωγής και κατανάλωσης φορτίου είναι ιδιαίτερα σημαντική σε πολλαπλούς επιστημονικούς τομείς καθώς και σε επιχειρήσεις. Μια βελτιωμένη στρατηγική πρόβλεψης μπορεί να βοηθήσει εταιρείες παροχής ενέργειας να ανταποκριθούν στην ισορροπία ζήτησης/προσφοράς, αποφεύγοντας απώλειες και αναπτύσσοντας κέρδη. Σε αυτή την εργασία, μετεωρολογικά δεδομένα που έχουν συλλεχθεί από συσκευές και σένσορες IoT και συνδυάζονται με πανελλαδικά δεδομένα φορτίου, χρησιμοποιούνται για την κατασκευή προβλέψεων καθώς και για την βελτίωση υπαρχόντων προγνώσεων. Τα δεδομένα αποθηκεύονται και φιλτράρονται από κατάλληλες μεθόδους προεπεξεργασίας για την διασφάλιση της ποιότητάς τους καθώς και το ότι οι προβλέψεις θα είναι ανεξάρτητες τυχαίου θορύβου. Τα πανελλαδικά δεδομένα καιρού κανονικοποιούνται σε σχέση με τα δημογραφικά στοιχεία της εκάστοτε περιοχής, σε μια προσπάθεια εκτίμησης της κατανάλωσης της ηλεκτρικής ενέργειας. Για την δημιουργία προβλέψεων μελετώνται και υλοποιούνται διάφορα μοντέλα βαθιάς μηχανικής μάθησης, εστιάζοντας κυρίως σε αναδρομικά δίκτυα LSTM. Γίνεται πειραματισμός και αξιολόγηση σε σχέση με την ποιότητα και το πλήθος των δεδομένων εισόδου, την αποδοτικότητα των μοντέλων, την βελτίωση ήδη υπαρχόντων προγνώσεων, καθώς και ως προς τον αριθμό των ημερών για τις οποίες παράγεται πρόβλεψη. Τέλος αναπτύσσεται εργαλείο αυτόματης οπτικοποίησης των παραγόμενων χρονοσειρών πρόβλεψης, έτοιμο για παραγωγή, με φιλικό προς τον χρήστη περιβάλλον.