Τεχνικές Μηχανικής και Βαθιάς Μάθησης για Βραχυπρόθεσμη Πρόβλεψη Ζήτησης Ηλεκτρικής Ενέργειας: Μια Συγκριτική Ανάλυση σε Χρονοσειρές Ευρωπαϊκών Διαχειριστών Συστημάτων Μεταφοράς

Abstract

Η πρόβλεψη ηλεκτρικού φορτίου βραχυπρόθεσμου χρόνου (STLF) έχει αναδειχθεί τις τελευταίες δεκαετίες ως ένα από τα πιο βασικότερα πεδία έρευνας για την αποτελεσματική και αξιόπιστη λειτουργία των συστημάτων ηλεκτρικής ενέργειας (ΣΗΕ). Διαδραματίζει πολύ σημαντικό ρόλο στον τομέα του προγραμματισμού, της ανάλυσης ρίσκου, της ανάλυσης ροής φορτίου, του σχεδιασμού και της συντήρησης συστημάτων ηλεκτρικής ενέργειας, πόσο μάλλον στη συμμετοχή των ενεργειακών εταιρειών στις αγορές ενέργειας. Ειδικά με την εμφάνιση των έξυπνων δικτύων, η ανάγκη για ακριβή και αξιόπιστη εκτίμηση του ηλεκτρικού φορτίου είναι μεγαλύτερη από ποτέ. Ακόμα, ο προαναφερθέντας στόχος (STLF) έχει γίνει στις μέρες μας πιο δημοφιλής για τις ευρωπαϊκές χώρες καθώς η ενεργειακή κρίση έχει φτάσει σε πρωτοφανή επίπεδα με ποικίλες γεωπολιτικές προεκτάσεις. Οι αλγόριθμοι μηχανικής μάθησης (ML) μπορούν να προβλέψουν το ηλεκτρικό φορτίο, καθώς μπορούν να μοντελοποιήσουν μη γραμμικά προβλήματα πρόβλεψης χρονοσειρών μέσω μιας διαδικασίας εκπαίδευσης που αναλύει μοτίβα. Στην παρούσα Διπλωματική Εργασία διεξάγεται μια συγκριτική μελέτη τεχνικών Μηχανικής Μάθησης (ML) και Βαθιάς Μάθησης (DL), συγκεκριμένα, χρησιμοποιούνται τα Light Gradient Boosting Machine (LightGBM), Neural Basis Expansion Analysis for Time Series forecasting (N-Beats) and Χρονικά Συνελικτικά Δίκτυα (TCN), ενώ διερευνάται η επίδραση διαφόρων εξωτερικών μεταβλητών στη εν λόγω διαδικασία. Συγκεκριμένα εξετάζονται τέσσερις κατηγορίες χαρακτηριστικών, ηλεκτρικά φορτία, χρονικές συμμεταβλητές, τιμή ηλεκτρικού φορτίου και καιρός, τα οποία κωδικοποιούνται με διάφορους τρόπους. Στην πειραματική διαδικασία, χρησιμοποιούνται σύνολα δεδομένων φορτίου ωριαίας ανάλυσης για την Πορτογαλία, την Ισπανία και την Ελλάδα, οι αντίστοιχες τιμές του ηλεκτρικού φορτίου, καθώς και τοπικά καιρικά δεδομένα της Πορτογαλίας, σε μία προσπαθεί πρόβλεψης του ηλεκτρικού φορτίου της επόμενης ημέρας. Τέλος, προτείνεται ένα υβριδικό μοντέλο συνδυάζοντας μοντέλα μηχανικής (ML) και βαθιάς μάθησης (DL), εφαρμόζοντας τεχνική Ensemble.